1
Separación de Armónicos Existentes en la Red
de Distribución Mediante la Teoría de
Compressive Sensing
Alexis Velázquez
velazquezalexis@gmail.com
Resumen— En este trabajo se plantea la separación de armónicos
presentes en las redes de distribución con la misma forma de onda
que la de frecuencia fundamental utilizando la teoría de
Compressive Sensing logrando de esta manera observar el
comportamiento y las características de esas señales
perturbadoras. Compressive Sensing intenta muestrear y
comprimir a la vez cualquier señal poco densa en cualquier
dominio, es decir, señales sparse con pocas componentes distintas
de cero. Esta teoría en conjunto con el algoritmo iterativo
Matching Pursuit es de gran potencial en la reconstrucción de
señales sparse partiendo de un conjunto de proyecciones aleatorias
provenientes de una distribución normal. La señal en estudio es
proyectada sobre la matriz de proyecciones aleatorias reduciendo
su tamaño considerablemente. Matching Pursuit descompone
cualquier señal como una combinación lineal de señales básicas
contenidas en un diccionario previamente definido, de aquí parte
la idea de la descomposición de la señal sinusoidal de la red
eléctrica como una combinación lineal de la señal de frecuencia
fundamental de 60 Hz y los armónicos que pueda contener.
Palabras claves— Armónicos, Compressive Sensing, Matching
Pursuit, Sparse.
I. INTRODUCCIÓN
Las redes de distribución por lo general son interferidas por
la adición de armónicos producidos al energizar cargas no
lineales convirtiéndose en un problema que afecta a la calidad
de energía en los sistemas de baja tensión. Los armónicos son
un fenómeno que perjudican a los usuarios de la energía
eléctrica y a la empresa que suministra el servicio produciendo
fuertes daños en los equipos de la red. Estos son ondas
sinusoidales de tensión cuyas frecuencias son múltiplos de la
fundamental a la que opera el sistema. La onda total
contaminada puede ser representada como la suma de la señal
de frecuencia fundamental y las señales que conforman los
armónicos. Compressive Sensing (CS) es una teoría propuesta
por Candés (2006) y Donoho (2006) con un gran potencial en
la reconstrucción de señales poco densas (sparse), es decir
señales con escasas componentes diferentes de cero, partiendo
de un conjunto muy reducido de medidas que se generan a
través de un mecanismo aportado por una matriz de proyección
aleatoria cuyos elementos provienen de una distribución
normal. Por otra parte se dice que una señal es del tipo sparse
si se puede expresar como una combinación lineal de algunos
átomos contenidos en un diccionario constituido por funciones
bases previamente definido. Estas funciones bases sin ningún
problema pueden ser señales sinusoidales a las frecuencias
múltiplos enteros de la fundamental (60 Hz).
La teoría de CS intenta comprimir una señal y muestrearla a
la vez y como consecuencia de esto la reducción de las
capacidades de almacenamiento así como también se minimiza
el uso de los recursos en el proceso de conversión digital –
analógico en cuanto a velocidad de muestreo.
Compressive Sensing en combinación con el algoritmo
iterativo Matching Pursuit (MP) permiten la reconstrucción de
señales sparse ya que dicho algoritmo descompone cualquier
señal como una combinación lineal de algunos elementos
(átomos) contenidos en un diccionario que ha sido previamente
definido. Las proyecciones aleatorias de cierta señal sparse y el
diseño de un diccionario son parámetros fundamentales para
iniciar el proceso de reconstrucción mediante la ejecución de
MP.
Como única condición a tomar en cuenta para aplicar la
teoría CS es que la señal sea del tipo sparse en un único dominio
(tiempo, frecuencia, wavelet, entre otros). El tema de
reconstrucción de señales poco densas está bien detallado en la
Implementación de la Teoría CS a Nivel de Hardware
(Velázquez, 2008).
En este trabajo se hace uso de la teoría CS y el algoritmo MP
con el fin de descomponer una señal de la red de distribución
de energía eléctrica como una combinación lineal de la señal de
frecuencia fundamental y los armónicos presentes en ella.
II. COMPRESSIVE SENSING (CS)
Compressive Sensing (CS) ha sido propuesta por Candés
(2006) y Donoho (2006) como una teoría de gran potencial que
plantea nuevos paradigmas en cuanto a la frecuencia mínima de
muestreo con que una señal sparse puede reconstruirse.
Específicamente, considere la señal ∈ como una señal
sparse, es decir, la señal puede representarse como una
combinación lineal de pocos elementos de una base ortogonal.
CS establece que una señal poco densa se puede reconstruir a
partir de un conjunto de proyecciones aleatorias con alta
probabilidad. Así, la señal es proyectada sobre la matriz
 2

aleatoria Φ de dimensiones que proviene de una La señal de la Fig. 1 puede ser proyectada sobre una matriz
distribución normal con media 0 y varianza aleatoria (matriz de proyecciones) y así reducir el número de
1/ sus componentes (Velázquez 2008). A continuación se
, ~ 0, 1/ .
introduce formalmente el concepto de Compressive Sensing.
El número de proyecciones depende de la densidad
(número de componentes distintas de cero) de la señal de Sea el vector de componentes discretas de la señal
interés, y el número de muestras o componentes discretas la de interés y la matriz cuyas columnas
cual define el tamaño de dicha señal. A fin de ilustrar el pertenecientes a conforman un diccionario de funciones
concepto de sparsity, considere la Fig. 1 donde se observa una básicas (Velázquez 2008) que son usadas para representar
señal compuesta por la suma de tres señales cosenos. señales como combinaciones lineales de ellas. Los vectores
columnas para pueden ser funciones
Señal Sparse en el Dominio de la Frecuencia básicas en el dominio del tiempo, bases de senos y cosenos o un
1.5
conjunto de funciones básicas ortogonales o no que pueden
representar la señal de interés como una combinación lineal de
1
las mismas. Sea la densidad (sparsity) de la señal .
Se dice que es sparse si se puede representar como la
0.5
combinación lineal de vectores contenidos en , es decir:
Amplitud(V)

(1)
-0.5

-1 En la ecuación (1.1) es un vector

definido en con componentes distintas de cero; cuyo
-1.5
0 100 200 300 400 500 600 700 800 900 1000 valor representa la contribución de la i-enésima componente
Tiempo(ms)
del diccionario en la conformación de la señal a lo largo
Fig. 1. Señal sparse en el dominio de la frecuencia. de todo su dominio.
Sea la matriz de proyección aleatoria proveniente
Note que esta señal no es sparse en el dominio del tiempo de una distribución normal donde las
pues la mayoría de sus componentes son diferentes de cero; en
este caso no es aplicable la teoría de Compressive Sensing en filas de son incoherentes con las columnas de , es decir,
este dominio. La Fig. 2 es una representación espectral de la ningún vector columna de puede ser una combinación lineal
señal anterior (Fig. 1) en el dominio de la frecuencia de los vectores columnas de . Una vez obtenida la matriz de
mostrándose solo las frecuencias positivas de los primeros 100 proyecciones , la señal proyectada de dimensión ,
puntos. Claramente se aprecia la poca densidad de esta señal en denotada por se obtiene a partir de:
el dominio de la frecuencia, siendo solo tres componentes de
frecuencia distintas de cero en este dominio, haciendo posible (2)
la aplicación de la teoría de CS.
La teoría de CS establece que existe un factor tal que
Transformada de Fourier solo medidas incoherentes son necesarias para
0.4
reconstruir con una alta probabilidad (Donoho, 2006),
0.35 (Candés, Romberg & Tao, 2006), a partir del conjunto de
proyecciones resolviendo el problema de optimización:
0.3

0.25 (3)
Amplitud

0.2
donde representa la norma definida como el número de
0.15 componentes del vector distintas de cero y es el
0.1
diccionario holográfico (Velázquez 2008). La minimización de
la norma es un problema de optimización altamente no-
0.05 convexo por lo que envuelve dificultades computacionales a
nivel de hardware en su solución (Donoho, 2006), (FitzGerald,
0
0 10 20 30 40 50 60 70 80 90 100 Cranitch & Cychowski, 2006), (Mancera & Portilla, 2006). Por
Frecuencia(Hz)
tal inconveniente, el problema de minimización dado por (3) se
Fig. 2. Densidad espectral de la señal mostrada en la Fig. 1. reformula como:
 3

(4)

donde corresponde a la norma definida como

. El algoritmo MP basado en la
descomposición de señales en funciones básicas que conforman
un diccionario permite resolver el problema de minimización
dado por (4).

III. MATCHING PURSUIT MP

MP es un algoritmo iterativo usado para la descomposición
de una señal en funciones bases de un diccionario. Su objetivo
principal es encontrar las componentes de un diccionario que
forma parte de la señal.
En el contexto de Compressive Sensing, Matching Pursuit
descompone la señal proyectándola sobre cada vector
columna del diccionario holográfico (Velázquez 2008). En cada
iteración se substrae de el vector que este más relacionado
con ella, generándose cada vez una señal residuo de menor
energía. Este proceso se repite hasta cumplir con cierto número
de iteraciones establecido o mejor aún hasta que la señal residuo
que se va generando contenga información insignificante. Las
componentes de la señal en este trabajo son las proyecciones
aleatorias de la señal .

En el diagrama de flujo de la Fig. 3 se observan los pasos a

seguir para la ejecución de Matching Pursuit y la descripción
de las variables en la Fig. 4.
El proceso de reconstrucción se comienza por la definición
del residuo inicial igual a las proyecciones aleatorias de una
señal, el vector de coeficientes sparse, el contador de
iteraciones y el diccionario holográfico que no es más que la
multiplicación de la matriz de proyección aleatoria por el
diccionario de funciones básicas.
Luego entrando al bucle repetitivo se comienza por
incrementar el contador de iteraciones y buscar dentro del
diccionario holográfico la posición del vector que este más
relacionado con las proyecciones aleatorias. En el siguiente
bloque se actualiza el residuo substrayendo de este el vector del
diccionario holográfico el cual se encuentra en la posición
hallada en el paso anterior y el vector de coeficientes sparse.
Una vez que se han actualizado tanto el residuo como los
coeficientes sparse se toma la decisión si continúa el proceso
iterativo o si se finaliza cumpliendo con el número de
iteraciones establecido o hasta que en el residuo quede
información insignificante.
Por último ya finalizado el proceso iterativo de
reconstrucción se da paso a la estimación de la señal, es decir,
a la reconstrucción de la señal proyectada. En este trabajo el
interés es obtener la descomposición de la señal de la red
eléctrica perturbada por armónicos que se realiza con el vector
de coeficientes sparse cuyas componentes distintas de cero
corresponden a las magnitudes de cada señal y la posición de
esas componentes permite ubicar el grado del armónico
incluyendo la frecuencia fundamental.

Fig. 3. Algoritmo MP.

 4

Señal Sinusoidal
: Matriz de proyecciones aleatorias 150

: Proyecciones aleatorias
100
: Diccionario de funciones básicas

: Residuo inicial 50

Amplitud(V)
: Vector de coeficientes sparse
0

: Diccionario holográfico
-50
: Contador de iteraciones

: Posición del vector más parecido al residuo en la iteración -100

: Residuo en la iteración
-150
0 100 200 300 400 500 600 700 800 900 1000
: Residuo en la iteración Tiempo(ms)

: Vector columna de Fig. 5. 120 sin 2 60 35 sin 2 180 18 sin 2 300 .

: Vector columna de en la posición
Señales Sinusoidales
: Estimación del coeficiente sparse en la posición 150
60
180
: Producto punto entre y 300
100

: Norma de
50
: Fracción de la energía mínima en el residuo
Amplitud(V)

: Estimado de la señal original 0

Fig.4. Descripción de las variables en MP. -50

IV. DESCOMPOSICIÓN DE SEÑALES SINUSOIDALES

-100
Los armónicos presentes en la señal sinusoidal de la red
eléctrica presentan características como la misma forma de -150
0 100 200 300 400 500 600 700 800 900 1000
onda que la poseedora de la frecuencia fundamental (existen Tiempo(ms)
casos particulares donde esta forma de onda puede ser
diferente), las magnitudes de cada armónico es variable y cada Fig. 6. Descomposición de la señal con armónicos
frecuencia es múltiplo de esa frecuencia fundamental. impares.

Sea 120 sin 2 60 35 sin 2 180 18 sin 2 300 Señal Sinusoidal

150
(Fig. 5), una señal sinusoidal con amplitud 120 V y frecuencia
fundamental 60 Hz distorsionada por la presencia de dos
100
señales del mismo tipo con frecuencias de 180 y 300 Hz
respectivamente (tercer y quinto armónico). Esta señal es
50
discretizada obteniendo mil componentes y luego
submuestreada mediante el mecanismo de proyecciones
Amplitud(V)

aleatorias reduciéndose a 40 componentes, ejecutando MP se 0

obtiene la descomposición mostrada en la Fig. 6. Ahora se

prueba con una señal parecida con armónicos pares -50

120 sin 2 60 35 sin 2 120 18 sin 2 240 , (ver Fig. 7),

y su descomposición mostrada en la Fig. 8. Seguidamente se -100
genera una señal aleatoria con 6 armónicos incluyendo una
componente continua. Las Fig. 9 y 10 muestran la señal -150
0 100 200 300 400 500 600 700 800 900 1000
generada y su descomposición respectivamente. Esta última Tiempo(ms)
señal generada contiene magnitudes -5.00, 120.00, 24.25,
-11.62, -20.95, 6.69, -16.21 V con frecuencias 0, 60, 120, 180, Fig. 7. 120 sin 2 60 35 sin 2 120 18 sin 2 240 .
540, 660, 1020 y 1080 Hz respectivamente.
 5

Señales Sinusoidales V. RECOMENDACIONES

150
60 Primeramente implementar CS y MP en algún dispositivo de
120 procesamiento de señales con capacidad de memoria que
100 240
permita el manejo adecuado de los datos como por ejemplo usar
mayor cantidad de proyecciones aleatorias que es conveniente
50
en la disminución del error de reconstrucción de las señales.
Amplitud(V)

Acá se tomaría la señal de la red, se proyectaría y se

0 reconstruiría la señal en estudio y se mostraría la separación de
los armónicos presentes según el orden seleccionado.
-50

Como una segunda opción, tratar de diseñar un circuito

-100 analógico que permita proyectar la señal en estudio (señal de la
red eléctrica) sobre una base aleatoria, posiblemente una
-150 distribución de Bernoulli, guardar esas proyecciones para su
0 100 200 300 400 500 600 700 800 900 1000
Tiempo(ms) posterior reconstrucción.
Fig. 8. Descomposición de la señal con armónicos Por último considerar el diseño de filtros dinámicos que
pares. permitan retener los armónicos presentes en la red.

Señal Sinusoidal
150

100
VI. CONCLUSIONES
50 En este artículo se comprueba el potencial de Compressive
Sensing y Matching Pursuit en la reconstrucción de señales
Amplitud(V)

0
poco densas en el dominio de la frecuencia partiendo de un
limitado número de proyecciones aleatorias (muestras) y su
descomposición como una combinación lineal de señales bases
-50
sinusoidales contenidas en el diccionario de funciones
previamente diseñado.
-100

REFERENCIAS BIBLIOGRÁFICAS
-150
0 100 200 300 400 500 600 700 800 900 1000
Tiempo(ms)
Candés, E., Romberg, J., & Tao, T. (2006). Robust Uncertainty Principles:
Fig. 9. 120 sin 2 60 distorsionada por 6 armónicos Exact Signal Reconstruction from Highly Incomplete Frequency Information.
que incluyen una componente continua. IEEE Transactions On Information Theory , 52 (2), 489-509.

Donoho, D. (2006). Compressed Sensing. IEEE Transactions On Information

Señales Sinusoidales
150
Theory , 52 (4), 1289-1306.
0
60 Figueras i Ventura, R. M., Divorra Escoda, O., & Vandergheynst, P. (2004). A
100 180 Matching Pursuit Full Search Algorithm for Image Approximations.
540 Recuperado el 21 de Febrero de 2008, de
660 http://lts1pc19.epfl.ch/repository/Figueras_i_Ventura2004_1174.pdf
50 1020
1080 FitzGerald, D., Cranitch, M., & Cychowski, M. T. (2006). Towards an Inverse
Amplitud(V)

Constant Q Transform. Recuperado el 2 de Mayo de 2008, de

0 http://www.audioresearchgroup.com/papers/38.pdf

Mallat, S. G., & Zhang, Z. (1993). Matching Pursuit With Time-Frequency

-50
Dictionaries. IEEE Transactions On Signal Processing , 41 (12), 3397-3415.

-100 Mancera, L., & Portilla, J. (October de 2006). L0-Norm-Based Sparse

Representation Through Alternate Projections. Recuperado el 18 de Enero de
2008, de http://decsai.ugr.es/vip/files/conferences/mancera06sparse-
-150 cameraready.pdf
0 100 200 300 400 500 600 700 800 900 1000
Tiempo(ms)
Paredes, J. L., Arce, G. R., & Wang, Z. (2007). Ultra-Wideband Compressed
Fig. 10. Descomposición de la señal de la Fig. 9. Sensing: Channel Estimation. IEEE Journal of Selected Topics In Signal
Processing , 1 (3), 383-395.

Velázquez, A. y Paredes, J. Implementación a Nivel de Hardware de la Teoría

de Compressive Sensing. Tesis de Grado. Mérida, Venezuela, 2008.