APLICACIN DE LAS REDES NEURONALES EN INGENIERA Y ECONOMA Fernando Villada(1), Wilson Muoz(1), Mara Anglica Henao(2) Grupo de Investigacin

en Manejo Eficiente de la Energa Elctrica GIMEL, (1) Facultad de Ingeniera, Universidad de Antioquia, Colombia. (2) Facultad de Ingeniera, Instituto Politcnico Jaime Isaza Cadavid, Colombia. RESUMEN
En este trabajo se presenta la revisin bibliogrfica de las aplicaciones ms importantes de las

redes neuronales en diferentes reas de la Ingeniera y la Economa. El estudio se complementa con la exposicin de los resultados de dos proyectos de investigacin realizados en el Grupo de Investigacin en Manejo Eficiente de la Energa Elctrica GIMEL- de la Universidad de Antioquia, donde se muestra la viabilidad de aplicar esta tcnica de la inteligencia artificial en las disciplinas mencionadas. Palabras clave: Redes neuronales, sistemas de potencia, protecciones elctricas, diagnstico de fallas, economa, inflacin, mercado de divisas. 1. INTRODUCCIN En los ltimos aos, se ha notado un aumento apreciable de las aplicaciones de los mtodos de la inteligencia artificial en las diferentes reas de la ingeniera y la economa. Estos mtodos como los sistemas expertos, la lgica difusa y las redes neuronales artificiales, necesitan una base de datos que describa el funcionamiento del sistema junto a un anlisis lgico, en lugar del anlisis matemtico, para el control del sistema y facilitar la toma de decisiones. Uno de estos mtodos es el empleo de las redes neuronales artificiales (ANN) que imitan el funcionamiento del cerebro humano. Las redes neuronales se han usado para el

reconocimiento de las imgenes y sonidos, para el procesamiento de los datos y seales, y como clasificadores. Las aplicaciones en la ingeniera van el mantenimiento y diagnstico de equipos y sistemas industriales [1-3] hasta el anlisis de los sistemas elctricos de potencia donde se tienen investigaciones para aplicar la tecnologa de las redes neuronales en el anlisis de la seguridad, la estabilidad y las protecciones [4-5]. En economa, se tienen aplicaciones en el mercado de valores [6-7], pronstico de variables macroeconmicas [8] y mercado de divisas [9]. El objetivo de este trabajo es realizar una bsqueda bibliogrfica de las aplicaciones ms importantes de las redes neuronales en diferentes reas de la Ingeniera y la Economa. Luego se presentarn los resultados de dos proyectos de investigacin realizados en el Grupo de Investigacin en Manejo Eficiente de la Energa Elctrica GIMEL, donde se muestra la viabilidad de aplicar esta tcnica de la inteligencia artificial en las disciplinas mencionadas. 2. REDES NEURONALES ARTIFICIALES Una red neuronal es un sistema que permite establecer una relacin lineal o no lineal entre las salidas y las entradas. Sus caractersticas estn inspiradas en el sistema nervioso lo que les da varias ventajas tales como su capacidad de aprendizaje adaptativo, son auto-organizativas, pueden funcionar en paralelo en tiempo real y ofrecen tolerancia a fallos por la codificacin redundante de la informacin. Desde el punto de vista de solucionar problemas, las redes neuronales son diferentes de los ordenadores convencionales que usan algoritmos secuenciales, mientras que las redes neuronales actan como el cerebro humano, procesando la informacin en paralelo, y tambin pueden aprender y generalizar a situaciones no incluidas en el proceso de entrenamiento. Las redes neuronales pueden procesar informacin de forma ms rpida que los ordenadores convencionales, pero tienen la desventaja de que no podemos seguir su respuesta paso a paso como se puede hacer al ejecutar un programa convencional en un ordenador por lo que no resulta fcil detectar los errores.

Las redes neuronales artificiales son muy efectivas para resolver problemas complicados de clasificacin y reconocimiento de patrones. La ms utilizada es la llamada de propagacin hacia adelante. La figura 1 muestra una red de propagacin hacia delante con dos capas ocultas. El nmero de entradas es directamente dependiente de la informacin disponible para ser clasificada mientras que el nmero de neuronas de salida es igual al nmero de clases a ser separadas. Las unidades de una capa se conectan unidireccionalmente con las de la siguiente, en general todas con todas, sometiendo a sus salidas a la multiplicacin por un peso que es diferente para cada una de las conexiones.

X1
(.)

X2
(.)

(.) (.) (.) (.) (.) (.) (.)

O1

X3

O2

X4

X5 Nudos de entrada 1 capa oculta 2 capa oculta Capa de salida

Figura 1. Red neuronal de propagacin hacia adelante

Otro tipo de red neuronal conocida por su habilidad para manejar seales variables en el tiempo es la FIRANN [10]. Su modelo de neurona es basado en filtros de respuesta impulsional finita (FIR), los cuales le permiten ser aplicadas al procesamiento temporal. El modelo de red neuronal FIRANN mostrado en la figura 2 presenta una estructura simple de una red 2-2-2 con tres unidades de retardo de tiempo en cada neurona. Ntese que el nmero de unidades de retardo de tiempo debe ser igual para todas las neuronas ubicadas en una misma capa, sin embargo, este nmero de retardos puede ser diferente en las otras capas.

Y1 (t -3)

Y1 (t -3)

Y1 (t -2)

FIFO

FIFO

X 1 (t-n )

...

Y1 (t -2)

X 1 (t-1 ) X 1 (t)

Y 1 (t -1) Y1 (t )
1 2

Y 1 (t -1)

(.)

(.)

Y1 (t )

(.)

y1

X 2 (t-n )

...

X 2 (t-1 ) X 2 (t)
Y 2 (t -3)
1

Y 2 (t -3)

FIFO

Y 2 (t -2)

FIFO

Y (t -2)
2

Y2 (t -1)

Y2 (t -1)
2

X 3 (t-n )

...
X 3 (t-1 ) X 3 (t)

(.)

Y2 (t )

(.)

Y2 (t )

(.)

y2

Ca p a de e ntra da Ca da una tie n e n unida des de l reta rdo

D os c apa s ocult as Ca da una tie n e 3 unida des de l reta rdo

Ca pa d e sa lida

Figura 2. Red neuronal con filtros de respuesta impulsional finita (FIRANN)

3. APLICACIONES DE LAS REDES NEURONALES EN LA INGENIERA En la bsqueda bibliogrfica se encontraron diversas aplicaciones de las redes neuronales en las diferentes reas de la ingeniera como son la operacin confiable de procesos productivos, diagnstico de equipos elctricos y sistemas de potencia. A continuacin se describirn algunas de ellas. En la operacin confiable de procesos productivos, Minchao [1] presenta un sistema de monitoreo en lnea para una turbobomba de alimentacin de combustible a un motor de reaccin. El autor entrena una red neurona-difusa para identificar y aislar tres clases de fallas ocasionadas por la apertura anormal de vlvulas, utilizando la informacin de un vector de ocho parmetros de entrada compuesto por presiones y velocidades en diferentes puntos, cuyas tendencias de cambio con el tiempo son similares para diferentes tipos de fallas. El trabajo realizado por Chow [2] presenta una forma econmica de diagnosticar motores de

induccin pequeos en tiempo real para detectar fallas incipientes en los devanados y problemas en los rodamientos; mostrando la factibilidad de usar redes neuronales artificiales en situaciones industriales reales. Las entradas corresponden a las seales de corriente (I) y velocidad del motor (), ambas en estado estacionario; las salidas son las tres condiciones indicativas del estado del motor: bueno, regular y pobre respectivamente. De esta forma con 35 datos para entrenamiento y 70 para verificacin, Se entren una estructura convencional de red neuronal con entradas de corriente y velocidad; ms una de orden superior con las entradas anteriores, su valor elevado al cuadrado y el producto entre las mismas. Con esta ltima se consigui reducir el tiempo de entrenamiento y el rendimiento en la prediccin de los resultados. Los resultados en general mostraron un buen desempeo en el 95% de los casos. Por otro lado Randy [3] propone la utilizacin de redes neuronales para aprender las caractersticas del espectro de corriente de un motor en buen estado operando en lnea. La condicin de falla es encontrada comparando el estado actual con la condicin previa de la mquina. Esta prediccin de fallas en lnea es posible con este sistema sin requerirse informacin del motor o caractersticas de la carga. El anlisis clsico del espectro de corriente del motor viene afectado tanto por las barras rotas del rotor y las curvaturas en el eje como por la variacin de cargas y desequilibrios mecnicos; por esta razn se requiere de un experto para analizar dicha informacin. Con el sistema propuesto por Randy, no se requiere de expertos y por lo tanto se pueden aprender los patrones espectrales de cada mquina y monitorizar sus cambios, los cuales pueden ser sntomas de fallas. En este ltimo trabajo se introduce un sistema experto basado en reglas el cual sirve de filtro para obtener los componentes de frecuencias importantes, y a la vez los clasifica en 4 niveles desde clase 1 para frecuencias de caractersticas especficas que estn directamente relacionadas con patrones de fallas hasta clase 4 que pueden ser omitidos. Las reglas del

sistema experto permiten clasificar las frecuencias de barras rotas, excentricidades, caras interna y externa de los rodamientos, ms algunos criterios para la amplitud y variacin de las mismas con el paso del tiempo. En seguridad de los sistemas de potencia, Sidhu [4] present el diseo, la implementacin y la prueba de una red neuronal para la estimacin de la direccin del fallo en un sistema de potencia. Las ondas de las tensiones y de las corrientes se muestrearon a una frecuencia de 24 kHz, luego se procesaron usando un filtro de cuarto orden pasabajos, un filtro antisobrelapamiento y un filtro de respuesta impulsional finita (FIR) de tres puntos. Luego se volvieron a muestrear a una frecuencia de 1,2 kHz y finalmente estos valores se aplicaron a una red neuronal con retardos de tiempo. La red neuronal resultante utiliz cinco unidades de retardo de tiempo en la capa de entrada, y una estructura de tres capas con 12, 4, y 1 neuronas respectivamente. Su implementacin se realiz mediante una tarjeta DSP obtenindose una respuesta muy rpida y buenos resultados al detectar fallos de alta y baja impedancia, altas y bajas relaciones de la impedancia de la fuente respecto a la lnea (SIR), prdidas de datos, datos errneos y diferentes tipos de fallos. Otra rea crtica de los sistemas elctricos de potencia son las protecciones donde la velocidad de respuesta juega un papel decisivo en la seguridad de los equipos. Aqu se tienen aplicaciones como la propuesta por Orille [5] donde se disea una red neuronal de respuesta impulsional finita encargada de la proteccin diferencial de un transformador de potencia. Las entradas de la red corresponden a las tensiones y corrientes entrantes y salientes del transformador; la salida corresponde a una seal indicadora de la presencia o no de fallo interno. En la prueba de la red se encontr como ante todos los eventos de falla interna en el transformador la respuesta de la red neuronal (seal de disparo) siempre fue inferior a 4 ms, que en todos los casos es muy inferior al tiempo de respuesta de las protecciones tradicionales.

4. APLICACIONES DE LAS REDES NEURONALES EN LA ECONOMA

La inteligencia artificial y en especial los sistemas expertos y las redes neuronales artificiales han mostrado ser promisorias en aplicaciones a los mercados de valores, pronstico de variables macroeconmicas y mercado de divisas. Freedman [7] represent mediante hojas electrnicas de clculo un sistema experto basado en casos y una red neuronal como herramientas para tomar decisiones en el mercado de valores. La diferencia entre estas dos tcnicas se tiene en la forma como representan el conocimiento; mientras que en las redes neuronales el conocimiento existente es utilizado para entrenar la red, en el razonamiento basado en casos el conocimiento es un componente permanente de la hoja electrnica de clculo. Estas hojas proporcionan informacin visual y amigable a los usuarios permitindoles un mayor dominio de su entorno computacional y tener una mayor confianza en sus resultados. Misas [8] justific la aplicacin de las redes neuronales en el pronstico de la inflacin dadas las caractersticas no lineales de esta variable. Su trabajo se llev a cabo con informacin trimestral correspondiente a la primera diferencia del logaritmo de las series IPC, M1, M3 y abarcando el perodo comprendido entre el primer trimestre de 1969 y el segundo trimestre del 2001; realizando varias pruebas con diferentes modelos. En el primer modelo el conjunto de variables explicativas o variables de entrada considera los primeros 8 rezagos de la inflacin, en el segundo y tercer modelo se consideran variables monetarias como explicativas con los primeros 6 rezagos. En el cuarto y quinto modelo incluyen rezagos de inflacin y dinero en su conjunto de informacin y tienen en cuenta el mismo nmero de rezagos que se consider para los tres primeros modelos, slo que en el cuarto modelo la variable monetaria es M1 mientras que en el quinto es M3. Los resultados del trabajo de Misas demostraron el potencial que tienen los modelos de redes neuronales en el pronstico de la inflacin, al competir y en algunos casos superar a los modelos lineales tradicionales. Con estos resultados se ampla y mejora la familia de modelos de que hoy se dispone para pronstico de la inflacin y, en particular, se fortalece el trabajo de los modelos que incluyen como insumo variables monetarias.

Una aplicacin al pronstico en el mercado de divisas de corto plazo la presenta el Banco de Canad en su documento de trabajo 2000-23 [9] donde se combinan 2 nuevos enfoques: las redes neuronales y la microestructura del mercado para la determinacin de la tasa de cambio y las fluctuaciones que sta presenta, incluyendo una serie de variables macroeconmicas que explican los movimientos de la tasa de cambio entre el Dlar Americano y el Dlar Canadiense. En este ltimo trabajo se estudiaron dos modelos con redes neuronales donde se incluan siete (7) rezagos de tiempo en la tasa de cambio y combinaciones de otras variables como son el flujo de rdenes de transacciones con clientes comerciales, las transacciones con clientes extranjeros, las transacciones interbancarias, la diferencia entre las tasas de inters para depsitos a 90 das entre Estados Unidos y Canad, y el precio del crudo. Se utilizaron redes neuronales de propagacin hacia adelante con 3 y 4 neuronas en su capa oculta; donde un 60% de los datos fue usado para entrenamiento, un 30% para la validacin y el otro 10% fue utilizado para validacin (pronstico del tipo de cambio). Los resultados mostraron que el pronstico dentro de la muestra con redes neuronales son mejores comparados con los modelos lineales y de caminos aleatorios. El pronstico fuera de la muestra y para un da, los resultados obtenidos fueron exitosos en un 72% de los casos, mientras que los obtenidos con los modelos de caminos aleatorios fueron exitosos en un 55%. En conclusin, los resultados muestran que los modelos con redes neuronales son mejores que los modelos lineales y producen mejores pronstico fuera de la muestra. 5. PROYECTOS REALIZADOS EN NUESTRO GRUPO DE INVESTIGACIN A continuacin se presentan los resultados de dos proyectos de investigacin desarrollados en el Grupo de Investigacin en Manejo Eficiente de la Energa Elctrica GIMEL de la Universidad de Antioquia, en los cuales se aplican redes neuronales a dos casos especficos de la ingeniera y la economa.

5.1 DISEO DE UNA RED NEURONAL PARA LA PROTECCIN DIFERENCIAL DE UN GENERADOR SINCRNICO En este trabajo se propuso un nuevo esquema para la proteccin diferencial de generadores sincrnicos basado en redes neuronales con filtros de respuesta impulsional finita (FIRANN) [11]. El entrenamiento de las redes neuronales se realiz con patrones escogidos aleatoriamente de un grupo de simulaciones de fallos internos en la mquina. La mquina usada para generar los patrones de entrenamiento del esquema de proteccin propuesto corresponde a un generador sincrnico real de polos salientes de 150 MVA a 13.2 kV, 50 Hz. Las simulaciones se realizaron utilizando un modelo de mquina sincrnica el cual cubre todas las condiciones posibles de operacin, tipos de fallas para diferentes instantes de tiempo y diferentes tipos de carga [12]. El subconjunto de patrones de las simulaciones para entrenar la red neuronal se seleccion aleatoriamente, utilizando el 25% del conjunto total de simulaciones. De esta forma se usaron 5022 conjuntos de datos para entrenar la red neuronal de un total de 19728, lo que demuestra la gran habilidad de generalizacin de las redes neuronales. De cada simulacin seleccionada se tom una ventana de datos equilibrada con respecto al instante de fallo, es decir, se tomaron los intervalos de tiempo antes del fallo y despus del fallo iguales. As con una frecuencia de muestreo de 2 kHz, una ventana de una simulacin consta de 80 muestras, 40 muestras antes del fallo, 5 muestras de transicin inmediatamente despus del fallo y por ltimo 35 muestras despus de la transicin. Las 5 muestras de transicin inmediatamente despus del fallo estn pensadas para una respuesta de la proteccin de 2.5 ms, lo cual significa que es ms rpida que cualquier otra proteccin presentada hasta el momento. La estructura del esquema de proteccin que present un mejor comportamiento es mostrada en la figura 3. El esquema se compone de tres bloques paralelos FIRANN, cada uno dedicado a la proteccin de un tipo de falla. Las entradas de las redes FIRANN son las corrientes simuladas entrando y saliendo de los devanados del estator; estas corrientes son representadas por ian, ibn, y icn para las tres fases al lado del neutro; iat, ibt, y ict representan las corrientes en las tres fases en los terminales de la mquina.

N
i cn i bn i an

T
i ct i bt i at

. . .
RN1 L-N
+1 FALLO -1 NORMAL

. . .

. . .
R N2 L-L-L

. . .

. . .

. . .
RN3 EXT.
+1 FALLO -1 NORMAL

+1 FALLO -1 NORMAL

Fig. 3 Estructura de proteccin con tres redes FIRANN.

5.1.1 Bloque detector de fallas internas entre fases y tierra El bloque detector de fallas internas entre una fase y tierra (RN1) consta de 4 capas. La capa de entrada recibe 6 seales correspondientes a las corrientes de fase que entran y salen de los devanados del estator y 6 unidades de retardo de tiempo en cada entrada. La primera capa oculta tiene 12 neuronas con 3 unidades de retardo de tiempo mientras que la segunda capa oculta tiene 7 neuronas con 3 unidades de retardo de tiempo. Se tiene una salida que ha sido entrenada para ser igual a +1 en el caso de presentarse una falla interna entre cualquier fase y la tierra e igual a 1 en cualquier otra situacin. 5.1.2 Bloque detector de fallas internas entre fases El bloque detector de fallas internas entre dos fases, entre dos fases y tierra o entre las tres fases (RN2) consta de 4 capas. La capa de entrada recibe 6 seales correspondientes a las corrientes de fase que entran y salen de los devanados del estator y 6 unidades de retardo de

tiempo en cada entrada. La primera capa oculta tiene 15 neuronas con 3 unidades de retardo de tiempo mientras que la segunda capa oculta tiene 7 neuronas con 3 unidades de retardo de tiempo. Se tiene una salida que ha sido entrenada para ser igual a +1 en el caso de presentarse una falla interna entre fases e igual a 1 en cualquier otra situacin. 5.1.3 Bloque detector de fallas externas El bloque detector de fallas externas (RN3) consta de 4 capas. La capa de entrada recibe 6 seales correspondientes a las corrientes de fase que entran y salen de los devanados del estator y 6 unidades de retardo de tiempo en cada entrada. La primera capa oculta tiene 12 neuronas con 3 unidades de retardo de tiempo mientras que la segunda capa oculta tiene 7 neuronas con 3 unidades de retardo de tiempo. Se tiene una salida que ha sido entrenada para ser igual a +1 en el caso de presentarse una falla externa e igual a 1 en cualquier otra situacin. Finalmente se realiz la prueba de la red neuronal con las simulaciones no incluidas en el grupo de patrones de entrenamiento. La figura 4 muestra las corrientes para una falla interna entre la fase A y tierra y la respuesta del bloque detector RN1, donde ian , representa la corriente entre el punto de falla y tierra e iat corresponde a la corriente entre el punto de falla y el terminal de la fase A. La falla fue aplicada cubriendo el 80% del devanado a partir del neutro, cuando el generador estaba trabajando en un 90% de su carga nominal. Todas las dems respuestas de los bloques de proteccin fueron similares a las mostradas en la figura 4, donde la transicin de 1 a un nivel de falla (+1) ocurre en menos de 4 muestras (2.0 ms) a partir de la aplicacin de la falla. De las pruebas realizadas a nuestro esquema de proteccin diferencial compuesto de tres redes neuronales artificiales FIRANN, se corroboran las ventajas ya conocidas de las redes neuronales artificiales como son su inmunidad al ruido, gran capacidad de generalizacin y alta velocidad de respuesta debida al procesamiento en paralelo. Adicionalmente se mostr su mejor desempeo con respecto a los algoritmos de proteccin diferencial existentes, al poder detectar fallos internos muy cercanos al punto del neutro, tener un buen comportamiento ante

ruidos y errores en las relaciones de transformacin de los transformadores de intensidad y no dar seales errneas de disparo por cambios bruscos en la carga.

1 0.5 0 -0. 5 -1 5 10 15 20 25 30 35 40 45 50 55 60

Salida de la red RN1

0.5

i at

-0. 5 5 10 15 20 25 30 35 40 45 50 55 60

0.5

i an
0

Fig.4 Respuesta de la red RN1 para un fallo interno entre la fase A y tierra. -0. 5
5 10 15 20 25 30 35 40 45 50 55 60

Nmero de muestras

5.2 APLICACIN EN PRONSTICOS EN EL MERCADO DE DIVISAS En este trabajo se demuestra la factibilidad de utilizar las redes neuronales para modelar el comportamiento del mercado de divisas mediante una aplicacin a la tasa de cambio entre el Yen japons y el Dlar americano [13]. El conjunto de redes neuronales se entren con la base de datos histrica de la tasa de cambio del yen japons con respecto al dlar en el periodo comprendido entre el 1 de enero de 2002 y el 30 de septiembre de 2003, obtenindose un total de 521 datos diarios de los cuales se reservaron 40 para prueba quedando 481 para entrenamiento. Se probaron diferentes estructuras de redes neuronales con una y dos capas ocultas y variando el nmero de neuronas en cada capa e incluyendo tambin retardos de tiempo en la entrada. Finalmente se encontr como mejor estructura de red neuronal la representada en la figura 5 con las siguientes caractersticas:

 8 entradas: 6 retardos de tiempo (ret n), 1 secuencial (sec) y 1 entrada peridica (per) que representa el da de la semana al que pertenece el dato. 12 neuronas en la capa oculta, la cual tiene funcin de transferencia tangente Funcin purelin o identidad en la capa de salida. Algoritmo de entrenamiento: trainlm del Matlab. sigmoide.

Figura 5. Estructura de red neuronal utilizada La figura 6 muestra el comportamiento de la red neuronal entrada con los ltimos 300 das con el objetivo de hacer prediccin para los 40 das siguientes, Aunque los resultados mostrados son prometedores, el desempeo de las redes neuronales puede mejorarse si se dispone de una buena fuente de informacin que incluya las expectativas de los indicadores econmicos del mercado y los flujos de dinero especulativos que tambin modifican sustancialmente las tasas de cambio. Por lo tanto, este trabajo es la base para futuros proyectos de prediccin de la tasa de cambio, abarcando otras divisas o conjunto de estas.

Figura 6 Simulacin y prediccin de la tasa de cambio 7. CONCLUSIONES En este trabajo se present una revisin bibliogrfica de las aplicaciones de las redes neuronales en la Ingeniera y la Economa. Tanto los diferentes trabajos consultados como los resultados de dos proyectos realizados en el Grupo de Investigacin en Manejo Eficiente de la Energa Elctrica GIMEL mostraron la potencialidad de aplicacin de las redes neuronales en aquellos campos donde se requieran analizar el comportamiento de sistemas no lineales y con dificultad de ser modelados matemticamente. REFERENCIAS [1] Minchao, H., Quzhi, C., Fuzzy Direction Neural Networks and its Application to Fault Detection and Isolation, 13th ISPE/IEE International Conference of CAD/CAM Robotics and Factories of the Future, Pereira, 1997, pp.1007. [2] Chow, M., Mangum, P., Yee, M., A Neural Network Approach to Real-Time Condition Monitoring of Induction Motors, IEEE Transactions on Industrial lectronics, Vol. 38, No.6, December 1991, pp 448-453. [3] Randy, R.S., Brian, K.L., Thomas, G.H., Jay, H.S., Samir, F., An Unsupervised, OnLine System for Induction Motor Fault Detection Using Stator Current Monitoring, IEEE

Transactions on Industry Applications, Vol. 31, No. 6, November-December 1995, pp 12801286. [4] Perez, L. G., Flechsig, A.J., Meador J.L., and Obradovic, Z., Training an artificial neural network to discriminate between magnetizing inrush and internal faults, IEEE trans. on Power Delivery, vol. 9, no. 1, pp. 434-441, 1994. [5] Orille, A. L., Khalil, N., and J. A. Valencia, A FIRANN as a Differential relay for Three Phase Power Transformer Protection, IEEE Trans. On Power Delivery, Vol. 16, No. 2, pp. 215-218, April 2001. [6] Trippi, R.R. and Turban, E.; Neural Networks in Finance and Investing, McGraw-Hill, 1996. [7] Freedman, R.S., Frail, R.P.; Expert Systems in Spreadsheets: Modeling the Wall User Domain, IEEE International Conference on Artificial Intelligence, 1991, pp. 296-301. [8] Misas, M., Lpez, E., Querubn, P., La inflacin en Colombia: una aproximacin desde las redes neuronales artificiales, Borradores de Economa, Banco de la Repblica, Colombia, Febrero de 2002. [9] Gradojevic, N., Yang, J., The application of artificial neural networks to exchange rate forecasting: the role of market microstructure variables, Working Paper 2000-23, Bank of Canada, December 2000, ISSN 1192-5434. [10] Haykin, S., NEURAL NETWORKS a comprehensive foundation, Macmillan College Publishing Company, 1994. [11] Villada, F., Aplicacin de las redes neuronales en la proteccin diferencial de generadores sncronos, Tesis Doctoral, Departamento de Ingeniera Elctrica, Universidad Politcnica de Catalua, Terrassa, Barcelona, Espaa 2001. [12] Muoz, W., Redes neuronales: una aplicacin al mercado de divisas, Monografa para optar al ttulo de Ingeniero Electrnico, Universidad de Antioquia, 2003.