Power quality disturbances can occur in various parts of the power system causing financial losses. Therefore, automatic detection of these disturbances with high performance is crucial. This work aims to evaluate the performance of the Hodrick-Prescott filter in the pre-processing stage of an Power Quality monitoring system. The proposal is to detect the presence of Power Quality disturbances in electrical power systems using an Artifical Neural Network, where its architecture is of the Multilayer Perceptron type. In the preprocessing step of the input data, the Hodrick-Prescott filter divides the input signal into a trend component and a cyclic component for the extraction of variables indicative of the presence of disturbances in conjunction with the Fisher Discriminat Ratio that is used for parameter selection to be analyzed by Artifical Neural Network. Detection of disturbances was achieved with mean performance of 99%. Resumo: Distúrbios de qualidade de energia elétrica podem ocorrer em várias partes do sistema de energia causando prejuízos financeiros. Por isso, é crucial a detecção automática destes distúrbios com alto desempenho. Este trabalho tem por objetivo avaliar o desempenho do filtro Hodrick-Prescott na etapa de pré-processamento de um sistema de monitoramento de Qualidade de Energia Elétrica. A proposta é detectar a presença de distúrbios de Qualidade de Energia Elétrica em sistemas elétricos de potência utilizando uma Rede Neural Artificial, onde sua arquitetura é do tipo Multilayer Perceptron. Na etapa de pré-processamento dos dados de entrada o filtro Hodrick-Prescott divide o sinal de entrada em componente de tendência e componente cíclica, para extração de variáveis indicadoras da presença de distúrbios em conjunto com o Discriminante Linear de Fisher que é utilizado para seleção de parâmetros a serem analisados pela Rede Neural. A detecção de distúrbios foi alcançada com desempenho médio de 99%.

No abstract

Reconhecimento de padrões e classificação não supervisionada baseada em sistemas conexionistas evolutivos Pattern recognition and unsupervised classification based on evolving connectionist systems Reconocimiento de critérios y clasificación no supervisada basada en sistemas conectistas evolutivosResumo O reconhecimento de padrões é uma área da ciência cujo objetivo é a classificação de objetos em um número de categorias ou classes. Estes objetos podem ser imagens, formas de onda de sinais ou qualquer tipo de medição que necessita ser distinguida.Na área de sistemas elétricos de potência, com foco em qualidade de energia, o reconhecimento de padrões tem sido cada vez mais usado para detectar e classificar distúrbios que ocorrem nos sinais de tensão e corrente. Estes eventos são chamados de distúrbios de qualidade de energia elétrica e causam prejuízos financeiros tanto às concessionárias de energia quanto aos consumidores. Portanto, a detecção e classificação destes distúrbios são de fundamental importância. Este trabalho apresenta o sistema conexionista evolutivo eCF (evolving Classifier Function) para a classificação não supervisionada de distúrbios de qualidade da energia elétrica em sinais de tensão elétrica. Para extração de características indicadoras de presença de distúrbios é considerado um método híbrido composto pelas seguintes técnicas de análise de sinais: filtro Hodrick e Prescott, raiz do valor quadrático médio e transformada rápida de Fourier. Os resultados mostram uma comparação entre o desempenho do eCF e outros classificadores. O modelo eCF obteve acurácia média de 100%.

Distúrbios de qualidade de energia elétrica ocorrem em várias partes de um sistema de potência e podem causar prejuízos financeiros a todos que estão a ele conectado. Portanto, é de fundamental importância a classificação automática destes distúrbios, com alto nível de acurácia e baixo custo computacional. São consideradas as redes neuro-fuzzy granulares evolutivas as quais são capazes de adaptar continuamente sua estrutura e atualizar seus parâmetros de acordo com um fluxo de dados. Devido ao seu processo de aprendizagem recursivo, as redes neuro-fuzzy evolutivas podem adaptar-se às não-estacionariedades que ocorrem em um sistema, evoluindo continuamente ao longo da vida. A rede neuro-fuzzy proposta é a eGNN (evolving Granular Neural Network). Na etapa de pré-processamento dos dados para extração de atributos é considerado o valor eficaz das tensões de fase e o filtro de Hodrick-Prescott. Este separa o sinal de entrada em componente de tendência e componente cíclica –suprimindo o ruído presente no sinal de tendência. A classificação de quatro distúrbios e da operação normal do sistema (problema de cinco classes) foi alcançada com acurácia média de 98%.

<p><em>Os distúrbios de qualidade de energia elétrica levam a vários inconvenientes, como um aumento da tensão no sistema e nos equipamentos e consequentes perdas; limitação da capacidade de produção; temperaturas operacionais mais altas, falhas prematuras e redução da expectativa de vida das máquinas; mau funcionamento do equipamento e interrupções não planejadas. A detecção e classificação em tempo real de distúrbios são de grande importância para os sistemas de energia. Este artigo propõe o modelo fuzzy evolutivo Takagi-Sugeno (eTS) para a detecção de distúrbios combinado com um método híbrido de seleção de características utilizando o filtro Hodrick-Prescott e a Transformada Rápida de Fourier aplicados sobre uma janela deslizante de sinais de tensão. Os distúrbios spike, notch, inter-harmônico, interrupção curta e harmônico foram considerados. O desempenho de classificação em termos da raiz quadrada do erro quadrático médio (RMSE) e do índice de erro não dimensional (NDEI) mostrou resultados encorajadores. Além disso, o sistema de monitoramento de distúrbios eTS proposto, baseado em fluxo de dados, mostrou ser capaz de aprender novos padrões de distúrbios automaticamente pela adaptação on-line dos parâmetros e estrutura das regras fuzzy.</em></p><p> </p><p><em>Abstract</em></p><p><em>Power quality disturbances lead to several drawbacks such as an increase in line and equipment voltage and consequent ohmic losses; limitation of the production capacity; higher operating temperatures, premature fails, and reduction of life expectancy of machines; malfunction of equipment; and unplanned outages. Real-time detection and classification of disturbances are of great importance for power systems. This paper proposes an evolving Takagi-Sugeno fuzzy model (eTS) framework for disturbance detection combined with a hybrid Hodrick-Prescott and Fast Fourier Transform feature selection method applied over a sliding window of voltage signals. The spike, notch, inter-harmonic, short interruption and harmonic disturbances were considered. Classification performance in terms of the root mean squared error (RMSE) and non-dimensional error index (NDEI) have shown encouraging results. Moreover, the proposed data stream-based eTS disturbance monitoring system has shown to be able to learn new disturbance patterns automatically by online adapting the parameters and structure of fuzzy rules.</em></p>