No abstract

No abstract

No abstract

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%.

<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>