Show simple item record

dc.creatorPozzebon, Giovani Guarienti
dc.date.accessioned2017-05-25
dc.date.available2017-05-25
dc.date.issued2009-02-10
dc.identifier.citationPOZZEBON, Giovani Guarienti. Wavelet transform and artificial neural networks in power quality signal analysis. 2009. 112 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal de Santa Maria, Santa Maria, 2009.por
dc.identifier.urihttp://repositorio.ufsm.br/handle/1/8463
dc.description.abstractThis work presents a different method for power quality signal classification using the principal components analysis (PCA) associated to the wavelet transform (WT). The standard deviation of the detail coefficients and the average of the approximation coefficients from WT are combined to extract discriminated characteristics from the disturbances. The PCA was used to condense the information of those characteristics, than a smaller group of characteristics uncorrelated were generated. These were processed by a probabilistic neural network (PNN) to accomplish the classifications. In the application of the algorithm, in the first case, seven classes of signals which represent different types of disturbances were classified, they are as follows: voltage sag and interruption, flicker, oscillatory transients, harmonic distortions, notching and normal sine waveform. In the second case were increased four more situations that usually happen in distributed generation systems connected to distribution grids through converters, they are as follows: connection of the distributed generation, connection of local load, normal operation and islanding occurrence. In this case, the voltage on the point of common coupling between GD and grid were measured by simulations and were analyzed by the proposed algorithm. In both cases, the signals were decomposed in nine resolution levels by the wavelet transformed, being represented by detail and approximation coefficients. The application of the WT generated a lot of variations in the coefficients. Therefore, the application of the standard deviation in different resolution levels can quantify the magnitude of the variations. In order to take into account those features originated from low frequency components contained in the signals, was proposed to calculate the average of the approximation coefficients. The standard deviations of the detail coefficients and the average of the approximation coefficients composed the feature vector containing 10 variables for each signal. Before accomplishing the classification these vectors were processed by the principal component analysis algorithm in order to reduce the dimension of the feature vectors that contained correlated variables. Consequently, the processing time of the neural network were reduced to. The principal components, which are uncorrelated, were ordered so that the first few components account for the most variation that all the original variables acted previously. The first three components were chosen. Like this, a new group of variables was generated through the principal components. Thus, the number of variables on the feature vector was reduced to 3 variables. These 3 variables were inserted in a neural network for the classification of the disturbances. The output of the neural network indicates the type of disturbance.eng
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior
dc.formatapplication/pdfpor
dc.languageporpor
dc.publisherUniversidade Federal de Santa Mariapor
dc.rightsAcesso Abertopor
dc.subjectAnálise de componentes principaispor
dc.subjectGeração distribuídapor
dc.subjectQualidade da energia elétricapor
dc.subjectRedes neurais e transformada waveletpor
dc.subjectDistributed generationeng
dc.subjectNeural networkseng
dc.subjectPower qualityeng
dc.subjectPrincipal component analysiseng
dc.subjectWavelet transformeng
dc.titleTranformada wavelet e redes neurais artificiais na análise de sinais relacionados à qualidade da energia elétricapor
dc.title.alternativeWavelet transform and artificial neural networks in power quality signal analysiseng
dc.typeDissertaçãopor
dc.description.resumoEste trabalho apresenta um diferente método para a classificação de distúrbios em sinais elétricos visando analisar a qualidade da energia elétrica (QEE). Para isso, a análise de componentes principais (ACP) e a transformada wavelet (TW) são associadas. O desvio padrão dos coeficientes de detalhes e a média dos coeficientes de aproximação da TW são combinados para extrair características discriminantes dos distúrbios. A ACP é utilizada para condensar a informação dessas características, originando um conjunto menor de características descorrelacionadas. Estas são processadas por uma rede neural probabilística (RNP) para realizar as classificações. Na aplicação do algoritmo, inicialmente, foram utilizadas senóides puras e seis classes de sinais que representam os diferentes tipos de distúrbios: afundamentos e interrupções de tensão, flicker, transitórios oscilatórios, distorções harmônicas e notching. Em seguida, são acrescentadas mais quatro situações ocorridas em sistemas de geração distribuída (GD) conectados em redes de distribuição através de conversores. São elas: conexão da geração distribuída, conexão de carga local, operação normal e ocorrência de ilhamento. Neste caso, os sinais de tensão no ponto de acoplamento comum (PAC) entre a GD e a rede são medidos e analisados pelo algoritmo. Em ambos os casos, os sinais são decompostos em nove níveis de resolução pela transformada wavelet, ficando representados por coeficientes de detalhes e aproximações. A aplicação da transformada wavelet discreta gera muitas variações nos coeficientes. Por isso a aplicação do desvio padrão, nos diferentes níveis de resolução, é capaz de quantificar a magnitude destas variações. Para considerar as características originadas pelas componentes de baixa freqüência contidas nos sinais, propõe-se o uso da média dos coeficientes de aproximação do sinal. Os desvios padrões dos coeficientes de detalhes e a média da aproximação compõem um vetor de características contendo 10 variáveis para cada sinal analisado. Antes de realizar a classificação estes vetores passam por um algoritmo de análise das componentes principais, visando reduzir a dimensão dos vetores de características que continham variáveis correlacionadas e conseqüentemente, reduzir o tempo de processamento da rede neural. As componentes principais, descorrelacionadas, são ordenadas de forma que as primeiras componentes contenham a maior parte das informações das variáveis originais. Dessa forma, as três primeiras componentes são escolhidas, pois elas representam cerca de 90% das informações relacionadas com o sinal em estudo. Assim, um novo conjunto de variáveis é gerado através das componentes principais, reduzindo o número de variáveis contidas no vetor de características de 10 (dez) para 3 (três). Finalmente, estas 3 variáveis são inseridas em uma rede neural para a classificação dos distúrbios de forma que o resultado da rede neural indica o tipo de distúrbio presente no sinal analisado.por
dc.contributor.advisor1Canha, Luciane Neves
dc.contributor.advisor1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4798975Y0por
dc.contributor.advisor-co1Gomes, Natanael Rodrigues
dc.contributor.advisor-co1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4797690H7por
dc.contributor.referee1Ferreira, André Augusto
dc.contributor.referee1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4768311U6por
dc.contributor.referee2Farret, Felix Alberto
dc.contributor.referee2Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4790205D6por
dc.creator.Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4232121Z5por
dc.publisher.countryBRpor
dc.publisher.departmentEngenharia Elétricapor
dc.publisher.initialsUFSMpor
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétricapor
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApor


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record


O Manancial - Repositório Digital da UFSM utiliza a versão 4.1 do software DSpace.
Av. Roraima, 1000. Cidade Universitária "Prof. José Mariano da Rocha Filho".
Bairro Camobi. CEP: 97.105-900. Santa Maria, RS, Brasil.