Clasificadores inteligentes para determinar la afectación a la calidad de la energía eléctrica

Víctor Manuel Garrido Arévalo; Jorge Luis Díaz Rodríguez; Aldo Pardo García

doi:10.24054/rcta.v1i23.1880

Authors

Víctor Manuel Garrido Arévalo Universidad de Pamplona
Jorge Luis Díaz Rodríguez Universidad de Pamplona
Aldo Pardo García Universidad de Pamplona

DOI:

https://doi.org/10.24054/rcta.v1i23.1880

Keywords:

Calidad de la energía, armónicos, sags, swell, wavelet, RNA, SVM

Abstract

En el presente trabajo se presenta el modelado matemático y la simulación de algunos de los fenómenos que afectan la calidad de la energía, para posteriormente aplicárseles la Transformada Discreta de Wavelet y así obtener la distribución de energía de los 10 primeros coeficientes de detalle de tal forma que al hacer un procesamiento de estos datos se obtengan patrones característicos de cada señal. Con estos patrones entrenan varios clasificadores inteligentes y poder determinar cuál de estos presenta mejor resultados en cuanto a la predicción de la clase a la que pertenece cada uno de los patrones mencionados. Por otra parte, teniendo calculadas las distribuciones de energía de los coeficientes de detalle se procede a la formulación de un indicador general de calidad de la energía y compararlo con los índices existentes.

Downloads

Download data is not yet available.

References

Ajith, A. y Baikunth, N. (2004). "Artificial neural networks for intelligent real-time power quality monitoring system". Vol. 56, No. 6.

Calvas, R. (2001). Cuaderno Técnico No. 141: Las perturbaciones eléctricas en BT. Schneider Electric, enero.

Collombet, C. et al. (2001). Cuaderno Técnico No. 152: Los armónicos en las redes perturbadas y su tratamiento. Schneider Electric, enero.

Díaz R., J. L.; Pabón, L. D. y Torres, I. (2012). Análisis comparativo de la distorsión armónica en inversores de potencia. Revista Colombiana de Tecnologías de Avanzada, Vol. 1, No. 19.

Echavarría, R. (2002). Síntesis de un regulador monofásico de tomas de CA para aplicaciones de media y baja tensión. Tesis Doctoral. Centro Nacional de Investigación y Desarrollo Tecnológico, México.

Elango, M. K., et al. (2010). "Application of Neural Networks for Power Quality Disturbance Classification Using Hilbert Huang Transform". European Journal of Scientific Research, Vol. 47, No. 3, pp. 442-454.

García, E. (2008). Valoración de la Calidad de la Energía Eléctrica Respecto a Huecos de Tensión: Índices y Niveles de Calidad. Tesis Doctoral. Universidad Politécnica de Valencia. España.

Jiménez, L. (2010). “Al Interior de una máquina de soporte vectorial”. Revista de Ciencias, Universidad del Valle, Cali, Octubre.

Machado, R. N. M., Bezerra, U. H., Tostes, S. C. F., Freire, M. E. L y Meneses, L. A. (2012). Application of Wavelet Transform and Artificial Neural Network to Extract Power Quality Information from Voltage Oscillographic Signals in Electric Power Systems, Advances in Wavelet Theory and Their Applications in Engineering, Physics and Technology, Ed. InTech.

Martínez, C., Díaz R., J. L. y Pardo G., A (2012). Aplicación de redes neuronales al control de velocidad en motores de corriente alterna. Revista Colombiana de Tecnologías de Avanzada. Vol. 2, No. 20.

Navarrete M., M. y Andrade M., S. (2006). "Análisis y Tratamiento de la Señal Electrocardiográfica Para la Detección de Parámetros de Normalidad Bajo la Plataforma Labview “Adpan-Ecg” Universidad Pontifica Bolivariana, Bucaramanga, julio.

Pajares, G. (2011). Aprendizaje Automático. Ediciones de la U., Colombia.

Resende, J. W. (2001). “Identification of power quality disturbances using the MATLAB® Wavelet Transform Toolbox”. Presentado en International Conference on Power Systems Transients (IPST), Rio de Janeiro, Brasil, Junio pp. 24-28.

Santafé, P.; Díaz R., J. L. y Gualdron, O. (2013). LSSVM aplicada en la estimación de la resistencia de rotor en motor de inducción jaula de ardilla. Revista Colombiana de Tecnologías de Avanzada, Vol. 1, No. 21.

Saucedo D. y Texis, J. (2008). Factores que afectan la calidad de la energía y su solución. Tesis de Maestría. Escuela Superior de Ingeniería Mecánica y Eléctrica. México, D.F.

Suárez, J. A. (2005). "Análisis de la distorsión armónica y los efectos de atenuación y diversidad en áreas residenciales". IEEE Latin America Transactions, Vol. 3, No. 5, Dic.

Tovar, D. A. (2009). "Wavelet transform and support vector machines for arrhythmia identification". Revista de Investigación Universidad del Quindio, Vol. 19, No. 10. Colombia.

Vega, V. et al. (2006). "Detección e identificación de eventos de la calidad de la Energía eléctrica utilizando la transformada Wavelet discreta y redes neuronales". Revista UIS Ingenierías.

Venkatesh, C. et al. (2008). “Wavelet based modular neural network for power quality disturbance classification”. Presentado en la XXXII National Systems Conference, NSC, Roorkee, Uttarakhand, India.

Wijayakulasooriya, J. V. et al. (2002). "Electric power quality disturbance classification using self-adapting artificial neural networks", Generation, Transmission and Distribution, IEE Proceedings, Vol. 149, No. 1, pp. 98-101, Jan.