Esta es un versión antigua publicada el 2014-01-02. Consulte la versión más reciente.

CLASIFICADORES INTELIGENTES PARA DETERMINAR LA AFECTACIÓN A LA CALIDAD DE LA ENERGÍA ELÉCTRICA

Autores/as

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

DOI:

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

Palabras clave:

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

Resumen

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.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Ajith, A. and 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.

: 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 and 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 the 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.

Descargas

Publicado

2022-11-08 — Actualizado el 2014-01-02

Versiones

Cómo citar

Garrido Arévalo, V. M., Díaz Rodríguez, J. L., & Pardo García, A. (2014). CLASIFICADORES INTELIGENTES PARA DETERMINAR LA AFECTACIÓN A LA CALIDAD DE LA ENERGÍA ELÉCTRICA. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), 1(23). https://doi.org/10.24054/rcta.v1i23.1880 (Original work published 8 de noviembre de 2022)

Número

Sección

Artículos

Artículos más leídos del mismo autor/a

1 2 > >>