Extração de Características com Transformada Wavelet Contínua para Classificação de Distúrbios na Qualidade de Energia
DOI:
https://doi.org/10.33837/msj.v8i1.1732Palavras-chave:
Qualidade de energia,, Classificação de distúrbios, Eventos de tensão, Extração de características, Transformada wavelet contínuaResumo
A eficácia da análise wavelet como ferramenta de processamento de sinais para detecção e análise de distúrbios na qualidade de energia está bem estabelecida. Nesse contexto, existem diversos trabalhos que utilizam a transformada rápida de wavelet para a construção de vetores de características a serem usados na análise da qualidade de energia. Este artigo apresenta um novo método de extração de características baseado em wavelets para classificação de distúrbios na qualidade de energia utilizando a transformada wavelet contínua. Um conjunto de escalas pequenas é utilizado para esse fim, e apenas a energia de cada sinal decomposto é usada para construir o vetor de características. As escalas escolhidas representam a frequência natural e suas harmônicas. O método proposto é aplicado a sinais de eventos de tensão gerados por um modelo matemático frequentemente utilizado na literatura para análise de distúrbios na qualidade de energia. Os resultados de classificação apresentados mostram que é possível obter acurácia próxima a 100% utilizando apenas duas escalas da transformada wavelet contínua. Tais resultados também são comparados com os obtidos em outros estudos que utilizaram a transformada rápida de wavelet. Diversas wavelets foram testadas, e aquelas com um número apropriado de momentos anulados apresentaram melhores resultados. O método proposto também foi testado considerando sinais com ruído, obtendo resultados próximos aos apresentados por sinais puros. A eficácia do método baseado em wavelets proposto foi ainda testada com diferentes classificadores e, de forma geral, obteve-se maior acurácia na classificação
Referências
Abdel-Galil, T. K. A., Kamel, M., Youssef, A. M., El-Saadany, E. F. E., & Salama, M. M. A. (2004). Power quality disturbance classification using the inductive inference approach. IEEE Transactions on Power Delivery, 19(4), 1812–1818.
Abry, P. (1997). Ondelettes et turbulences: multirésolutions, algorithmes de décomposition, invariance d’échelle et signaux de pression. Diderot Multimédia.
Aha, D. W., Kibler, D., & Albert, M. K. (1991). Instance-based learning algorithms. Machine Learning, 6(1), 37–66.
Akmaz, D. (2022). A new signal processing approach for classification of power quality disturbances. Digital Signal Processing, 130, 103701.
Angrisani, L., Daponte, P., & D’Apuzzo. (2001). Wavelet network-based detection and classification of transients. IEEE Transactions on Instrumentation and Measurement, 50(5), 1425–1435.
Barros, J., Diego, R. I., & de Apráiz, M. (2012). Applications of wavelets in electric power quality: Voltage events. Electric Power Systems Research, 88, 130–136.
Bishop, C. M. (1995). Neural networks for pattern recognition. Oxford University Press.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Cai, J., Zhang, K., & Jiang, H. (2023). Power quality disturbance classification based on parallel fusion of CNN and GRU. Energies, 16(10), 4029.
Caicedo, J. E., Agudelo-Martínez, D., Rivas-Trujillo, E., & Meyer, J. (2023). A systematic review of real-time detection and classification of power quality disturbances. Protection and Control of Modern Power Systems, 8, 1–37.
Calderon, A. P. (1964). Intermediate spaces and interpolation: The complex method. Studia Mathematica, 24, 113–190.
Chawda, G. S., Shaik, A. G., Shaik, M., Padmanaban, S., Holm-Nielsen, J. B., Mahela, O. P., & Kaliannan, P. (2020). Comprehensive review on detection and classification of power quality disturbances in utility grid with renewable energy penetration. IEEE Access, 8, 146807–146830.
Cleary, J. G., & Trigg, L. E. (1995). K*: An instance-based learner using an entropic distance measure. In Machine Learning Proceedings 1995 (pp. 108–114). Elsevier.
Daubechies, I. (1988). Orthonormal bases of compactly supported wavelets. Communications on Pure and Applied Mathematics, 41(7), 909–996.
Decanini, J. G., Tonelli-Neto, M. S., Malange, F. C., & Minussi, C. R. (2011). Detection and classification of voltage disturbances using a fuzzy-ARTMAP-wavelet network. Electric Power Systems Research, 81(10), 2057–2065.
Grossmann, A., & Morlet, J. (1984). Decomposition of Hardy functions into square integrable wavelets of constant shape. SIAM Journal on Mathematical Analysis, 15(4), 723–736.
Haykin, S. (1998). Neural networks: A comprehensive foundation (2nd ed.). Prentice Hall.
He, H., & Starzyk, J. A. (2006). A self-organizing learning array system for power quality classification based on wavelet transform. IEEE Transactions on Power Delivery, 21(1), 286–295.
Eristi, H., Uçar, A., & Demir, Y. (2010). Wavelet-based feature extraction and selection for classification of power system disturbances using support vector machines. Electric Power Systems Research, 80(7), 743–752.
Huang, S. J., Hsieh, C. T., & Huang, C. L. (1998). Application of wavelets to classify power system disturbances. Electric Power Systems Research, 47(2), 87–93.
IEEE Standards Association. (2009). IEEE recommended practice for monitoring electric power quality (IEEE Std 1159-2009). IEEE, Inc., NY, USA.
Jiang, J., Wu, H., Zhong, C., Cai, Y., & Song, H. (2024). A novel methodology for microgrid power quality disturbance classification using URPM-CWT and multi-channel feature fusion. IEEE Access, 12, 35597–35611.
Jiang, Z., Wang, Y., Li, Y., & Cao, H. (2024). A new method for recognition and classification of power quality disturbances based on IAST and RF. Electric Power Systems Research, 226, 109939. https://doi.org/10.1016/j.epsr.2024.109939
Khetarpal, P., Nagpal, N., Alhelou, H. H., Siano, P., & Al-Numay, M. (2024). Noisy and non-stationary power quality disturbance classification based on adaptive segmentation empirical wavelet transform and support vector machine. Computers and Electrical Engineering, 118, 109346.
Koski, T., & Noble, J. (2011). Bayesian networks: An introduction. Wiley.
Lin, C. H., & Wang, C. H. (2006). Adaptive wavelet networks for power quality detection and discrimination in a power system. IEEE Transactions on Power Delivery, 21(3), 1106–1113.
Mallat, S. (1989). A theory for multiresolution signal decomposition: The wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(7), 674–693.
Markovska, M., & Taškovski, D. (2018). Efficient feature extraction and classification of power quality disturbances. Journal of Electrical Engineering and Information Technologies, 3(1), 13–20.
Meyer, Y. (1993). Wavelets: Algorithms and applications. Society for Industrial and Applied Mathematics.
Pillay, P., & Bhattacharjee, A. (1996). Application of wavelets to model short-term power system disturbances. IEEE Transactions on Power Systems, 11(4), 2031–2037.
Saini, M. K., & Beniwal, R. K. (2017). Optimum fractionally delayed wavelet design for PQ event detection and classification. International Transactions on Electrical Energy Systems, 1–15.
Salles, R. S., & Ribeiro, P. F. (2023). The use of deep learning and 2-D wavelet scalograms for power quality disturbances classification. Electric Power Systems Research, 214, 108834.
Samanta, I. S., Rout, P. K., Swain, K., Cherukuri, M., & Mishra, S. (2022). Power quality events recognition using enhanced empirical mode decomposition and optimized extreme learning machine. Computers and Electrical Engineering, 100, 107926.
Santoso, S., Powers, E. J., & Grady, W. M. (1994). Electric power quality disturbance detection using wavelet transform analysis. In Proceedings of IEEE-SP International Symposium on Time-Frequency and Time-Scale Analysis.
Santoso, S., Powers, E. J., Grady, W. M., & Hofmann, P. (1996). Power quality assessment via wavelet transform analysis. IEEE Transactions on Power Delivery, 11(2), 924–930.
Sengur, A., Turkoglu, I., & Ince, M. C. (2007). Wavelet packet neural networks for texture classification. Expert Systems with Applications, 32(2), 527–533.
Tse, N. C. F., Zhou, L., & Lai, L. L. (2010). Wavelet-based algorithm for power quality analysis. European Transactions on Electrical Power, 20(7), 952–964.
Uyara, M., Yildirim, S., & Gencoglu, M. (2008). An effective wavelet-based feature extraction method for classification of power quality disturbance signals. Electric Power Systems Research, 78(10), 1747–1755.
Zhang, Y., Zhang, Y., & Zhou, X. (2022). Classification of power quality disturbances using visual attention mechanism and feed-forward neural network. Measurement, 188, 110390.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 1969 Fabrício Ely Gossler, Marco Aparecido Queiroz Duarte
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License. Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
