Resumen de Detección e identificación de eventos de la calidad de la energía eléctrica utilizando la transformada wavelet discreta y redes neuronales

Valdomiro Vega García, César A. Duarte Gualdrón, Gabriel Ordóñez

• español

  En este artículo se estudia la aplicación de la transformada Wavelet discreta (TWD) y redes neuronales en la detección e identificación de eventos de la calidad de la energía eléctrica. Se estudian algunos patrones basados en la TWD propuestos para la identificación de eventos de baja frecuencia como las fluctuaciones de tensión ("flicker") y los armónicos; y para la identificación de eventos de alta frecuencia como los transitorios tipo impulso y los huecos de tensión. Para la detección e identificación se utiliza la función Wavelet Daubichies4 como función base para la transformación, dadas sus características de respuesta en frecuencia y de localización de información en el tiempo. Como clasificador de los eventos se utiliza un esquema basado en redes neuronales (perceptron multicapa) tomando como entrada los patrones de los eventos. Los resultados son satisfactorios (superiores al 80% y 90% de acierto en la mayoría de los eventos) considerando que algunos eventos presentan similitudes en los patrones. Esta estrategia fue integrada en una interfaz gráfica de usuario desarrollada en MatLab® y probada con señales sintéticas las cuales fueron simuladas y almacenadas en una base de datos de perturbaciones.

• English

  This paper deals with the application of Discrete Wavelet Transform (DWT) and Neural Networks in the detection and identification of power quality events. Some patterns based on DWT are used in order to identify low frequency events like flicker and harmonics, and high frequency events like impulsive transient and sags. The Wavelet Function Daubichies4 is used as a base function because of its frequency response and time information localization properties. A scheme based on neural networks (perceptron multilayer) taking event patterns as inputs is used as event classifier. The results are satisfactory (80 and 90 percent of success for the most events) considering that some events present resemblances in their patterns. This strategy was integrated on a MatLab ® Graphical User Interface and tested by using synthetic signals which were simulated and collected in a disturbance database.