Sistema automático de detecção e classificação de distúrbios elétricos em qualidade da energia elétrica
Autor(a) principal: | |
---|---|
Data de Publicação: | 2009 |
Outros Autores: | , , , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Sba: Controle & Automação Sociedade Brasileira de Automatica |
Texto Completo: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-17592009000100005 |
Resumo: | Este trabalho apresenta um sistema de detecção e classificação de distúrbios de qualidade da energia elétrica (QEE) que se baseia na decomposição do sinal de tensão em dois novos sinais, referentes à componente fundamental e ao sinal de erro e, em seguida, utiliza Estatísticas de Ordem Superior (EOS) para extrair parâmetros representativos de cada classe para simplificar o algoritmo de detecção e classificação. Como detector é utilizado um algoritmo baseado na teoria de Bayes e para implementar o algoritmo de classificação utilizou-se uma rede neural artificial. O sistema foi testado em simulações para seis classes de distúrbios, apresentando uma eficiência global próxima a 100% para tais distúrbios. Os resultados aqui apresentados são comparados com os resultados de outros sistemas propostos na literatura. |
id |
SBA-2_564d131ab7c7e17ab758696e34eddb93 |
---|---|
oai_identifier_str |
oai:scielo:S0103-17592009000100005 |
network_acronym_str |
SBA-2 |
network_name_str |
Sba: Controle & Automação Sociedade Brasileira de Automatica |
repository_id_str |
|
spelling |
Sistema automático de detecção e classificação de distúrbios elétricos em qualidade da energia elétricaQualidade da Energia ElétricaEstatísticas de Ordem SuperiorRede Neural ArtificialEste trabalho apresenta um sistema de detecção e classificação de distúrbios de qualidade da energia elétrica (QEE) que se baseia na decomposição do sinal de tensão em dois novos sinais, referentes à componente fundamental e ao sinal de erro e, em seguida, utiliza Estatísticas de Ordem Superior (EOS) para extrair parâmetros representativos de cada classe para simplificar o algoritmo de detecção e classificação. Como detector é utilizado um algoritmo baseado na teoria de Bayes e para implementar o algoritmo de classificação utilizou-se uma rede neural artificial. O sistema foi testado em simulações para seis classes de distúrbios, apresentando uma eficiência global próxima a 100% para tais distúrbios. Os resultados aqui apresentados são comparados com os resultados de outros sistemas propostos na literatura.Sociedade Brasileira de Automática2009-03-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-17592009000100005Sba: Controle & Automação Sociedade Brasileira de Automatica v.20 n.1 2009reponame:Sba: Controle & Automação Sociedade Brasileira de Automaticainstname:Sociedade Brasileira de Automática (SBA)instacron:SBA10.1590/S0103-17592009000100005info:eu-repo/semantics/openAccessFerreira,Danton DiegoMarques,Cristiano Augusto GomesCerqueira,Augusto SantiagoDuque,Carlos AugustoRibeiro,Moisés Vidalpor2009-02-27T00:00:00Zoai:scielo:S0103-17592009000100005Revistahttps://www.sba.org.br/revista/PUBhttps://old.scielo.br/oai/scielo-oai.php||revista_sba@fee.unicamp.br1807-03450103-1759opendoar:2009-02-27T00:00Sba: Controle & Automação Sociedade Brasileira de Automatica - Sociedade Brasileira de Automática (SBA)false |
dc.title.none.fl_str_mv |
Sistema automático de detecção e classificação de distúrbios elétricos em qualidade da energia elétrica |
title |
Sistema automático de detecção e classificação de distúrbios elétricos em qualidade da energia elétrica |
spellingShingle |
Sistema automático de detecção e classificação de distúrbios elétricos em qualidade da energia elétrica Ferreira,Danton Diego Qualidade da Energia Elétrica Estatísticas de Ordem Superior Rede Neural Artificial |
title_short |
Sistema automático de detecção e classificação de distúrbios elétricos em qualidade da energia elétrica |
title_full |
Sistema automático de detecção e classificação de distúrbios elétricos em qualidade da energia elétrica |
title_fullStr |
Sistema automático de detecção e classificação de distúrbios elétricos em qualidade da energia elétrica |
title_full_unstemmed |
Sistema automático de detecção e classificação de distúrbios elétricos em qualidade da energia elétrica |
title_sort |
Sistema automático de detecção e classificação de distúrbios elétricos em qualidade da energia elétrica |
author |
Ferreira,Danton Diego |
author_facet |
Ferreira,Danton Diego Marques,Cristiano Augusto Gomes Cerqueira,Augusto Santiago Duque,Carlos Augusto Ribeiro,Moisés Vidal |
author_role |
author |
author2 |
Marques,Cristiano Augusto Gomes Cerqueira,Augusto Santiago Duque,Carlos Augusto Ribeiro,Moisés Vidal |
author2_role |
author author author author |
dc.contributor.author.fl_str_mv |
Ferreira,Danton Diego Marques,Cristiano Augusto Gomes Cerqueira,Augusto Santiago Duque,Carlos Augusto Ribeiro,Moisés Vidal |
dc.subject.por.fl_str_mv |
Qualidade da Energia Elétrica Estatísticas de Ordem Superior Rede Neural Artificial |
topic |
Qualidade da Energia Elétrica Estatísticas de Ordem Superior Rede Neural Artificial |
description |
Este trabalho apresenta um sistema de detecção e classificação de distúrbios de qualidade da energia elétrica (QEE) que se baseia na decomposição do sinal de tensão em dois novos sinais, referentes à componente fundamental e ao sinal de erro e, em seguida, utiliza Estatísticas de Ordem Superior (EOS) para extrair parâmetros representativos de cada classe para simplificar o algoritmo de detecção e classificação. Como detector é utilizado um algoritmo baseado na teoria de Bayes e para implementar o algoritmo de classificação utilizou-se uma rede neural artificial. O sistema foi testado em simulações para seis classes de distúrbios, apresentando uma eficiência global próxima a 100% para tais distúrbios. Os resultados aqui apresentados são comparados com os resultados de outros sistemas propostos na literatura. |
publishDate |
2009 |
dc.date.none.fl_str_mv |
2009-03-01 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-17592009000100005 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-17592009000100005 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
10.1590/S0103-17592009000100005 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
text/html |
dc.publisher.none.fl_str_mv |
Sociedade Brasileira de Automática |
publisher.none.fl_str_mv |
Sociedade Brasileira de Automática |
dc.source.none.fl_str_mv |
Sba: Controle & Automação Sociedade Brasileira de Automatica v.20 n.1 2009 reponame:Sba: Controle & Automação Sociedade Brasileira de Automatica instname:Sociedade Brasileira de Automática (SBA) instacron:SBA |
instname_str |
Sociedade Brasileira de Automática (SBA) |
instacron_str |
SBA |
institution |
SBA |
reponame_str |
Sba: Controle & Automação Sociedade Brasileira de Automatica |
collection |
Sba: Controle & Automação Sociedade Brasileira de Automatica |
repository.name.fl_str_mv |
Sba: Controle & Automação Sociedade Brasileira de Automatica - Sociedade Brasileira de Automática (SBA) |
repository.mail.fl_str_mv |
||revista_sba@fee.unicamp.br |
_version_ |
1754824564844527616 |