Autor: Víctor Manuel Garrido Arévalo

Director: MSc. Jorge Luis Díaz Rodríguez

 

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 y así mismo dichos patrones sean el insumo con el cual entrenar algunos 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 y 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.

Bibliografía

 

[1]        C. VENKATESH, et al. “Wavelet based modular neural network for power quality disturbance classification”. Presentado en la XXXII NATIONAL SYSTEMS CONFERENCE, NSC 2008, Roorkee, Uttarakhand
India.  

 

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

 

[3]        J. V.; Wijayakulasooriya, et al. "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 2002
doi: 10.1049/ip-gtd:20020014

 

[4]        R. N. M. Machado, U. H. Bezerra, M. E. L Tostes, S. C. F. Freire and L. A. Meneses (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, Dr. Dumitru Baleanu (Ed.), ISBN: 978-953-51-0494-0, InTech, DOI: 10.5772/35947. Available from: http://www.intechopen.com/books/advances-in-wavelet-theory-and-their-applications-in-engineering-physics-and-technology/application-of-wavelet-transform-and-artificial-neural-network-to-extract-power-quality-information-  

 

[5]        V. VEGA, et al. (2006). Detección e identificación de eventos de la calidad de la Energía eléctrica utilizando la transformada wavelet discreta y redes neuronales. Uis Ingnenierías [On line]. 5 (9). Disponible en http://revistas.uis.edu.co/index.php/revistauisingenierias/article/view/1772

 

[6] A. Ajith y N. Baikunth. (2004). Artificial neural networks for intelligent real time power quality monitoring system. [On line]. 56 (6), Disponible en: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.18.546&rep=rep1&type=pdf

 

[7]        J.W. Resende.  (2001). “Identification of power quality disturbances using theMATLAB® wavelet transform toolbox”. Presentado en International Conference on Power Systems Transients (IPST). Rio de Janeiro, Brasil. Junio 24-28, 2001. 

 

[8]        D.A. Tovar, Wavelet transform and support vector machines for the arrhythmia identification.  Revista de Investigación Universidad del Quindio. 19 (10). Colombia. 2009

 

[9]        E. García,  “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. 2008

 

[10]      P. Santafé, “LSSVM aplicada en la estimación de la resistencia de rotor en motor de inducción Jaula de Ardilla”. Tesis de Maestría. Universidad de Pamplona, Colombia. 2012

 

[11]      J, Botia, “Redes Neuronales Artificiales de Base Radial como Clasificador Difuso: Una Aplicación en Diagnóstico Médico”. Presentando en el I Congreso Internacional De Instrumentación, Control Y Telecomunicaciones – CIICT. Bucaramanga, Colombia.  2009

 

[12]      D. Saucedo y J. Texis. “Factores que afectan la calidad de la energía y su solución”. Tesis de Maestría. Escuela Superior de Ingeniería Mecánica y Eléctrica. México, D.F, 2008.

 

[13]      Boletín: Problemas de Energía Eléctrica. Prolyt Power Expertise. México. [En línea] [Fecha de consulta: Marzo 23 de 2013] Disponible en:

http://www.prolyt.com/archivosprolyt/bt_problenergia.pdf

 

[14]      R. Echavarría, Rodolfo. “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. 2002

 

[15]      M.F. Romero, Diseño de una metodología para el análisis de sags de tensión en redes de distribución. Universidad Nacional de Colombia. Bogotá 2011. [En línea] [Fecha de consulta: Marzo 23 de 2013] Disponible en:

http://www.bdigital.unal.edu.co/4134/1/298303.2011_pte_1.pdf

 

[16]      Ficha Técnica REA00610 Opciones de solución a problema eléctricos. REASA Power Quality. México. [En línea] [Fecha de consulta: Marzo 23 de 2013] Disponible en:

http://www.reasa.com.mx/pdf/FTREA00610-Opciones-de-solucion-a-problemas-electricos.pdf

 

[17]      J. Cidrás El fenómeno del parpadeo. Universidad de Vigo. Dpto de Ingeniería Eléctrica. [En línea] [Fecha de consulta: Marzo 23 de 2013] Disponible en:

http://webs.uvigo.es/carrillo/publicaciones/Apuntes_Flicker_prot.pdf

 

[18]      J.A. SUÁREZ, Análisis de la distorsión armónica y los efectos de atenuación y diversidad en áreas residenciales. IEEE Latin America Tansactions. Vol. 3 No. 5. Diciembre de 2005,

 

[19]      Niveles de compatibilidad de las perturbaciones  conducidas en BF en redes públicas de alimentación BT. IEC Standart  61000-2-2. 2002

 

[20]      Niveles de emisión de armónicos en instalaciones de MT, AT y EAT. IEC Standart 61000-3-6. 2008

 

[21]      Recommended Practices and Requirements for Harmonic Control in Electrical Power Systems, IEEE Standard 519. 1992

 

[22]      R. Calvas. Cuaderno Técnico No. 141: Las perturbaciones eléctricas en BT. Schneider Electric. Enero de 2001.

 

[23]      Cuaderno Técnico: Calidad de la energía. Catalogo General SOCOMEC 2009 – 2010. España.

 

[24]      R. Wierda., Cuaderno Técnico No. 176: Flicker o parpadeo de las fuentes luminosas. Schneider Electric. Septiembre de 2001.

 

[25]      M. Navarrete Mejía y S. Andrade Mora, Sandra. Análisis y Tratamiento de la Señal Electrocardiográfica Para la Detección de Parámetros de Normalidad Bajo la Plataforma Labview “Adpan-Ecg” Universidad Pontifica Bolivariana – Colciencias. Bucaramanga, julio de 2006. [En línea] [Fecha de consulta: Marzo 18 de 2013] Disponible en:

http://especiales.universia.net.co/dmdocuments/Tesis_Miguel_Ingenieria_Electronica_UPB.pdf

 

[26]      P. Faundez, “Procesamiento Digital de Señales Acústicas Utilizando Wavelets”. Tesis de Maestría. Universidad Austral de Chile. Valdivia, Chile. 2000. [En línea] [Fecha de consulta: Marzo 18 de 2013] Disponible en:

http://person.hst.aau.dk/vhooraz/tesis_Wavelet.pdf

 

[27]      M. Cabrera Goñi y A. Perez de la Hoz, Análisis de señales biomédicas mediante Transformada Wavelet. Universidad Nacional de San Martín. San Martín, Provincia de Buenos Aires, Argentina. [En línea] [Fecha de consulta: Marzp 18 de 2013] Disponible en: http://www.bibliotecacentral.unsam.edu.ar/

 

[28]      D. Cuesta. “Estudio de métodos para procesamiento y agrupación de señales electrocardiográficas”. Tesis doctoral Universidad Politécnica de Valencia. España, Septiembre 2001

 

[29]      J. Martínez. Análisis de la teoría de ondículas orientadas a las aplicaciones en ingeniería eléctrica: fundamentos. España, 2002. Universidad Politécnica de Madrid, ETSI industriales, Departamento de ingeniería eléctrica.

 

[30]      G. Pajares. Aprendizaje Automático. Ediciones de la U. Colombia. 2011. ISBN. 978-958-8675-62-6,

 

[31]      G.  Colmenares. Redes Neuronales. Universidad de Los Andes. Venezuela.[En línea] [Fecha de consulta: Mayo 15 de 2013]Disponible en:

http://www.webdelprofesor.ula.ve/economia/gcolmen/programa/redes_neuronales/capitulo4_funciones_bases_radiales.pdf

 

[32]      Grupo de Computación Evolutiva y Redes Neuronales. Redes de Neuronas de Base Radial, Computación con Inspiración Biológica. Universidad Carlos III de Madrid.

 

[33]      D.S. Badde, Cascade and Feed Forward Back propagation Artificial Neural Network Models for Prediction of Compressive Strength of Ready Mix Concrete. IOSR Journal of Mechanical and Civil Engineering (IOSR-JMCE). ISSN: 2278-1684, PP: 01-06

[En línea] [Fecha de consulta: Julio 02 de 2013]. Disponible en:

http://www.iosrjournals.org/iosr-jmce/papers/sicete(civil)-volume3/26.pdf

 

[34]      V. Riobó, Reconocimiento de localizaciones mediante máquinas de soporte vectorial. Universidad Carlos III de Madrid. [En línea] [Fecha de consulta: Mayo 15 de 2013]. Disponible en:

http://e-archivo.uc3m.es/bitstream/10016/15319/1/PFC_Victor_Riobo_Otero.pdf

 

[35]      L. Jiménez, “Al Interior de una máquina de soporte vectorial”. Revista de Ciencias. Unviersidad del Valle. Cali. Octubre 19 de 2010.

 

[36]      D. Boswell, Introduction to Support Vector Machines.2002

 

[37]      C. Collombet, et al. Cuaderno Técnico No. 152: Los armónicos en las redes perturbadas y su tratamiento. Schneider Electric. Enero de 2001.

 

[38]      Diseño y Entranamiento de Redes Neuronales Artificiales. Teoría. CogNova.