Automatic identification of power quality events using a machine learning approach
-
Andrés Felipe Valencia Duque [1] ; Andrés Marino Álvarez Meza [2] ; Álvaro Ángel Orozco Gutiérrez [1]
-
[1] Universidad Tecnológica de Pereira
Universidad Tecnológica de Pereira
Colombia
-
[2] Universidad Nacional de Colombia
Universidad Nacional de Colombia
Colombia
-
- Localización: Scientia et Technica, ISSN 0122-1701, Vol. 24, Nº. 2, 2019, págs. 183-189
- Idioma: inglés
- Títulos paralelos:
- Identificación automática de perturbaciones en calidad de energía usando aprendizaje de máquina
- Enlaces
-
Resumen
- español
Actualmente, los eventos de calidad de potencia (PQ) se han estudiado dado su importancia para las industrias, en cuanto a la eficiencia y la vida útil de los elementos conectados a los sistemas eléctricos. Si las perturbaciones relacionadas con los eventos de PQ se clasifican (identifican) rápidamente y con una precisión confiable, los costos y las pérdidas generadas se reducirían. En este trabajo presentamos un enfoque basado en aprendizaje de máquina para la identificación automática de eventos PQ. Nuestra propuesta comprende las siguientes etapas:
empleamos un espacio de representación de características basado en parámetros de tiempo y frecuencia. Además, utilizamos una técnica de análisis de relevancia supervisada, llamada Relieff, para resaltar la capacidad discriminante de las características consideradas. Luego, evaluamos el éxito de la clasificación de eventos PQ con diferentes clasificadores agregando diferentes niveles de ruido bajo un esquema de validación cruzada de 10 particiones. En este sentido, se genera una base de datos sintética basada en el estándar IEEE 1159, considerando 3000 señales y diez clases (300 muestras por clase). Los resultados obtenidos muestran un rendimiento de clasificación adecuado con clasificadores simples, cuadrático y k-NN, en comparación con las metodologías más avanzadas del estado del arte.
- English
Nowadays, Power Quality (PQ) events have been studied because they represent an essential aspect for the industries concerning the efficiency and the useful life of the elements connected to electrical systems. If the disturbances related to PQ events are classified (identified) fast and with reliable accuracy, the costs and losses generated would be reduced.
In this paper, we present a machine learning-based approach to identify PQ events. Our proposal comprises the following stages:
we employ a feature representation space based on time and frequency parameters. Besides, we include a supervised relevance analysis technique, called Relieff, to highlight the discriminant capability of the considered features. Then, we evaluate the success of classifying PQ events with different classifiers by adding different levels of noise under a cross-validation scheme. For concrete testing, a synthetic database based on the IEEE 1159 standard is generated, considering 3000 signals and ten classes (300 samples per class). Remarkably, obtained results show a suitable classification performance holding straightforward classifiers, e.g., quadratic and k-NN, in comparison to those stateof-the-art methodologies.
- español
