Files

Download

Download Full Text (1.7 MB)

Tutor 1

Maximiliano Bueno López

Resumen

Las perturbaciones en calidad de potencia se presentan debido al uso de dispositivos electrónicos, la presencia de rayos eléctricos, malas conexiones a tierra, el cambio de cargas inductivas y descargas electrostáticas causando desviaciones en la forma de onda de voltaje y corriente. Estos cambios abruptos producen fallas y afectan el rendimiento de los equipos ubicados en los diferentes puntos de demanda. Por este motivo, se requiere un método de detección para proporcionar información relevante con respecto a la ocurrencia de la perturbación. Existen muchas dificultades para detectar perturbaciones con los métodos tradicionales de extracción de datos. Estos métodos no han podido realizar el proceso de detección con la eficiencia, velocidad y precisión requeridas para este tipo de trabajo, debido al comportamiento no estacionario y no lineal de estas perturbaciones. En este trabajo se implementa la transformada Hilbert Huang y las redes neuronales recurrentes para detectar y clasificar las perturbaciones que se presentan en calidad de potencia. Se analizaron nueve tipos de señales sintéticas, generadas con base a los parámetros y modelos establecidos en el estándar IEEE 1159. Con el fin de eliminar la presencia de mezcla de modos se implementan los métodos de descomposición empírica conjunta y señal enmascarada. Al comparar los porcentajes de clasificación, se logra determinar que el método de descomposición empírica conjunta presenta el mejor porcentaje de clasificación en comparación a los otros métodos.

Resumen en lengua extranjera 1

Power quality disturbances occur due to the use of electronic devices, the presence of lightning, poor grounding, the switching of inductive loads, and electrostatic discharge causing deviations in voltage and current waveforms. These sudden changes cause failures and affect the equipment performance at different demand points. For this reason, a detection method is required to provide relevant information regarding the occurrence of the disturbance. However, there are many difficulties in detecting disturbances with traditional data extraction methods, these methods have failed to perform the detection process with the efficiency, speed and accuracy required for this type of work due to non-stationary and non-linear behavior. This work implements the Hilbert Huang transform and recurrent neural networks to detect and classify power quality disturbances. Nine types of synthetic signals were analyzed, generated with parameters and models established in the IEEE 1159 standard. In order to eliminate the presence of mode mixing, the ensemble empirical decomposition and masking signal methods were implemented. Comparing the classification percentages, it is possible to show that the ensemble empirical decomposition method yields a better classification percentage compared to the other methods.

Tipo de documento

Trabajo de grado - Pregrado

Licencia Creative Commons

Creative Commons Attribution-Noncommercial-No Derivative Works 4.0 License
This work is licensed under a Creative Commons Attribution-Noncommercial-No Derivative Works 4.0 License.

Fecha de elaboración

2019

Programa académico

Ingeniería Eléctrica

Facultad

Facultad de Ingeniería

Publisher

Universidad de La Salle. Facultad de Ingeniería. Ingeniería Eléctrica

Compartir

COinS