[Enviado el 17 de abril de 2020]

Descargue el PDF aquí.

Abstracto: Las perturbaciones en la calidad de la energía provocan varios inconvenientes, como la limitación de
la capacidad de producción, el aumento de las corrientes de línea y equipo, y la consiguiente
pérdidas óhmicas; temperaturas de operación más altas, fallas prematuras, reducción de
esperanza de vida de las máquinas, mal funcionamiento de los equipos y cortes no planificados.
La detección en tiempo real y la clasificación de perturbaciones se consideran esenciales para
estándares de la industria. Proponemos una Clasificación Fuzzy Gaussiana Evolutiva (EGFC)
marco para la detección y clasificación de perturbaciones semisupervisadas combinadas
con un híbrido Hodrick-Prescott y Discrete-Fourier-Transform
método de extracción de atributos aplicado sobre una ventana histórica de voltaje
formas de onda Perturbaciones como picos, muescas, armónicos y oscilatorios
Se consideran transitorios. A diferencia de otros sistemas de monitoreo, que
requieren entrenamiento fuera de línea de modelos basados ​​en una cantidad limitada de datos y
ocurrencias, el método EGFC basado en flujo de datos en línea propuesto es capaz de aprender
patrones de perturbación de forma autónoma a partir de flujos de datos interminables mediante la adaptación
los parámetros y la estructura de una base de reglas difusas sobre la marcha. Además, el
modelo borroso obtenido es lingüísticamente interpretable, lo que mejora el modelo
aceptabilidad. Mostramos resultados de clasificación alentadores.