EC341E - Course Trajectory so Far

 Draft mais atual do artigo desenvolvido: 
https://drive.google.com/drive/folders/1azb0HVsHtOsUwVkFxM3AQQvwf9iSPRh9?usp=sharing

Trabalho Final - EC341E

Voltage Disturbance Classification for Transmission Grid Using Wavelets and Deep Learning

Power Quality (PQ) is directly associated with the quality of the voltage signal waveform.The classification of PQ issues becomes an important challenge, which uses pattern recognition tools to make a cause and effect relationship of the quality problems. This paper aims to develop a digital signal processing system for voltage signal pattern recognition, to classify voltages disturbances in a transmission grid. For this, Continuous Wavelets Transform (CWT) with filter banks is used to perform the signal feature extraction, through scaloragrams.Thus, obtaining the time-frequency analysis in the 2-D image, a technique based on deep learning is used for classification, it is the Convolutional Neural Network (CNN).The detailed simulation study of power quality disturbances has been carried out in MATLAB/Simulink environment. After generating the signals using the grid model, it was possible to convert the obtained signals into scalograms. CNN's training showed high performance. The proposed system was able to classify the events with great success, in addition to highlighting the efficiency in using advanced signal processing along with deep learning techniques. Using image classification also shows new options for solutions and visualization for power quality events. Finally, a dataset with the codes and programs are available for research community.

Vídeo disponível no Youtube https://youtu.be/P93C_6IPIO8

IEEE Dataport - Database for research sharing

O IEEE DataPort ™ é uma plataforma de dados facilmente acessível que permite aos usuários armazenar, pesquisar, acessar e gerenciar conjuntos de dados padrão ou de acesso aberto até 2 TB em um amplo escopo de tópicos. A plataforma IEEE também facilita a análise de conjuntos de dados, suporta iniciativas de dados abertos e retém dados referenciáveis ​​para pesquisas reproduzíveis.

• Permitir que indivíduos e instituições armazenem indefinidamente e tornem conjuntos de dados facilmente acessíveis a um amplo conjunto de pesquisadores, engenheiros e indústria;
• Permitir que pesquisadores, engenheiros e setor tenham acesso a conjuntos de dados que podem ser analisados ​​para aprimorar a tecnologia;
• Facilite a análise de dados, permitindo o acesso a dados na nuvem da AWS e permitindo o download de conjuntos de dados;
• Oferece suporte a pesquisas reproduzíveis.

Esta Database está sendo utilizada para aquisição de dados para parte da pesquisa desenvolvida  no curso, além de também ser uma ferramenta facilitadora para divulgação científica para disponibilizar códigos e programas (que possam ser divulgados) para comunidade. Parte do projeto desenvolvido, já submetido, foi disponibilizado na plataforma [1].

References

[1] Rafael S. Salles, "Pattern Recognition System for Power Quality Classification in Transmission Grid", IEEE Dataport, 2020. [Online]. Available: http://dx.doi.org/10.21227/1q39-s456. Accessed: Jun. 01, 2020.

Feature Extraction - Continuos Wavelet Transform Filter Bank

Introduction

A transformada de wavelet contínua (CWT) é uma generalização da Transformada de Fourier para Períodos Curtos (STFT) que permite a análise de sinais não estacionários em várias escalas. Semelhante para o STFT, o CWT utiliza uma janela de análise para extrair segmentos de sinal. Ao contrário do STFT, a janela de análise ou wavelet não é apenas traduzido, mas dilatado e contraído, dependendo da escala de atividade em estudo. A dilatação da wavelet aumenta a sensibilidade do CWT a eventos de longo prazo e a contração aumenta sua sensibilidade a eventos de curto prazo.

A CWT mapeia um sinal "x (t)" em um função bivariada "C (a, τ)" que pode ser usada para determinar a similaridade entre "x (t)" e uma wavelet escalada por um dado momento "τ". A correlação é localizada no tempo, é calculada durante um intervalo que começa em t = tau e termina em "t = τ + L", onde "L" é a duração do wavelet. Um gráfico de tempo da correlação entre o sinal e as wavelets escaladas é chamado um escalograma. A expressão matemática para a transformação wavelet contínua é mostrada abaixo. A equação mostra que uma wavelet "Ψ (t)" é deslocada por "τ" é dilatada ou contraída por um fator "a" antes de calcular sua correlação com o sinal "x(t)". A correlação entre o sinal e a wavelet é definida como a integral do seu produto.

Equação 1

A Fig,1 ilustra o processo de construção dos escalogramas.

Fig.1

Filter Banks

Um banco de filtros é um conjunto de filtros que decompõe um sinal em um conjunto de bandas de frequência. Essa decomposição permite examinar ou modificar seletivamente o conteúdo de um sinal dentro as bandas escolhidas para fins de compressão, filtragem ou classificação de sinal. A Transformada CWT pode ser calculadas com eficiência usando bancos de filtros. Além disso, a formulação do banco de filtros faz a aplicação do STFT e CWT na configuração de compressão, filtragem ou classificação de sinal de forma muito natural. Fig. 2 mostra uma esquema de associação dentro de um conjunto de filtros.

Fig. 2

Feature Extraction

Essa aplicação da CWT tem como objetivo retirar características especificas de um determinado sinal. No artigo que está sendo desenvolvido, está sendo utilizado um  banco de filtros para extrari eventos que na faixa de 200 a 1000 Hz. Dessa forma é possível obter as características do sinal na ocorrência do distúrbio de tensão e sem o distúrbio. Dessa forma é possível obter uma informação 2-D através do escalograma de um sinal 1-D. Essa informação será utilizada no junto com ferramentas de classificação. A Fig .3 e Fig .4 mostram exemplos da extração em sinais de tensão, primeiro para energização de um capacitor em um sitema de transmissão, o segundo é uma descargar elétrica provada por um raio no mesmo sitema.

Fig. 4

Fig. 5

 

Conclusion

Utilizar a CWT por banco de filtros é uma estratégia em concordância com a proposta e apresenta resultados satisfatórios. Próximo passo é criar um data set com informações de Imagens (2-D), para alimentar o universo de de discurso da CNN para ferramenta de Deep Learning.

References

[*] HST582J/6.555J/16.456J Biomedical Signal and Image Processing Spring 2005 (CWT)