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)

IEEE 1159-2019 - Recommended Practice for Monitoring Electric Power Quality - Events

Introduction

Esta publicação tem como objetivo destacar algumas definições e características de eventos de qualidade de energia já abordados neste blog. Por meio da norma IEEE 1159-2019, é possível ter uma noção mais acertiva sobre esses eventos, para melhor modelagem e análise desses dos sinais.

Power Quality Phenomena

O termo qualidade de energia refere-se a uma ampla variedade de fenômenos eletromagnéticos que caracterizam a tensão e corrente em um determinado momento e em um determinado local nos sistemas de potência. A crescente aplicação de equipamentos eletrônicos que podem causar distúrbios eletromagnéticos ou que podem ser sensível a esses eventos, aumentou o interesse pela qualidade da energia nos últimos anos. 

Impulsive Transients

Um transitório impulsivo é uma mudança repentina de frequência da condição nominal de tensão, corrente, ou ambos, que é uni-direcional na polaridade (principalmente positiva ou negativa). Transitório impulsivos são normalmente caracterizados por seu valor de pico, aumento e decaimento ou tempo de duração. Esses fenômenos também devem ser descrito pelo seu conteúdo espectral. 

Oscillatory Transient

Um trasitório oscilatório é uma mudança repentina de frequência sem energia na condição de tensão de estado estacionário, corrente, ou ambos, que inclui valores de polaridade positivos e negativos. Um transitório oscilatório consiste em um tensão ou corrente cujo valor instantâneo altera a polaridade rapidamente várias vezes e normalmente se deteriora dentro de um ciclo de frequência fundamental. A oscilação também é conhecida como toque e é descrita por sua magnitude, duração e conteúdo espectral (predominantemente frequência que pode ser usada para determinar o tempo de subida).

Instantaneous, Momentary and Temporary Interruptions

Uma interrupção ocorre quando a tensão de alimentação ou a corrente de carga diminui para menos de 0,1 pu por um período de tempo não superior a 1 min. As interrupções podem ser o resultado de falhas no sistema de potência, falhas em equipamentos de controle. As interrupções são medidas pela sua duração, uma vez que a magnitude da tensão é sempre inferior a 10% do valor nominal. A duração de uma interrupção devido a uma falha no sistema utilitário é determinada por dispositivos de proteção da concessionária e o evento específico que está causando a falha. A duração de uma interrupção devido mau funcionamento do equipamento ou conexões frouxas podem ser irregulares.

Sags or Dips

Uma queda é uma diminuição da tensão eficaz entre 0,1 pu e 0,9 pu por períodos de 0,5 ciclo a 1 min. Os valores típicos estão entre 0,1 pu e 0,9 pu. A terminologia usada para descrever a magnitude de uma queda de tensão é frequentemente confuso. Às vezes, uma “queda de 20%” refere-se a uma queda que resulta em uma tensão de 0,8 pu ou 0,2 pu. O preferido A terminologia ao descrever variações RMS é a tensão retida ou a tensão restante. Portanto, no ausência de orientação, a tensão restante é assumida ao longo desta prática recomendada. Assim como um designação de tensão não especificada é aceita como tensão fase a fase, de modo que uma magnitude de curvatura não especificada referirá a tensão restante.

Swells

Um Swell é um aumento na tensão eficaz acima de 1,1 pu por períodos de 0,5 ciclo a 1 min. Magnitudes típicas estão entre 1,1 pu e 1,2 pu. A magnitude do swell também é descrita por sua tensão restante e, portanto, é maior de 1,0 pu.

Overvoltage and Undervoltage

Variações de longa duração abrangem desvios de  RMS nas frequências de potência por mais de 1 minuto. Uma sobretensão é um aumento da tensão eficaz superior a 1,1 pu por um período superior a 1 min. Valores típicos são de 1,1 pu a 1,2 pu. Uma subtensão é uma diminuição da tensão eficaz abaixo de 0,9 pu por um período superior a 1 min. Valores tipicos estão entre 0,8 pu e 0,9 pu.

Overview

A Fig. 1 é parte de uma tabela retirada da norma IEEE 1159-2019 que caracteriza os principais eventos.

Fig. 1

Reference

[*] 1159-2009 - IEEE Recommended Practice for Monitoring Electric Power Quality

Overvoltages - Performance indicators to Smart Grid

Introduction

O que mais importa para os clientes conectados à futura rede elétrica (smart grid) são as três questões a seguir:

•  O preço pelo uso da rede (tarifa de rede);
•  A confiabilidade;
•  A qualidade da energia.

Para alguns clientes, questões de segurança e ambientais também são importantes e pode-se argumentar que elas também devem ser adicionado a esta lista. Entretanto, assuntos técnicos como proteção contra sobrecarga, segurança, estabilidade do sistema de energia e coordenação do isolamento são apenas questões técnicas internas que não importa diretamente para os usuários da rede.

Overvoltages

Ao conectar a geração renovável, um dos principais problemas de qualidade de energia é o aumento de ocorrência de sobretensões.

A abordagem da capacidade de hospedagem para esse tipo de distúrbio é mostrada na Fig. 1. Nesse caso, o índice de desempenho é a tensão rms mais alta de 10 minutos para qualquer cliente a qualquer momento. Uma gama de índices de desempenho está disponível, mas fazer uma escolha é um dos principais problemas na qualidade da tensão regulamento [1].

Fig. 1

O impacto de diferentes indicadores é ilustrado na Fig. 2 [2]. Quando o valor rms mais alto é usado, a capacidade de hospedagem é igual a 1 MW. Se o valor de 99% for usado, a capacidade de hospedagem aumentará 2,3 MW. Assim, ao permitir que a tensão exceda o limite durante 1% do tempo, mais do que o dobro muita produção pode ser conectada. No entanto, isso ocorre às custas de um risco aumentado de dano ao equipamento do usuário final devido a sobretensões.

Fig. 2

Conclusion

Temos que entender a capacidade de hospedagem para poder gerar os sinais que serão processados no Simulink. O projeto contará com uma parte de sinais gerados com a integração de renováveis. Essas métricas podem orientar a não fugir de uma realidade pré estabelecida.

References

[*] Zavoda, Francisc & Rönnberg, Sarah & Bollen, Math & Meyer, Jan & Langella, Roberto & Djokic, Sasa & Moreno-Munoz, Antonio & Das, Ratan & Zhong, Jin & Ciufo, Philip & Hasler, Jean-Philippe & Lazaroiu, G.C. & Castro, A. & Laughner, Theo & Cuk, Vladimir & Pojanpalo, M. & Stanescu, Carmen & Vagapov, G. & Blanco, A-M & Desmet, Jan. (2018). Power Quality and EMC Issues with Future Electricity Networks. 

[1] 5th CEER Benchmarking Report on the Quality of Electricity Supply, 2011. Council of European

Energy Regulators.

[2] M.H.J. Bollen, F. Hassan, “Integration of distributed generation in the power system,” Wiley

IEEE Press, July 2011.

Paper Proposal - Power Quality Disturbance Classification Using Wavelet Transform and Deep Learning

Introduction

Qualidade de Energia (PQ) está diretamente associado com a qualidade do formado de onda do sinal de tensão. Assim, os principais eventos de qualidade são transitórios, variações na tensão, harmônicos, desequilíbrio de tensão, entre outros. Esses eventos já foram, de forma simplificada, resumidos neste blogs.  

A classificação desses eventos se torna uma desafio importante, que se utiliza de ferramentas de reconhecimento de ondas e padrões para fazer uma relação de causa e efeito dos problemas de qualidade. Com o aumento da complexidade da rede, que passa exigir soluções avançadas para monitoramento e diagnóstico, que são aplicações importantes para operação. O uso de inteligência artificial em conjunto com processamento de sinais é uma excelente alternativa para garantir uma performance óptima.

O trabalho proposto para essa disciplina tem como objetivo de implementar um sistema para monitoramento d diagnóstico de distúrbios da qualidade de energia utilizando Discrete Wavelet Transform (DWT) e Deep Learning. Desse modo, essa publicação vai realizar um apanhado dos princípios desses métodos e quais são os benefícios de utilizar em conjunto.

Pattern Recognition for Power System

A complexidade da rede futura exigirá não apenas processamento de sinal avançado que possa identificar parâmetros específicos, mas também métodos inteligentes para identificar padrões particulares de comportamento. Esse reconhecimento está diretamente relacionado ao design de equipamentos capazes de classificarb objetos em várias categorias ou classes, uma tarefa bastante natural para os seres humanos.Isso ilustra uma das propriedades mais importantes de uma máquina de reconhecimento de padrões: o aprender com exemplos e capacidade de generalização.

Esse reconhecimento de padrões será muito necessário em futuros sistemas de potência devido à variabilidade de sinais elétricos de diversos geradores e cargas, para ajudar o operador do sistema a identificar adequadamente os problemas e controlar o processo de fornecimento de energia da rede. Essa complexidade que é tão destacada vem da inclusão de elementos como geração distribuída e renovável, clientes que consomem e produzem energia (prosumers), redes ativas distribuídas e, por exemplo, novos tipos de cargas e geradores que podem responder a sinais de mercado. Tudo isso está culminando nas Smart Grids, onde o reconhecimento de padrões é uma importante ferramenta de habilitação para operação e controle. Alguns exemplos de aplicações para para sistemas elétricos de potência, além de qualidade de energia, é identificação de falta, identificação de perfil de consumo, proteção, entre outros.

Nas últimas décadas, a PQ tornou-se uma grande preocupação para as concessionárias e consumidores de energia como resultado da desregulamentação, o uso generalizado de cargas sensíveis, dispositivos eletrônicos e a complexidade dos processos industriais [1]. Um bom exemplo de reconhecimento de padrões é a classificação automática de distúrbios na qualidade de energia. 

Em [2], encontra-se um excelente exemplo da literatura, um sistema digital para a detecção e classificação de distúrbios da qualidade de energia baseado na transformada Wavelet com uma máquina de vetores de suporte (VSM) . Seis categorias de distúrbios são consideradas neste artigo: afundamentos de tensão, aumento de tensão, harmônicos, flutuações de tensão, transientes de tensão e  interrupções de curto período.

Deep Learning for Signal Processing

As redes de Deep Learning são usadas para classificação de imagens há muitos anos, mas são ferramentas poderosas para sinais também. Esse tipo de rede pode fazer tudo o que um modelo matemático pode fazer, sem exigir os recursos do sinal que devem ser introduzidos no modelo. A própria rede decide esses recursos durante o treinamento.

Esse método de aprendizado é um subtipo de aprendizado de máquina, no qual um modelo aprende a executar classificação ou regressão diretamente de imagens, texto ou som. Com o aprendizado de máquina ou o processamento tradicional de sinais, você seleciona manualmente os recursos relevantes nos dados. No Deep Learning, o modelo aprende e abstrai as informações relevantes automaticamente conforme os dados passam pela rede. A arquitetura desse método é a mesma de redes neurais, o termo "deep" vem da quantidade de camadas ocultas dessa rede.

Duas das redes mais populares em Deep Learning são:

• Convolutional neural network (CNN, or ConvNet);
• Long short-term memory (LSTM);

Uma CNN é composta por uma camada de entrada, uma camada de saída e várias camadas ocultas no meio. As camadas comuns são de convolução, de ativação ou ReLU, pooling. Essas operações são repetidas em dezenas ou em centenas de camadas, com cada camada aprendendo a detectar diferentes recursos nos dados de entrada.

Um LSTM é um tipo de rede neural recorrente (RNN) que pode aprender dependências de longo prazo entre as etapas da sequência de tempo. Ao contrário de uma CNN, um LSTM pode lembrar o estado da rede entre as previsões. Os componentes principais de uma rede LSTM são uma camada de entrada de sequência e uma camada LSTM. Uma camada de entrada de sequência incorpora dados de séries temporais na rede. Uma camada LSTM aprende dependências de longo prazo entre as etapas de tempo de dados da sequência ao longo do tempo.

Uma CNN é normalmente usada na previsão de sinais e séries temporais quando o sinal de entrada foi convertido em uma “Imagem”, transformando-o de 1D em uma representação 2D. Um LSTM é bom para classificar dados de sequência e de série temporal, quando a previsão ou saída da rede deve

basear-se em uma sequência lembrada de pontos de dados. 

Fig. 1 mostra o fluxo de trabalho do Deep Leearning.

Fig. 1

Wavelet Transform for Pattern Recognition

A transformada Wavelet é amplamente usada como uma técnica de pré-processamento para sinais em sistemas de potência, devido à sua representação no domínio da frequência, do tempo e à natureza dos sinais desse tipo de sistema. ssa tranformada é uma boa opção de técnica de pré-processamento de perturbações no domínio do tempo, pois decompõe o sinal em várias bandas de frequência, preservando o tempo, esta também é uma boa opção de pré-processamento para a classificação de distúrbios na qualidade de energia.

Conclusion

O objetivo dessa publicação era mostrar o contexto que o projeto para o trabalho da disciplina esta inserido. Mostrando os principais aspectos de cada conteúdo que envolve a temática do trabalho.

References

[1] Bollen, M.H. and Gu, I. (2006) Signal Processing of Power Quality Disturbances, 1st edn, Wiley-IEEE Press.

[2] Yu, X. and Wang, K. (2009) Digital system for detection and classification of power quality disturbance. Power and Energy Engineering Conference. APPEEC 2009.

[*] Ribeiro, Paulo & Duque, C.A. & Silveira, P.M. & Cerqueira, Augusto. (2013). Power Systems Signal Processing For Smart Grids. 10.1002/9781118639283. 

Voltages Disturbances - Power System and Signal Processing

Introduction

Essa publicação tem como objetivo dar sequência na investigação dos distúrbios que caracterizam problemas de Qualidade de Energia (PQ), com foco maior nos distúrbios de tensão. Esses tópicos vão servir de base para o trabalho que será realizado nesta disciplina.

Voltage Sags and Voltage Swells 

Os afundamentos de tensão (quedas) são definidos como um sinal de tensão atenuado com uma duração de aproximadamente 0,5 ciclos até 1 min. A magnitude típica é 0,1-0,9 pu. Esse fenômeno é frequentemente associado a curtos-circuitos. No entanto, também pode ser causado por transitórios de chaveamento de cargas como motores grandes. As normas definem o fenômeno de sub-tensão, que é bastante similar, eventos com duração maior que 1 minuto.A magnitude vai depender das condições da falta e a duração está relacionada ao tempo de ação do sistema de proteção da rede.

 É importante enfatizar que os afundamentos são um dos fenômenos mais importantes estudados em qualidade de energia, considerando seus efeitos nocivos em cargas como tecnologia da informação (TI) equipamentos, sistemas de controle eletrônico, máquinas rotativas (principalmente motores de indução), drivers de velocidade, contatores e relés. Fig .1 vai mostrar (a) uma corrente de falta fase-terra e (b) a queda de tensão respectiva desta fase em um sistema de 230 kV. Nesse caso, a propagação de a queda de tensão através de um transformador Dy também é medida em duas fases no sistema de subtransmissão de 69 kV (c).

Fig. 1

Aumentos de tensão são definidos como um aumento do sinal de tensão com uma duração de 0,5 ciclos até 1 minuto,  magnitude típica 1,1-1,8 pu. Esse fenômeno também pode estar associado a curto circuitos. Isso pode causar mau funcionamento ou danos a equipamentos eletrônicos, controladores, computadores e assim por diante. Em sistemas isolados ou fontes de energia (geradores, transformadores) com terra neutra através de alta impedância, normalmente o perfil de tensão trifásico durante um a falha fase-terra apresentará um aumento das tensões em pelo menos duas fases. o magnitude da sobretensão (t> 1 min) ou aumento (0,5 ciclo <t <1 min) depende da nível de aterramento ou na relação entre impedância de sequência zero e  impedância de sequência positiva (Z0 = Z1). Fig. 2 ilustra a diferença entre os dois fenômenos.

Fig. 2

Conclusion

Esses fenômenos, juntos com os apresentados anteriormente, tratam de alguns dos principais problemas de qualidade de energia realcionados a tensão. Com isso, a idéia principal é simular esses eventos para que possamos caracterizar cada um deles, por meio da ferramenta de processamento de sinais, Wavelets, com finalidade de realizar uma aplicação para reconhecimento de padrão desses eventos na rede.

Referências

[*] Ribeiro, Paulo & Duque, C.A. & Silveira, P.M. & Cerqueira, Augusto. (2013). Power Systems Signal Processing For Smart Grids. 10.1002/9781118639283. 

Dynamic Overvoltage - MATLAB/Simulink

Introduction

Como continuação da publicação anterior, foi realizado uma série de simulações no Simulink, com finalidade de adquirir sinais de tensão e corrente com os eventos descritos anteriormente. Assim, esses sinais foram utilizados para localização e caracterização desses transitórios por meio da DWT.

Power System

A modelagem buscou utilizar elementos tradicionais de um sistema de potência integrado, com geração, transmissão e distribuição. O processo de criação foi baseado em um sistema exemplo [1]. O sistema tem uma fonte principal d 30.000 MVA/735 kV. A cada 300 km  de linhas de transmissão tem um alimentador para "subestações", representadas  por transformadores 735/230 kV e alimentam cargas d 200-400 MW. Antes da primeira linha de transmissão, tem um capacitor de 500 Mvar. Também foi modelado um bloco para simular um raio, a fim de provocar o fenômeno "Lightning Surge". Fig. 1 mostra o modelo no Simulink.

Fig. 1

Switching Bank of Capacitors

Nessa etapa, foi feita a energização do banco de capacitores em 0.15 segundos de simulação, com o sistema todo integrado. Fig.2 e Fig. 3 mostram as oscilografias de tensão e corrente em B2.

Fig. 2

Fig. 3

Em seguida, foi utlizado a DWT para identificar esse evento transitório, analizando o sinal da fase A. Fig.4 e Fig. 5 mostra os gráficos de decomposição do sinal pela DWT.

                     

Fig. 4

Fig. 5

Switching Surge

Nessa etapa, foi realizada a abertura do disjuntor da primeira subestação, realizando assim a liberação da carga de 600 MW. Fig. 6 e Fig. 7 mostram as oscilografias de tesão e corrente em B2. 

Fig. 6

Fig. 7

Também foi realizado a análise a partir da DWT nos sinais da fase A. Fig. 8 e Fig. 9 ilustram a análise da DWT nos sinais.

Fig. 8

Fig. 9

Lightning Surge

Esse evento, foi uma tentativa de reproduzir um transitório provocado por um raio entre o transformador da primeira subestação e a carga.  O bloco utilizado para isso foi adaptado de [2], e gerou uma descarga impulsiva de alguns micro-segundos no valor de 400 kV em 0.3 s de simulação. Fig. 10 e Fig.11 mostram as oscilografias de tensão e corrente.

Fig. 10

Fig. 11

Seguindo as etapas anteriores, Fig. 12 e Fig. 13 mostram as análises a partir da DWT.

Fig. 12

Fig. 13

A Fig. 14 mostra a variação de tensão da descarga elétrica do raio.

Fig. 14

Conclusion

Os eventos foram bem executados, o objetivo de usar Wavelets nesse contexto, é conseguir visualizar as componentes indicando o transitório. Isso permite que avancemos para o próximo passo, que seria utilizar algoritmos de reconhecimento associado ao processamento desses sinais para possívelmente classificar esses eventos.

References

[1] Web: https://www.mathworks.com/help/physmod/sps/examples/three-phase-series-compensated-network.html

[2] Rodney Tan (2020). Impulsive Transient Caused By Lightning (https://www.mathworks.com/matlabcentral/fileexchange/51934-impulsive-transient-caused-by-lightning), MATLAB Central File Exchange. Retrieved April 2, 2020.

Dynamic Overvoltage - Power System and Signal Process

Introduction

Um aspecto fundamental do processamento de sinais em sistemas de potência é determinar quais parâmetros devem ser ser medidos e com qual precisão, assim como os métodos que fornecem melhor caracterização e análise dos sinais a serem investigados.

O estudo e aplicação de técnicas de processamento de sinal digital para controle, proteção, supervisão e monitoramento para Smart Grids requer uma compreensão do sistema elétrico e o comportamento em situações normais e anormais. Assim, é necessário entender os fenômenos que alteram a forma senoidal dos sinais de tensão e corrente.

Nesta publicação, vai ser caracterizado alguns eventos que promovem alterações nos sinais de medição de tensão. O livro base da disciplina [1] é a principal referência. O objetivo é criar uma base teórica para os próximos passos com a simulação.

Sustained Overvoltage

Sobretensão sustentada (Sustained Overvoltage) significa um aumento da tensão de uma frequência usual (50–60 Hz) acima dos valores nominais. Essa sobretensão pode aparecer em diferentes regiões do sistema de potência como uma saída de gerador ou um terminal de carga. Em geral, o excesso te potência reativa no sistemas é a principal causa.

Essa sobretensão continuada pode ter efeitos danosos sobre equipamentos, como transformadores. Fig. 1 ilustra o tipo de sinal desse problema.

Fig. 1

Lightning Surge

O raio pode ser uma fonte de picos significativos de tensão. Pode bater em qualquer lugar de um sistema e afeta o equipamento e as cargas conectadas. Isto é verdade tanto para alta tensão (HV) e baixa tensão (LV). São discargas elétricas que podem chegar entre 20 a 200 kA. 

Quando essas correntes altas são descarregadas através da estrutura de aterramento do sistema, eles podem causar surtos significativos de tensão. Um surto de raio ter duração de milissegundos. Quando esses transitórios chegam em equipamentos de uma subestação através de seus terminais, o surto pode danificar o isolamento e iniciar o processo de curto-circuito. Fig. 2 mostra um sinal com evento de surto devido a raios.

Fig.2

Swichting Surge

A comutação em sistemas de potência (operações de fechamento e abertura), podem causar oscilações de comutação em sistemas de alta tensão e seus circuitos de controle auxiliares. O surto de comutação ocorre de muitas formas diferentes e tem muitas fontes diferentes. Normalmente, eles estão associados a uma alteração no estado operacional do sistema, o que significa uma comutação envolvendo energia aprisionada e sua liberação. Fig. 3 mostra o processo de energização de uma linha de transmissão.

Fig. 3

 Switching Bank of Capacitors

É prática comum instalar um capacitor de derivação para melhorar o fator de potência e o perfil de tensão em todos os níveis de tensão de um sistema de potência. Estes bancos de capacitores de derivação podem ser conectados e desconectados como parte da operação. As operações de comutação incluem energização, desenergização, eliminação de falhas, religamento e energização de um banco de capacitores quando outro banco já está em operação (back-to-back switching). Fig. 4 mostra um sinal proveniente da energização de um banco de capacitores.

Fig. 4

Conclusion

Uma contextualização sobre os eventos de sobretensão foi levantada. Assim, o próximo passo é analisar sinais provenientes de simulação no ambiente Simulink por meio do uso da ferramenta Wavelets Toolbox.

Referências

[1] Ribeiro, Paulo & Duque, C.A. & Silveira, P.M. & Cerqueira, Augusto. (2013). Power Systems Signal Processing For Smart Grids. 10.1002/9781118639283. 

Localize Transients with Wavelets

Eventos transitórios em dados de séries temporais costumam ser um dos eventos mais informativos. Estes eventos podem indicar uma mudança abrupta no mecanismo de geração de dados, que você deseja detectar e localizar a tempo. Exemplos incluem falhas em máquinas, problemas com sensores, "choques" financeiros em séries temporais econômicas, e para nossa área de estudo pode significar um distúrbio elétrico.

Para essa atividade, foi escolhido um "sinal exemplo" da documentação do MATLAB que simula eventos transitórios. Por meio da Wavelet Toolbox, utilizando as ferramentas de análise pela Transformada Wavelet Contínua (CWT) e Transformada Wavelet Discreta (DWT), o objetivo é localizar os eventos.

Localizar, identificar e classificar eventos transitórios, são etapas importantes no monitoramento e controle em sistemas de potência. Utilizando processamento de sinais, é possível aplicar diversas metodologias para melhorar a confiabilidade do sistema para esse tipo de medição.

Para construção do sinal, foram utilizados os seguintes comandos:

rng default;
dt = 0.001;    % passo-variação do tempo
t = 0:dt:1.5-dt;  % vetor de tempo
addNoise = 0.025*randn(size(t)); % sinal ruídoso
x = cos(2*pi*150*t).*(t>=0.1 & t<0.5)+sin(2*pi*200*t).*(t>0.7 & t <= 1.2); % sinal
x = x+addNoise; % sinal completo
x([222 800]) = x([222 800 ])+[-2 2]; % definindo os eventos

Para plotar: 

figure;
plot(t.*1000,x);
xlabel('Milliseconds'); ylabel('Amplitude');

Fig.1 ilustra o sinal que será análisado.

Fig.1

Próximo passo foi importar o sinal para realizar a análise e localizar esses eventos por meio das ferramentas CWT e DWT. Para a primeira, na opção "Continuous Wavelet 1-D" foram utilizados os seguintes parâmetros mostrados na Fig.2.

Fig.2

Assim, foi possível realizar a análise do sinal, e através do escalograma e da curvas de coeficientes geradas, foi possível localizar os eventos. Fig.3 mostra o resultado.

Fig.3

Para utilizar a DWT, na opção "Wavelet 1-D" foram utilizados os seguintes parâmetros mostrados na Fig.4.

Fig.4

Os resultados permitiram localizar os eventos transitórios, fica nítido na aproximação de nível 4, onde eles se encontram no sinal. Também é possível perceber algumas coisas em outras componentes de frequência. Fig, 5 mostra esse resultado.

Fig.5

Os dois métodos se mostram eficientes para localização de transitórios, com a pssíbilidade de implementar códigos que realizam esse processo associando com algoritmos de busca/classificação/identificação, pode se tornar um aliado nos diagnósticos em medições de sistemas de potência, principalmente em smart grids. A ferramenta Wavelets já é amplamente aplicada no segmento, será de grande importância para nossos projetos.

Referências

*User guide Toolbox Wavelets MATLAB 4

Household Comsumption - Measurements Analysis with DWT

Introdução

Para início das investigações utilizando a toolbox de Wavelets do Matlab, foram procuradas bases de dados com sinais de diversas naturezas e aplicações, de preferência sinais reais. Nesta publicação, será compartilhado a análise de sinais provenientes de medidas relacionadas ao Consumo de Energia de uma casa familiar, estes sinais foram recolhidos em [1]. 

Esse dataset  apresenta medições do consumo de energia elétrica em uma casa com uma taxa de amostragem de um minuto durante um período de quase quatro anos. Diferentes quantidades elétricas e alguns valores de sub medição estão disponíveis. 

Para esta análise optou-se por um intervalo especifico dentro do espaço amostral. Foram utilizadas amostras do dia 16/12/2006 - 17:24 até 17/12/2006 - 23:59, tendo em vista que as amostras estão datadas e com seus devidos horários minuto a minuto. Foram escolhias as seguintes variáveis: Potência Ativa; Potência Reativa; Tensão; Corrente.

Dentro da toolbox foi utilizada ferramenta que realiza a análise através da Transformada Wavelets Discreta. O objetivo principal é retirar os ruídos dessas medições, afim de observar o perfil que essas variáveis apresentam no sistema.

Desenvolvimento

Na análise numérica e na análise de funções, uma Transformada Wavelet Discreta (DWT) é qualquer transformação wavelet para qual são amostradas de forma. Assim como ocorre com outras transformações wavelets, uma das principais vantagens sobre as transformadas de Fourier é a resolução temporal: captura as informações de frequência/escala e localização no tempo. Maior detalhamento de como funciona essa tranformada pode ser studado em [2].

Dentro os tipos de wavelets, foi utilizada a Meyer, que dentro da toolbox é a opção "dmey". Uma noção importante é quantos níveis de decomposição vai ser utilizado para chegar a um coeficiente do sinal que seja o esperado, decompondo as diferentes frequências. A Fig. 1 mostra o a característica do tipo Meyer. 

                                

                                                                     Fig.1

Como foi dito anteriormente, alguns sinais de medição são objetos desta análise. O objetivo principal, é identificar as impurezas de alta frequência para que seja realizado uma análise mais detalhada atravé dos coeficientes deste sinal. Fig. 2 até Fig. 5 contém as curvas das medições de corrente, tensão, potência ativa e potência reativa respectivamente.

                                                                      Fig.2

                                                                     Fig.3

                                                                      Fig.4

                                                                      Fig.5

Esses sinais foram importados para serem analisados dentro da toolbox por meio da DWT. Três níveis de decomposição foram o suficiente para ter uma melhor visualização do sinal das componentes de alta frequência. A visualização das figuras a seguir é importante para o melhor entendimento do que se trata o processo da transformada. Nesse sentido, uma melhor análise do sinal permite que o horizonte de discurso seja ampliado, para pensarmos outros aspectos técnicos do sinal e também associação de outras ferramentas. Fig.6 até Fig.9 mostram a decomposição dos sinais na mesma ordem em que foram dispostos anteriormente.

   

                                                                     Fig.6

                                                                    

                                                                      Fig.7

                                                                      Fig.8

                                                                       Fig.9

É possível observar as diferentes componentes do sinal, os detalhes (d) e a aproximação (a), que possivelmente, dentro de uma análise específica, vai caracteriza-lo com melhor precisão. Através das outras componentes pode-se realizar estudos  para descobrir problemas imperceptíveis, por exemplo. É possível exportar por meio da toolbox.

A Fig.10 vai mostra uma sobreposição de um dos sinais originais com o seu respectivo sinal aproximado, para efeitos de visualização do processo. 

                                                                       Fig.10

Conclusão

A proposta era iniciar a utilização da Wavelet Toolbox buscando melhor entendimento da ferramenta para análise de sinais. Como ponto de partida, essa atividade é bem proveitosa para se familiarizar e aplicar com sinais reais o desenvolvimento da disciplina. Em sequência, devemos observar outros tipo de sinais, além de procurar outras utilidades desta ferramenta. Realizando análises desse tipo, principalmente para sinais de medição em sistemas de potência, será possível realizar aplicações como identificação de padrões, transitórios e outros pontos que pode ser segmento de estudo.

É necessário buscar sinais com uma amostragem maior, para ter melhores detalhes, assim sendo possível melhores aplicações a partir do processamento de sinais.

Referências

[1] Web: https://www.kaggle.com/uciml/electric-power-consumption-data-set

[2] Discrete Wavelet Transforms - Theory and Applications, Edited by Juuso Olkkonen p. cm. ISBN 978-953-307-185-5.