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.