Automatic Detection of Power Quality Disturbance Using Convolutional Neural Network Structure with Gated Recurrent Unit
Las perturbaciones en la calidad de la potencia (PQD) son esenciales para los dispositivos que consumen electricidad y cumplen con las tendencias energéticas actuales. Este estudio contiene un marco efectivo de inteligencia artificial (IA) para analizar defectos simples o compuestos en la calidad de la potencia. Se ha diseñado una arquitectura de red neuronal convolucional (CNN), que tiene una salida alimentada por una unidad recurrente con compuertas (GRU), con este propósito. El marco propuesto primero obtiene una matriz utilizando una transformada de Fourier de corto tiempo (STFT) de las señales de PQD. Esta matriz contiene la representación de la señal en los dominios del tiempo y la frecuencia, adecuada para la entrada de la CNN. Las características se extraen automáticamente de estas matrices utilizando la arquitectura propuesta de la CNN sin preprocesamiento. Estas características se clasifican utilizando la GRU. El rendimiento del marco propuesto se prueba utilizando un conjunto de datos que contiene un total de siete defectos simples y compuestos. La cantidad de ruido en estos ejemplos varía entre 20 y 50 dB. El rendimiento del método propuesto es superior a los métodos actuales más avanzados. El método propuesto obtuvo un 98.44% de precisión, un 98.45% de sensibilidad, un 99.74% de especificidad, un 98.45% de precisión, un 98.45% de puntaje F1, un 98.19% de coeficiente de correlación de Matthews y un 93.64% de métrica kappa. Se ha propuesto un nuevo sistema de perturbaciones en la calidad de la potencia (PQD), y su aplicación se ha representado en nuestro estudio. El sistema propuesto podría ser utilizado en la industria y las fábricas.
Fuente:
Revista Virtual Pro
Formatos de contenido:
Otros