Wyniki wyszukiwania - Biblioteka Nauki

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

1 Przegląd Elektrotechniczny

1 2011

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Amplitude-Frequency Monitoring of Power Quality Transients using Higher-Order Statistics and Self-Organizing Neural Networks

100%

Gonzalez de la Rosa J. J. , Aguera-Perez A. , Palomares-Salas J. C. , Moreno-Munoz A.

Przegląd Elektrotechniczny

2011

tom R. 87, nr 8

128-137

In this paper a smart automatic classification of PQ transients is performed attending to their amplitudes and frequencies, and the extreme of higher-order cumulants. Feature extraction stage is double folded. First, these statistical measurements reveal the hidden geometry for a constant amplitude or frequency, conforming the 2D clustering grace to the third and fourth-order features associated to each signal anomaly, coupled to the 50-Hz power line. Precisely the main contribution of the work is the novel finding that the maxima and the minima of the higher-order cumulants distribute according to curves families, each of which associated to the transient's frequency or amplitude. Given a statistical order, each datum in a curve corresponds to the initial amplitude (or constant frequency), and to a couple of extremes (min-max) associated to the statistical estimator. The random grouping along each curve reveals the a priori hidden geometry, linked to the subjacent electrical phenomenon. Secondly, the regular surface grid in the input space (amplitude-frequency) experiments a transformation to the output space which is developed by the higher-order statistics. Once the geometry in the feature space has been found, we show the computational intelligence modulus, based in Self-Organizing Maps, which performs satisfactory learning along each frequency and amplitude curve. Performance of a four-neuron network with different geometries is shown, confirming the curves' patterns.

W artykule opisano automatyczną metodę klasyfikacji jakości energii w stanach przejściowych z uwzględnieniem amplitudy, częstotliwości i wartości ekstremalnych. W pierwszym etapie przeprowadzane są pomiary statystyczne dla stałej amplitudy i częstotliwości uwzględniające klastry 2D i właściwości trzeciego i czwartego rzędu towarzyszące anomaliom. Następnie uwzględniana jest geometria sieci. Po tym etapie włączany jest moduł sztucznej inteligencji bazujący na sieciach neuronowych.