Reconhecimento de padrões e classificação não supervisionada baseada em sistemas conexionistas evolutivos
DOI:
https://doi.org/10.5020/23180730.2022.10826Resumo
O reconhecimento de padrões é uma área da ciência cujo objetivo é a classificação de objetos em um número de categorias ou classes. Estes objetos podem ser imagens, formas de onda de sinais ou qualquer tipo de medição que necessita ser distinguida. Na área de sistemas elétricos de potência, com foco em qualidade de energia, o reconhecimento de padrões tem sido cada vez mais usado para detectar e classificar distúrbios que ocorrem nos sinais de tensão e corrente. Estes eventos são chamados de distúrbios de qualidade de energia elétrica e causam prejuízos financeiros tanto às concessionárias de energia quanto aos consumidores. Portanto, a detecção e classificação destes distúrbios são de fundamental importância. Este trabalho apresenta o sistema conexionista evolutivo eCF (evolving Classifier Function) para a classificação não supervisionada de distúrbios de qualidade da energia elétrica em sinais de tensão elétrica. Para extração de características indicadoras de presença de distúrbios é considerado um método híbrido composto pelas seguintes técnicas de análise de sinais: filtro Hodrick e Prescott, raiz do valor quadrático médio e transformada rápida de Fourier. Os resultados mostram uma comparação entre o desempenho do eCF e outros classificadores. O modelo eCF obteve acurácia média de 100%.
Downloads
Referências
BALOUJI, E.; SALOR, O. Digital realisation of the IEC flickermeter using root mean square of the voltage waveform. IET Generation, Transmission & Distribution, v. 10, n. 7, p. 1663-1670, 2016.
BARBOSA, E. et al. Aplicação de redes neurais artificiais para o reconhecimento de assinaturas harmônicas de equipamento eletrodomésticos. Revista de Sistemas e Computação-RSC, v. 7, n. 1, 2017.
BEHERA, L.; NAYAK, M. Pattern recognition of power quality events using Fuzzy neural network based rule generation. In: IEEE-International Conference On Advances In Engineering, Science And Management (ICAESM-2012). IEEE, 2012. p. 73-78.
BRAGA, Fabrício Damasceno. Uso de redes neurais de funções de base radial e regressão linear múltipla para a previsão de propriedades mecânicas de vergalhões de aço. 2019.
DE SOUZA, T. A. Aplicação de Máquinas de Vetores de Suporte na Classificação de Microcalcificações de Imagens Mamograficas. Revista Cereus, v. 10, n. 2, 2018.
DUGAN, R. C. et al. Electrical power systems quality. 3. ed. New York: McGraw-Hill. 577 p, 2012.
FERREIRA, D.; DE SEIXAS, M.; CERQUEIRA, A. A method based on independent component analysis for single and multiple power quality disturbance classification. Electric Power Systems Research, v. 119, p. 425-431, 2015.
FERREIRA, D. et al. A direct approach for disturbance detection based on principal curves. In: International Conference on, 16., 2014, Bucharest. Proceedings... Bucharest: IEEE, 2014. p. 747-751.
GARCIA, C. et al. Evolvable fuzzy systems from data streams with missing values: With application to temporal pattern recognition and cryptocurrency prediction. Pattern Recognition Letters, v. 128, p. 278-282, 2019.
GOH, L.; SONG, Q.; KASABOV, N. A novel feature selection method to improve classification of gene expression data. In: Proceedings of the second conference on Asia-Pacific bioinformatics-Volume 29. Australian Computer Society, Inc., 2004. p. 161-166.
HODRICK, R.; PRESCOTT, E. C. Postwar U.S. business cycles: an empirical investigation. Journal of Money, Ohio, v. 29, n. 1, p. 1–16, Feb. 1997.
INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS - IEEE. IEEE recommended practice for monitoring electric power quality. New York: IEEE, 2009. 91 p.
KASABOV, N. Evolving Connectionist Systems, Methods and Applications in Bioinformatics, Brain Study and Intelligent Machines, Verlag Springer, 2002.
KASABOV, N. Evolving connectionist systems: the knowledge engineering approach. Springer Science & Business Media, 2007.
LATHI, B. Linear systems and signals. ISBN 13, 554625343, 2006.
LAZZARETTI, A.; FERREIRA, V.; VIEIRA NETO, H. New trends in power quality event analysis: novelty detection and unsupervised classification. Journal of Control, Automation and Electrical Systems, Amsterdam, v. 27, n. 6, p. 718-727, 2016.
LEITE, D. et al. Fuzzy granular neural network for incremental modeling of nonlinear chaotic systems. In: 2016 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE). IEEE, 2016. p. 64-71.
LIU, H. et al. Complex power quality disturbances classification via curvelet transform and deep learning. Electric Power Systems Research, v. 163, p. 1-9, 2018.
NYQUIST, H. Certain topics in telegraph transmission theory. Proceedings of the IEEE, v. 90, n. 2, p. 280-305, 2002.
PAL, K.; WANG, P. Genetic algorithms for pattern recognition. CRC press, 2017.
SILVA, S. et al. Evolving neuro-fuzzy network for real-time high impedance fault detection and classification. Neural Computing and Applications, p. 1-14, 2018.
ŠKRJANC, I. et al. Evolving fuzzy and neuro-fuzzy approaches in clustering, regression, identification, and classification: A survey. Information Sciences, v. 490, p. 344-368, 2019.
SOARES, E. et al. Evolving Fuzzy Set-based and Cloud-based Unsupervised Classifiers for Spam Detection. IEEE Latin America Transactions, v. 17, n. 09, p. 1449-1457, 2019.
TAN, P.-N. et al. Introduction to data mining. Noida: Pearson Education India, 2006. 165 p.
THEODORIDIS, S.; KOUTROUBAS, K. Feature generation II. Pattern recognition, v. 2, p. 269-320, 1999.
TOMIC, J.; KUSLJEVIC, M.; VUJICIC, V. A new power system digital harmonic analyzer. IEEE Transactions on Power Delivery, New York, v. 22, n. 2, p. 772–780, Apr. 2007.
TOU, T. Classification, Recognition, Utilization. Advanced Particulate Morphology, p. 165, 2018.
ZHU, R. et al. Power Quality Disturbances Classification via Fully-Convolutional Siamese Network and k-Nearest Neighbor. Energies, v. 12, n. 24, p. 4732, 2019.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Revista Tecnologia
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Opiniões expressas nos artigos são de responsabilidade exclusiva dos autores, que, ao permitirem a publicação de seus textos, concordam que a Revista Tecnologia passe a ter o direito de divulgá-los por mídia impressa e eletrônica. A Revista se reserva o direito de efetuar nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da lingua, respeitando, porém o estilo dos autores.
