Pembangunan Satu Kaedah Cekap dalam Pengesanan dan Pengkelasan Gangguan Kualiti Kuasa

Abstract

Pengesanan dan pengkelasan data gangguan kualiti kuasa secara automatik telah menjadi penting terutamanya untuk menangani masalah gangguan pangkalan data yang besar. Kertas kerja ini membentangkan satu kaedah cekap dalam pengesanan dan pengkelasan gangguan kualiti kuasa. Kaedah yang dicadangkan untuk mengesan gangguan adalah berdasarkan penjelmaan anak gelombang diskrit dan pengekodan ramalan lelurus manakala kaedah yang telah dibangunkan untuk mengkelaskan gangguan adalah berdasarkan rangkaian neural tiruan (RNT). Sebelum pelaksaan RNT, isyarat gangguan dikesan terlebih dahulu untuk mendapatkan pekali anak gelombang kuasa dua dan pekali pengekodan ramalan lelurus. Pekali ini mewakili sifat bagi berbagai jenis gangguan dan digunakan sebagai data masukan kepada RNT yang telah dibina. Oleh itu, anak gelombang dan pengekodan ramalan lelurus digunakan sebagai prapemprosesan isyarat gangguan yang kemudiannya disambungkan kepada RNT. Dalam pelaksanan RNT, model rangkaian neural lapisan berbilang dengan algoritma perambatan ke belakang telah dipertimbangkan. Reka bentuk RNT yang telah dibangunkan adalah berbentuk hierarki dan modular supaya RNT yang berasingan dikhaskan untuk mengkelas berbagai jenis gangguan dan juga gangguan dengan kadar persampelan yang berbeza. Keputusan yang diperolehi menunjukkan bahawa kaedah anak gelombang dan pengekodan ramalan lelurus adalah sangat berkesan untuk mengesan gangguan kualiti kuasa dan kaedah RNT pula dapat mengkelaskan dengan jitu gangguan kualiti kuasa seperti lendut voltan, ampul voltan, fana dan takukan. Kata kunci: Kualiti kuasa; anak gelombang; pengekodan ramalan lelurus; rangkaian neural Automated power quality disturbance detection and classification is preferred so as to enable faster and more efficient analysis of a disturbance large database. This paper presents an efficient method to detect and classify some power quality disturbances. The proposed method for detecting the disturbances is based on discrete wavelet transform and linear predictive coding whereas the method for classifying the disturbances is based on artificial neural network (ANN). Prior to the ANN implementation, the disturbance signals are first detected by the discrete wavelet transform and the linear predictive coding techniques to obtain the squared wavelet transform coefficients and the linear predictive coding coefficients. These features represent the various disturbances and serve as inputs to the developed ANNs. Therefore, wavelets and linear predictive coding are employed as a preprocessing stage and is connected to the ANN. In the ANN implementation, the multilayer perceptron neural network model and the backpropagation algorithm are considered. The design of the developed ANNs are hierarchical as well as modular in nature so that separate ANNs are dedicated to classify the various types of disturbances and to handle the disturbances with different sampling rates. The results obtained show that the wavelets and the linear predictive coding methods are effective in detecting power quality disturbances and the ANNs can accurately classify the disturbances such as voltage sag, voltage swell, transients and notching. Key words: Power quality; wavelets; linear predictive coding; neural networks