A Classification Method for Power-Quality Disturbances Using Hilbert–Huang Transform and LSTM Recurrent Neural Networks

Abstract

Las perturbaciones en la calidad de la energía son uno de los principales problemas en un sistema de energía eléctrica, donde se pueden evidenciar desviaciones en las señales de voltaje y corriente. Estos cambios repentinos son causas potenciales de mal funcionamiento y podrían afectar el rendimiento del equipo en diferentes ubicaciones de demanda. Por esta razón, una estrategia de clasificación es esencial para proporcionar información relevante relacionada con la ocurrencia de la perturbación. Sin embargo, los métodos tradicionales de extracción y detección de datos no han logrado llevar a cabo el proceso de clasificación con el rendimiento requerido, en términos de precisión y eficiencia, debido a la presencia de una dinámica no estacionaria y no lineal, específica de estas señales. Este artículo propone un enfoque híbrido que involucra la implementación de la Transformada de Hilbert-Huang (HHT) y la memoria a corto plazo largo (LSTM), redes neuronales recurrentes (RNN) para detectar y clasificar las alteraciones de la calidad de la energía. Se reprodujeron y preprocesaron nueve tipos de señales sintéticas teniendo en cuenta los modelos matemáticos y sus especificaciones establecidas en el estándar IEEE 1159. Para eliminar la presencia de mezcla de modos, se implementaron los métodos de descomposición empírica por conjuntos (EEMD) y señal de enmascaramiento. Adicionalmente, en base a los exitosos beneficios de los LSTM RNN reportados en la literatura, asociados a las altas tasas de precisión logradas en el aprendizaje de dependencias a largo y corto plazo, se implementa esta clasificación técnica para analizar las secuencias obtenidas del HHT. Con base en los resultados experimentales, es posible demostrar que el enfoque de reconocimiento de conjuntos que utiliza el EEMD produce una mejor tasa de precisión de clasificación (98,85%) en comparación con la señal de enmascaramiento y el enfoque HHT tradicional.

Power quality disturbances are one of the main problems in an electric power system, where deviations in the voltage and current signals can be evidenced. These sudden changes are potential causes of malfunctions and could affect equipment performance at different demand locations. For this reason, a classification strategy is essential to provide relevant information related to the occurrence of the disturbance. Nevertheless, traditional data extraction and detection methods have failed to carry out the classification process with the performance required, in terms of accuracy and efficiency, due to the presence of a non-stationary and non-linear dynamics, specific of these signals. This paper proposes a hybrid approach that involves the implementation of the Hilbert–Huang Transform (HHT) and long short-term memory (LSTM), recurrent neural networks (RNN) to detect and classify power quality disturbances. Nine types of synthetic signals were reproduced and pre-processed taking into account the mathematical models and their specifications established in the IEEE 1159 standard. In order to eliminate the presence of mode mixing, the ensemble empirical decomposition (EEMD) and masking signal methods were implemented. Additionally, based on the successful benefits of LSTM RNNs reported in the literature, associated to the high accuracy rates achieved at learning long short-term dependencies, this classification technique is implemented to analyze the sequences obtained from the HHT. Based on the experimental results, it is possible to show that the ensemble recognition approach using the EEMD yields a better classification accuracy rate (98.85%) compared with the masking signal and the traditional HHT approach.