
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.creator | Lucas, Fabricio | - |
| Autor(es): dc.creator | Costa, Pyramo | - |
| Autor(es): dc.creator | Batalha, Rose | - |
| Autor(es): dc.creator | Leite, Daniel | - |
| Autor(es): dc.creator | Škrjanc, Igor | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:50:54Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:50:54Z | - |
| Data de envio: dc.date.issued | 2020-08-13 | - |
| Data de envio: dc.date.issued | 2020-08-13 | - |
| Data de envio: dc.date.issued | 2020-01 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/42413 | - |
| Fonte completa do material: dc.identifier | https://doi.org/10.1007/s12530-020-09328-3 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1148773 | - |
| Descrição: dc.description | Online monitoring systems have been developed for real-time detection of high impedance faults in power distribution networks. Sources of distributed generation are usually ignored in the analyses. Distributed generation imposes great challenges to monitoring systems. This paper proposes a wavelet transform-based feature-extraction method combined with evolving neural networks to detect and locate high impedance faults in time-varying distributed generation systems. Empirically validated IEEE models, simulated in the ATPDraw and Matlab environments, were used to generate data streams containing faulty and normal occurrences. The energy of detail coefficients obtained from different wavelet families such as Symlet, Daubechies, and Biorthogonal are evaluated as feature extraction method. The proposed evolving neural network approach is particularly supplied with a recursive algorithm for learning from online data stream. Online learning allows the neural models to capture novelties and, therefore, deal with nonstationary behavior. This is a unique characteristic of this type of neural network, which differentiate it from other types of neural models. Comparative results considering feed-forward, radial-basis, and recurrent neural networks as well as the proposed hybrid wavelet-evolving neural network approach are shown. The proposed approach has provided encouraging results in terms of accuracy and robustness to changing environment using the energy of detail coefficients of a Symlet-2 wavelet. Robustness to the effect of distributed generation and to transient events is achieved through the ability of the neural model to update parameters, number of hidden neurons, and connection weights recursively. New conditions could be captured on the fly, during the online operation of the system. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Springer Nature | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | Evolving Systems | - |
| Palavras-chave: dc.subject | Evolving neural network | - |
| Palavras-chave: dc.subject | Fault detection | - |
| Palavras-chave: dc.subject | Smart grid | - |
| Palavras-chave: dc.subject | Distributed generation | - |
| Palavras-chave: dc.subject | Wavelet transform | - |
| Palavras-chave: dc.subject | Evolução em redes neurais artificiais | - |
| Palavras-chave: dc.subject | Detecção de falhas | - |
| Palavras-chave: dc.subject | Geração distribuída | - |
| Palavras-chave: dc.subject | Transformada Wavelet | - |
| Palavras-chave: dc.subject | Tecnologia de rede inteligente | - |
| Título: dc.title | Fault detection in smart grids with time-varying distributed generation using wavelet energy and evolving neural networks | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: