
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 | Silva, Sergio | - |
| Autor(es): dc.creator | Costa, Pyramo | - |
| Autor(es): dc.creator | Gouvea, Maury | - |
| Autor(es): dc.creator | Lacerda, Alcyr | - |
| Autor(es): dc.creator | Alves, Franciele | - |
| Autor(es): dc.creator | Leite, Daniel | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:51:13Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:51:13Z | - |
| Data de envio: dc.date.issued | 2019-07-22 | - |
| Data de envio: dc.date.issued | 2019-07-22 | - |
| Data de envio: dc.date.issued | 2018-01 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/35509 | - |
| Fonte completa do material: dc.identifier | https://www.sciencedirect.com/science/article/pii/S0378779617303644 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1148889 | - |
| Descrição: dc.description | This paper concerns how to apply an incremental learning algorithm based on data streams to detect high impedance faults in power distribution systems. A feature extraction method, based on a discrete wavelet transform that is combined with an evolving neural network, is used to recognize spatial–temporal patterns of electrical current data. Different wavelet families, such as Haar, Symlet, Daubechie, Coiflet and Biorthogonal, and different decomposition levels, were investigated in order to provide the most discriminative features for fault detection. The use of an evolving neural network was shown to be a quite appropriate approach to fault detection since high impedance faults is a time-varying problem. The performance of the proposed evolving system for detecting and classifying faults was compared with those of well-established computational intelligence methods: multilayer perceptron neural network, probabilistic neural network, and support vector machine. The results showed that the proposed system is efficient and robust to changes. A classification performance in the order of 99% is exhibited by all classifiers in situations where the fault patterns do not significantly change during tests. However, a performance drop of about 13–24% is exhibited by non-evolving classifiers when fault patterns suffer from gradual or abrupt change in their behavior. The evolving system is capable, after incremental learning, of maintaining its detection and classification performance even in such situations. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Elsevier | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | Electric Power Systems Research | - |
| Palavras-chave: dc.subject | Evolving neural network | - |
| Palavras-chave: dc.subject | Pattern recognition | - |
| Palavras-chave: dc.subject | High impedance fault detection | - |
| Palavras-chave: dc.subject | Power distribution system | - |
| Palavras-chave: dc.subject | Wavelet transform | - |
| Palavras-chave: dc.subject | High impedance fault (HIF) | - |
| Título: dc.title | High impedance fault detection in power distribution systems using wavelet transform and evolving neural network | - |
| 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: