English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

In this work, a method of detecting and classifying high impedance faults (HIFs) is developed in energy distribution networks using Higher Order Statistics (HOS) in conjunction with the Artificial Neural Network (RNA) Multilayer Perceptron (MLP). Signals of two types of faults for two cases were obtained from the simulation and modeling in the software ATPDraw. HOS was used to extract the characteristics of the signals and Fisher Discriminant Ratio (FDR) to select the best characteristics generating a reduced set of data that may indicate the separability between the types of fault. At the end, a space was formed for the selection of characteristics for each case, where the distinction of the type of fault is clear, and these data were treated provided to RNA, where satisfactory results were obtained in the classification of the type of fault, proving the efficiency of the proposed method. Resumo: Neste trabalho é desenvolvido um método de detecção e classificação de faltas de alta impedância (FAIs) em redes de distribuição de energia usando Estat́ıstica de Ordem Superior (EOS) em conjunto com uma rede neural artificial (RNA) do tipo Multilayer Perceptron (MLP). Sinais de dois tipos de faltas para dois casos foram obtidos a partir da simulação e modelagem no software ATPDraw. A EOS foi utilizada para extrair as caracteristicas dos sinais e o Discriminante Linear de Fisher (DLF) para selecionar as melhores caracteŕısticas gerando um conjunto reduzido de dados que possa indicar a separabilidade entre os tipos de falta. Ao final foi formado um espaço de seleção de caracteristicas para cada caso, onde a distinção do tipo de falta é ńıtida, sendo estes dados tratados fornecidos a RNA, onde se obteve resultados satisfatórios na classificação do tipo de falta, comprovando a eficiência do método proposto.

Detecção e Classificação de Faltas de Alta Impedância usando Estatística de Ordem Superior e Rede Neural MLP