Trudy NGTU im. R.E. AlekseevaTrudy NGTU im. R.E. AlekseevaТруды НГТУ им. Р.Е. Алексеева1816-210XNizhny Novgorod State Technical University n.a. R.E. Alekseev680775XWAMKUCOMPUTER SCIENCE, MANAGEMENT AND SYSTEM ANALYSISИнформатика, управление и системный анализResearch ArticleDynamic model and method of detecting a single-phase voltage dip based on autocorrelation function and neural network autoencoderДинамическая модель и метод обнаружения однофазного провала напряжения на основе автокорреляционной функции и нейросетевого автокодировщикаhttps://orcid.org/0009-0006-1319-6374WangX.ВанС.
Russian Federation
vansiuech@mpei.ruhttps://orcid.org/0000-0002-9341-7475EliseevV. L.ЕлисеевВ. Л.
Russian Federation
vlad-eliseev@mail.ruNational Research University «Moscow Power Engineering Institute»Национальный исследовательский университет «МЭИ»30012025115252705202527052025Copyright ©; 2025, Wang X., Eliseev V.L.Copyright ©; 2025, Ван С., Елисеев В.Л.2025Wang X., Eliseev V.L.Ван С., Елисеев В.Л.https://creativecommons.org/licenses/by/4.0https://journals.eco-vector.com/1816-210X/article/view/680775

The paper deals with the problem of detecting the moment of power quality violation in the alternating current electric network. A new ACF-AE method of power quality control is proposed. This method uses the autocorrelation function of the voltage signal and a neural network autoencoder that recognizes anomalies. The effectiveness of various power quality control methods is compared with the proposed one. The experimental results show that the proposed method can accurately detect the start and end points of a single-phase dip in the voltage signal containing noise and harmonics. Compared with the traditional threshold method based on the root mean square value, the proposed method has better accuracy and reliability.

Рассматривается задача обнаружения момента сбоя качества электрической энергии переменного тока. Предлагается новый метод контроля качества ACF-AE, основанный на использовании автокорреляционной функции сигнала напряжения и нейросетевого автокодировщика, распознающего аномалии. Проводится сравнение эффективности различных методов контроля качества с предложенным. Результаты экспериментов показывают, что предложенный метод позволяет более точно обнаружить начальную и конечную точки однофазного провала в сигнале напряжения, содержащего шум и гармоники. По сравнению с традиционным пороговым методом, основанным на среднеквадратичном значении, предложенный метод имеет очевидные преимущества в точности и надежности.

neural network autoencoderautocorrelation functionpower qualityvoltage dipнейросетевой автокодировщикавтокорреляционная функциякачество электрической энергиипровал напряженияГОСТ 30804.4.30-2017 (IEC 61000-4-30:2015) Электромагнитная совместимость(ЭМС) Часть 4-30. Методы испытаний и измерений. Методы измерений качества электрической энергии. – Москва: Стандартинформ, 2020. – 51 с.IEEE Guide for Voltage Sag Indices // IEEE Std20 June 2014. 1564-2014. Pp.1-59. – doi: 10.1109/IEEESTD.2014.6842577.Chen, S. Evaluation of Power Quality and Reliability of Distributed Generation in Smart Grid / S. Chen, J. Zhang, L.Wang et al. // Earth and Environmental Science. 2021. No 632(4). Pp. 1-6.Ruksana, S. K. Recent Challenges for Power Quality Impacts on Grid Integrated Wind Energy System / S. K, Ruksana, S.K. Singh, A.K. Goswami et al. // A Review. 2018 Second International Conference on Intelligent Computing and Control Systems, 2018.Khetarpal, P. A critical and comprehensive review on power quality disturbance detection and classification / P. Khetarpal, M.M. Tripathi // Sustainable Computing: Informatics and Systems. 2020. 28: 100417.Bollen, M.H.J. Signal processing of power quality disturbances / M.H.J. Bollen, Gu I.Y.H. // John Wiley & Sons, 2006.Семёнов, А.С. Контроль качества электроэнергии и анализ полученных результатов при измерении напряжения / А.С. Семёнов, В.А. Бондарев, С.А. Заголило // Фундаментальные исследования. 2017. № 9 (1). С.86-92.Latran, M.B, A novel wavelet transform based voltage sag/swell detection algorithm / M.B, Latran, A. Teke // International Journal of Electrical Power & Energy Systems. 2015, 71. Рp. 131-139.Mishra, S. Detection and classification of power quality disturbances using S-transform and probabilistic neural network / S. Mishra, C.N. Bhende, B.K. Panigrahi // IEEE Transactions on power delivery, 2007. No 23(1). Рp. 280-287.Nagata, E.A. Voltage sag and swell detection and segmentation based on Independent Component Analysis / E.A. Nagata, D.D. Duque C.A. Ferreira et al. // Electric Power Systems Research. 2018. No 155. Pp.274-280.Ван, Сь. Обнаружение разладки модели динамического объекта с помощью функции корреляции / Ван Сюэчунь, В.Л. Елисеев // XXX международная научно-техническая конференция студентов и аспирантов «Радиоэлектроника, Электротехника и Энергетика». Тезисы докладов – М: Центр полиграфических услуг «Радуга», 2024. С. 301.Igual. R, Integral mathematical model of power quality disturbances / R. Igual, C. Medrano, F.J. Arcega et al. // 2018 18th International Conference on Harmonics and Quality of Power (ICHQP). IEEE, 2018. Pp.1-6.