Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ALGORITMOS DE CORRELACIÓN
Algoritmos de Correlación
Características
Tamaño de ventana larga ( >= un medio ciclo de 60
Hz)
Ventana larga – mejor filtro
Mejor respuesta a la frecuencia
Las señales de entrada no requieren ser puramente
senoidal de 60 Hz
respuesta lenta al transitorio
un número considerable de cálculos
Algoritmos de Correlación
Pasos
Determinar un conjunto de funciones ortogonales
Extraer la parte real e imaginaria de las componentes
requeridas para la función dada por correlación.
Estima las componentes de la frecuencia requerida a
partir de la parte real e imaginaria.
Algoritmos de Correlación
Funciones ortogonales
La mayoría de las señales pueden ser expresadas
como la suma de una variedad de conjuntos de
señales mutuamente ortogonales.
Ejemplos
Funciones senoidales , funciones Walsh, Polinomios de
Chebyshev, Funciones exponenciales, Funciones Bessel.
Algoritmos de Correlación
Prueba de ortogonalidad
Dos funciones f(t) y g(t), son ortogonales sobre un
periodo de tiempo T especificado si,
∫
T
f (t ) g (t )dt = 0
t =0
Vp = ( R) 2 + ( I ) 2
Angulo del fasor
tan(θ ) = I / R
Donde
R – la parte real &
I – la parte imaginaria
Calculados en los pasos previos
Algoritmo Trasformada Discreta de Fourier
Ejemplo
Consideraciones
Frecuencia fundamental - 60 Hz
Frecuencia de muestreo - 720 Hz
Muestreo – existen 2 maneras
Iniciar en el instante t = 0 (i.e. sample at 00, 300, 600, …)
– 13 muestras ( Integración de la regla trapezoidal )
Iniciar después de un retardo (muestras a 150, 450, 750,
…)
– 12 muestras (Regla rectangular)
Algoritmo Trasformada Discreta de Fourier
0.5
-0.5
-1
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016
1 Función coseno
0.5
muestreada
0
-0.5
-1
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016
tiempo (s)
Algoritmo Trasformada Discreta de Fourier
0.5
0
0 60 120 180 240 300 360
-2
-4
0 60 120 180 240 300 360
Frecuencia
(Hz)
Algoritmo Trasformada Discreta de Fourier
Respuesta a la frecuencia del filtro coseno (Imaginaria)
HI(Z) = 1.0*Z-11 + 0.866*Z-10 + 0.5*Z-9 + 0.0*Z-8 - 0.5*Z-7 - 0.866*Z-6 -
1.0*Z-5 – 0.866*Z-4 - 0.5*Z-3 + 0.0*Z-2 + 0.5*Z-1 + 0.866*Z0
1.5
Magnitude Response
0.5
0
0 60 120 180 240 300 360
4
Phase Response
2
-2
-4
0 60 120 180 240 300 360
Frequency (Hz)
Algoritmo Trasformada Discreta de Fourier
Input W aveform
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
S am pled W aveform
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Tim e (S ec onds )
Algoritmo Trasformada Discreta de Fourier
Señales de
referencia
Señal de entrada
Señal de entrada
Señal de entrada
Señales de
referencia
Señal de entrada
Sigue incrementándose la
ventana
Algoritmo Trasformada Discreta de Fourier
Señales de referencia
Señal de entrada
Señal de entrada
la ventana se desplaza
Algoritmo Trasformada Discreta de Fourier
Señales de
referencia
Señal de entrada
la ventana se desplaza…
Algoritmo Trasformada Discreta de Fourier
Entrada de señales discretas y valores de las funciones de
referencia Entrada
entrad sen cosen Entrada*
entrad sen * cosen Parte
Parte real Vp
a o seno o coseno imag
1.7365 0.0 0 0 1.0 1.7365 0.2894 0.2894
6.4279 0.5 3.2140 0.5356 0.86 5.5666 1.2171 1.3297
9.3969 0.86 8.1377 1.8919 0.5 4.6985 2.0002 2.7530
9.8481 1.0 9.8481 3.5333 0.0 0 2.0002 4.0600
7.6604 0.86 6.6339 4.6389 -0.5 -3.8302 1.3619 4.8346
3.4202 0.5 1.7101 4.9239 - 0.86 -2.9619 0.8682 4.9998
-1.7365 0.0 0 4.9239 -1.0 1.7365 1.1576 5.0581
-6.4279 -0.5 3.2140 5.4596 - 0.86 5.5666 2.0854 5.8443
-9.3969 - 0.86 8.1377 6.8459 -0.5 4.6985 2..8685 7.4225
-9.8481 -1.0 9.8481 8.4872 0.0 0 2..8685 8.9588
-7.6604 - 0.86 6.6339 9.5929 0.5 -3.8302 2.2301 9.8487
-3.4202 -0.5 1.7101 9.8779 0.86 -2.9619 1.7365 10.0293
Algoritmo Trasformada Discreta de Fourier
Fasor estimado
Algoritmo Trasformada Discreta de Fourier
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Algoritmo Trasformada Discreta de Fourier
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
15
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Algoritmo Trasformada Discreta de Fourier
Fasor estimado
Algoritmo Trasformada Discreta de Fourier
Eje imag
10
-5
-10
-10 -5 0 5 10 15
Eje
real
Algoritmo Trasformada Discreta de Fourier
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
20
Current (Amps)
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Algoritmo Trasformada Discreta de Fourier
Fasor estimado
Algoritmo Trasformada Discreta de Fourier
Eje imag8
6
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Algoritmo Trasformada Discreta de Fourier
-50
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
50
Current (Amps)
-50
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Algoritmo Trasformada Discreta de Fourier
Fasor estimado
Algoritmo Trasformada Discreta de Fourier
Eje imag40
30
20
10
-10
-20
-30
-40
-50
-50 -40 -30 -20 -10 0 10 20 30 40 50
Eje
real
Algoritmo Trasformada Discreta de Fourier
Ventajas
Atenúa efectivamente el ruido
Atenúa todas las armónicas
Atenúa todas las componentes de alta frecuencia
Rechaza la componente no decreciente de la parte de
DC
Desventajas
Respuesta lenta al transitorio
La parte decreciente de la componente de DC afecta
la precisión
Requiere mayor número de coeficientes
Algoritmos de Correlación
Características
El algoritmo de DFT de medio ciclo utiliza solo medio
ciclo de las ondas de referencia
Estas formas de onda también son ortogonales
Menor tamaño de la ventana
Algoritmo Discreta de Fourier de Medio-
ciclo
Implementación del algoritmo
Selección de las ondas o funciones de Referente
Selecciona las funciones de seno y coseno a la menor
frecuencia de interés (60 Hz)
Discretizar la mitad del ciclo de las ondas de referencia
a la frecuencia de muestreo seleccionada
Algoritmo Discreta de Fourier de Medio-
ciclo
Implementación del algoritmo (continuación...)
Correlación
Multiplicar la primera muestra de la ventana con el primer valor
discretizado de cada señal de referencia
Guardar los resultados en una tabla (columnas m y n)
Repetir las multiplicaciones y guardar los resultados para todas
las muestras subsecuentes hasta considerar todos los datos de
la ventana
Sumar el producto de las multiplicaciones con los productos
previos, en las columna m y n
Dividir los resultados de las sumas entre un medio del número
de muestras de la ventana
Los números resultantes en estas columnas son la parte real e
Algoritmo Discreta de Fourier de Medio-
ciclo
Implementación del algoritmo (continuación...)
Fasor estimado
Magnitud del fasor
Vp = ( R) 2 + ( I ) 2
Angulo del fasor
tan(θ ) = I / R
Donde R – parte reala &
I – Parte imaginaria
Calculado en los pasos previos
Algoritmo Discreta de Fourier de Medio-
ciclo
Ejemplo
Consideraciones
Frecuencia fundamental - 60 Hz
Frecuencia de muestreo - 720 Hz
Algoritmo Discreta de Fourier de Medio-
ciclo
Señales de referencia muestreadas
1
Función seno muestreada
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9
-3
x 10
1 Función coseno
0.5
muestreada
0
-0.5
-1
0 1 2 3 4 5 6 7 8 9
-3
x 10
Tiempo (s)
Algoritmo Discreta de Fourier de Medio-
ciclo
Señales de referencia muestreadas
Seno Coseno
0 1.0
0.5 0.866
0.866 0.5
1.0 0
0.866 -0.5
0.5 - 0.866
Algoritmo Discreta de Fourier de Medio-
ciclo
Respuesta a la frecuencia del filtro seno (Real)
HR(Z) = 0.0*Z-5 + 0.5*Z-4 + 0.866*Z-3 + 1.0*Z-2 + 0.866*Z-1 + 0.5*Z0
1.5
Respuesta en magnitud
0.5
0
0 60 120 180 240 300 360
4
Respuesta del ángulo
2
-2
-4
0 60 120 180 240 300 360
Frecuencia (Hz)
Algoritmo Discreta de Fourier de Medio-
ciclo
Respuesta a la frecuencia del filtro coseno (imaginario)
HI(Z) = 1.0*Z-5 + 0.866*Z-4 + 0.5*Z-3 + 0.0*Z-2 - 0.5*Z-1
- 0.866*Z0
1.5
Respuesta en magnitud
1
0.5
0
0 60 120 180 240 300 360
-1
-2
-3
0 60 120 180 240 300 360
Frecuencia (Hz)
Algoritmo Discreta de Fourier de Medio-
ciclo
Señal de entrada 1 (Senoidal 60 Hz pura)
Input W aveform
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
S am pled W aveform
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Tim e (S ec onds )
Algoritmo Discreta de Fourier de Medio-
ciclo
Fasor estimado
Algoritmo Discreta de Fourier de Medio-
ciclo
Fasor estimado en el plano complejo
10
Eje imag
8
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Algoritmo Discreta de Fourier de Medio-
ciclo
Señal de entrada (Senoidal
(2Senoidal 60 Hz más DC decreciente)
Input Waveform
15
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
15
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Algoritmo Discreta de Fourier de Medio-
ciclo
Fasor estimado
Algoritmo Discreta de Fourier de Medio-
ciclo
Fasor estimado en el plano complejo
15
Eje imag
10
-5
-10
-10 -5 0 5 10 15
Eje
real
Algoritmo Discreta de Fourier de Medio-
ciclo
(Senoidal 60 Hz más 2da armónica)
(Senoidal
Señal de entrada 3
Input Waveform
20
Current (Amps)
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
20
Current (Amps)
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Algoritmo Discreta de Fourier de Medio-
ciclo
Fasor estimado
Algoritmo Discreta de Fourier de Medio-
ciclo
Fasor estimado en el plano complejo
10
Eje imag
5
-5
-10
-15
-15 -10 -5 0 5 10 15
Eje
real
Algoritmo Discreta de Fourier de Medio-
ciclo
Señal de entrada 4(Senoidal 60 Hz más 3era armónica)
Input Waveform
20
Current (Amps)
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
20
Current (Amps)
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Algoritmo Discreta de Fourier de Medio-
ciclo
Fasor estimado
Algoritmo Discreta de Fourier de Medio-
ciclo
Fasor estimado en el plano complejo
10
Eje imag 8
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Algoritmo Discreta de Fourier de Medio-
ciclo
(Senoidal 60 Hz más un transitorio)
Señal de entrada 5
Input Waveform
Current (Amps) 50
-50
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
50
Current (Amps)
-50
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Algoritmo Discreta de Fourier de Medio-
ciclo
Fasor estimado
Algoritmo Discreta de Fourier de Medio-
ciclo
Fasor estimado en el plano complejo
50
Eje imag 40
30
20
10
-10
-20
-30
-40
-50
-60 -40 -20 0 20 40 60
Eje
real
Algoritmo Discreta de Fourier de Medio-
ciclo
Ventajas
Atenúa efectivamente el ruido
Respuesta rápida al transitorio mas que el algoritmo
de ciclo completo DFT
Menor número de cálculos
Desventajas
No atenúa algunas armónicas
La parte decreciente de DC afecta la precisión
Algoritmos de Correlación
t
t
-1
-1
Vp = ( R) 2 + ( I ) 2
Angulo del fasor
tan(θ ) = I / R
Donde R – Parte real &
I – parte imaginaria
Calculados en los pasos previos
Funciones Pares e Impares
Ejemplo
Consideraciones
Frecuencia fundamental - 60 Hz
Frecuencia de muestreo - 720 Hz
Muestreo – de dos maneras
Iniciando en el instante t=0 (i.e. sample at 00, 300, 600, …)
– 13 muestras (integración por regla trapezoidal)
Iniciando después de un retardo (muestras a 150, 450, 750,
…)
– 12 muestras (Regla rectangular)
Funciones Pares e Impares
1
Muestreo de la función impar
0.5
-0.5
-1
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016
1
Muestreo de la función par
0.5
-0.5
-1
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016
Tiempo (s)
Funciones Pares e Impares
0.5
0
0 60 120 180 240 300 360
-2
-4
0 60 120 180 240 300 360
frecuencia (Hz)
Funciones Pares e Impares
Respuesta a la frecuencia del filtro par (imaginario)
HI(Z) = 1*Z-11 + 1*Z-10 + 1*Z-9 - 1*Z-8 - 1*Z-7 - 1*Z-6 -
1*Z-5 – 1*Z-4 - 1*Z-3 + 1*Z-2 + 1*Z-1 + 1*Z0
1.5 Respuesta en magnitud
1
0.5
0
0 60 120 180 240 300 360
-2
-4
0 60 120 180 240 300 360
frecuencia (Hz)
Funciones Pares e Impares
Input W aveform
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
S am pled W aveform
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Tim e (S ec onds )
Funciones Pares e Impares
Fasor estimado
Funciones Pares e Impares
Eje imag 8
6
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Funciones Pares e Impares
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
15
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Funciones Pares e Impares
Fasor estimado
Funciones Pares e Impares
Eje imag
10
-5
-10
-10 -5 0 5 10 15
Eje
real
Funciones Pares e Impares
(Senoidal 60 Hz más 2da armónica)
Señal de entrada 5
Input Waveform
20
Current (Amps)
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
20
Current (Amps)
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Funciones Pares e Impares
Fasor estimado
Funciones Pares e Impares
Eje imag 8
6
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Funciones Pares e Impares
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
20
Current (Amps)
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Funciones Pares e Impares
Fasor estimado
Funciones Pares e Impares
Eje imag
10
-5
-10
-15
-15 -10 -5 0 5 10 15
Eje
real
Funciones Pares e Impares
-50
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
50
Current (Amps)
-50
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Funciones Pares e Impares
Fasor estimado
Funciones Pares e Impares
Eje real 40
30
20
10
-10
-20
-30
-40
-50
-50 -40 -30 -20 -10 0 10 20 30 40 50
Eje
real
Funciones Pares e Impares
Ventajas
No se requieren multiplicaciones
Atenúa todas las armónicas pares
Atenúa efectivamente el ruido
Rechaza la componente no decreciente de la
componente de DC
Desventajas
Respuesta lenta al transitorio
La parte decreciente de DC afecta la precisión
No atenúa las armónicas impares
Algoritmos de Correlación
Funciones Walsh
Funciones Walsh
Definición
La función de orden k (escrita como WAL(k, t/T) ) es una función
del tiempo conteniendo una magnitud de +1 ó –1 que cruza el eje
del tiempo k veces por unidad de intervalo T.
El número de veces que este cambia su signo en por unidad de
intervalo T, es igual al orden k.
Funciones Walsh
Simetría
- La función WAL(k, t/T) tiene simetría par o impar
alrededor de T/2, dependiendo si k es par o impar
Funciones Walsh
Series de Walsh
∞
f (t ) = ∑ Wk Wal (k , t / T )
k =0
Donde
t1+T
1
Wk =
T ∫ f (t )Wal (k , t / T )dt
t1
Funciones Walsh
Series de Fourier
Donde
T
1
F0 =
T ∫ f (t )dt
0
T
1
F2 n −1 =
T ∫ f (t ) sin(nω t )dt
0
o n = 1, 2, 3, ........
T
1
F2 n −1 =
T ∫ f (t ) cos(nω t )dt
0
o n = 1, 2, 3, ........
Funciones Walsh
∫ [F ]
t1+T
1
W0 = 0 + 2 F1 sin(ω 0 t ) + 2 F2 cos(ω 0 t ) + KKK ⋅ Wal (0, k / T ) ⋅ dt
T t1
∫ [F ]
t1+T
1
W1 = 0 + 2 F1 sin(ω 0 t ) + 2 F2 cos(ω 0 t ) + KKK ⋅ Wal (1, k / T ) ⋅ dt
T t1
∫ [F ]
t1+T
1
W2 = 0 + 2 F1 sin(ω 0 t ) + 2 F2 cos(ω 0 t ) + KKK ⋅ Wal (2, k / T ) ⋅ dt
T t1
KKK
KKK
Funciones Walsh
O bien W = AF
Funciones Walsh
Coeficientes de Walsh y coeficientes de Fourier
W = AF
Donde,
1
Ak , 0 = ∫ Wal (k , T )dt
0
1
Ak , 2 m −1 = ∫ Wal (k , T ) ⋅ sin(2πmt ) ⋅ dt
0
1
Ak ,m = ∫ Wal (k , T ) ⋅ cos(2πmt ) ⋅ dt
0
⎡1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ...⎤
⎢0 0.9 0 0 0 0.3 0 0 0 0.18 0 0 0 0.129 0 0 0 ...⎥⎥
⎢
⎢0 0 0.9 0 0 0 − 0.3 0 0 0 0.18 0 0 0 − .129 0 0 ...⎥
⎢ ⎥
⎢0 0 0 0.9 0 0 0 0 0 0 0 0.3 0 0 0 0 0 ...⎥
⎢0 0 0 0 0.9 0 0 0 0 0 0 0 − 0.3 0 0 0 0 ...⎥
⎢ ⎥
⎢0 − .373 0 0 0 0.724 0 0 0 0.435 0 0 0 − .053 0 0 0 ...⎥
⎢0 0 0.373 0 0 0 0.724 0 0 0 − .435 0 0 0 − .053 0 0 ...⎥
A=⎢ ⎥
⎢0 0 0 0 0 0 0 0.9 0 0 0 0 0 0 0 0 0 ...⎥
⎢ ⎥
⎢0 0 0 0 0 0 0 0 0.9 0 0 0 0 0 0 0 0 ...⎥
⎢0 − .074 0 0 0 − .484 0 0 0 0.65 0 0 0 0.268 0 0 0 ...⎥
⎢ ⎥
⎢0 0 0.074 0 0 0 0.484 0 0 0 0.65 0 0 0 − .268 0 0 ...⎥
⎢0 0 0 − .373 0 0 0 0 0 0 0 0.724 0 0 0 0 0 ...⎥
⎢ ⎥
⎢0 0 0 0 0.373 0 0 0 0 0 0 0 0.724 0 0 0 0 ...⎥
⎢M ... ... ...⎥⎦
⎣ ... ... ... ... ... ... ... ... ... ... ... ... ... ...
Funciones Walsh
Ejemplo
Consideraciones
Frecuencia Fundamental - 60 Hz
Frecuencia de muestreo - 960 Hz
- 16 muestras en la ventana
Funciones Walsh
1
Respuesta
Real Filter - en
Walsh magnitud
Algorithm
0.8
0.6
|H(jw)|
0.4
0.2
0
0 60 120 180 240 300 360
-50
-100
0 50 100 150 200 250 300 350 400
Frequency (Hz)
Frecuencia (Hz)
Funciones Walsh
Respuesta a la frecuencia del filtro imaginario
1
Respuesta
Imaginary Filteren magnitud
- Walsh Algorithm
0.8
0.6
|H(jw)|
0.4
0.2
0
0 60 120 180 240 300 360
100
Respuesta del ángulo
50
Angle(H(jw))
-50
-100
0 50 100 150 200 250 300 350 400
Frequency (Hz)
Frecuencia (Hz))
Funciones Walsh
Input W aveform
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
S am pled W aveform
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Tim e (S ec onds )
Funciones Walsh
Fasor estimado
Funciones Walsh
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Funciones Walsh
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
15
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Funciones Walsh
Fasor estimado
Funciones Walsh
Eje imag 8
6
-2
-4
-6
-8
-10
-10 -5 0 5 10 15
Eje
real
Funciones Walsh
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
20
Current (Amps)
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Funciones Walsh
Fasor estimado
Funciones Walsh
Eje imag 8
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Funciones Walsh
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
20
Current (Amps)
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Funciones Walsh
Fasor estimado
Funciones Walsh
Eje imag 8
6
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Funciones Walsh
(Senoidal
(Senoidal 60 Hz más un transitorio)
Señal de entrada 5
Input Waveform
Current (Amps) 50
-50
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
50
Current (Amps)
-50
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Funciones Walsh
Fasor estimado
Funciones Walsh
Eje imag 40
30
20
10
-10
-20
-30
-40
-50
-50 -40 -30 -20 -10 0 10 20 30 40 50
Eje
real
Funciones Walsh
Ventajas
No se requieren multiplicaciones
Atenúa todas las armónicas pares
Atenúa efectivamente el ruido
Rechaza la componente no decreciente de DC
Desventajas
Se requiere corrección
Respuesta lenta al transitorio
La parte decreciente de DC afecta la precisión
No atenúa las armónicas impares
Algoritmos de Correlación
Filtros Cosenos
Filtros Cosenos
Frequency Response of Sine Filter
Características 1.5
Magnitude
0.5
0
0 50 100 150 200 250 300 350 400
1
Magnitude
0.5
0
0 50 100 150 200 250 300 350 400
Frequency (Hz)
Características
Este algoritmo hace uso de la función seno como
señal de referencia para calcular a ambos filtros de
parte real e imaginaria
Pero este algoritmo utiliza una ventana de mayor
tamaño
Filtros Cosenos
Algoritmo
La correlación con la referencia de la función seno da
la parte real.
i.e VP cos(θ) – De aquí el nombre del filtro
coseno
Si valor actual VP cos(θ) es correlacionado, resulta
VP cos(θ - 900) = VP sin(θ)
– Este es el filtro de la parte imaginaria
Vp = ( R) 2 + ( I ) 2
Angulo del fasor
tan(θ ) = I / R
Donde R – parte real &
I – parte imaginaria
Filtros Cosenos
Ejemplo
Consideraciones
Frecuencia Fundamental - 60 Hz
Frecuencia de muestreo - 720 Hz
Filtros Cosenos
Input W aveform
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
S am pled W aveform
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Tim e (S ec onds )
Filtros Cosenos
Fasor estimado
Filtros Cosenos
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Filtros Cosenos
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
15
10
Current (Amps)
-5
-10
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Filtros Cosenos
Fasor estimado
Filtros Cosenos
Eje imag
10
-5
-10
-10 -5 0 5 10 15
Eje
real
Filtros Cosenos
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
20
Current (Amps)
10
-10
-20
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Filtros Cosenos
Fasor estimado
Filtros Cosenos
Eje imag 8
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Filtros Cosenos
-50
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Sampled Waveform
50
Current (Amps)
-50
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
Time (Seconds)
Filtros Cosenos
Fasor estimado
Filtros Cosenos
Eje imag 40
30
20
10
-10
-20
-30
-40
-50
-50 0 50
Eje
real
Filtros Cosenos
Ventajas
Utiliza el mejor de los dos filtros para calcular la parte
real e imaginaria
Mejor característica del filtro
Tiene todas las ventas del algoritmo de DFT
Desventajas
Respuesta mas lenta que el DFT
Toma un ciclo y un cuarto del ciclo
Algoritmos de Correlación