Corr Alg

Algoritmos No-recursivos
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
Utilizan dos funciones ortogonales los cuales extraen

efectivamente las componentes de la frecuencia de
interés de la señal de entrada
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.
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.
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
Donde, T es el periodo de la función.

Algoritmo Transformada Discreta de

Fourier
Algoritmo Trasformada Discreta de Fourier
Las funciones senoidales son funciones ortogonales para

este
algoritmo
Prueba 2π
de ortogonalidad
T ω
∫ f (t ) g (t )dt = ∫ sin(ωt ) cos(ωt )dt

t =0 t =0
2π
ω
1 1 2π
= 1 2 ∫ sin(2ωt )dt = ⋅ cos(2ωt ) 0 ω
t =0
2 2ω
=0
i.e. Estas funciones son ortogonales
Implementación del algoritmo

Seleccione las señales o funciones de referencia
Seleccione las funciones seno y coseno a la mínima
frecuencia de interés (60 Hz)
Muestre las señales de referencia a la frecuencia de
muestreo seleccionada
Implementación del algoritmo (continuación...)
Correlación
Multiplicar la primera muestra de la ventana con el primer
discretizado de cada señal de referencia
Guardar los resultados en tablas (columna 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, dados en las columnas m y n
Dividir los resultados de las sumas del paso previo entre un
medio del número de muestras de la ventana
Los números resultantes en estas columnas son la parte real e
Estimación del fasor
Magnitud del fasor
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
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)
Señales de referencia muestreadas

función seno muestreada
1
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)

seno Coseno
0 1.0
0.5 0.866
0.866 0.5
1.0 0
0.866 -0.5
0.5 - 0.866
0 -1.0
-0.5 - 0.866
- 0.866 -0.5
-1.0 0
- 0.866 0.5
-0.5 0.866
Respuesta a la frecuencia del filtro seno (Real)
HR(Z) = 0.0*Z-11 + 0.5*Z-10 + 0.866*Z-9 + 1.0*Z-8 + 0.866*Z-7 + 0.5*Z-6 +
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

1
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)
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)
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 )
Señales de
referencia
Señal de entrada
La primer muestra entra

Señales de referencia
Señal de entrada
segunda muestra entra a la ventana

Señal de entrada
el tamaño de la ventana se incrementa

Señales de
referencia
Señal de entrada
Sigue incrementándose la
ventana
Señal de entrada
La ventana está completa

Señal de entrada
la ventana se desplaza
Señales de
referencia
Señal de entrada
la ventana se desplaza…
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
Fasor estimado
Fasor estimado en el plano complejo

Eje imag10
8
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Señal de entrada 2(Senoidal 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)
Fasor estimado

15
Eje imag
10
-5
-10
-10 -5 0 5 10 15
Eje
real
Señal de entrada 3(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)
Fasor estimado

10
Eje imag8
6
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Señal de entrada 4 (Senoidal 60 Hz más un transitorio)

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)
Fasor estimado

50
Eje imag40
30
20
10
-10
-20
-30
-40
-50
-50 -40 -30 -20 -10 0 10 20 30 40 50
Eje
real
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
Algoritmo Trasformada Discreta Fourier de

Medio-ciclo
Algoritmo Discreta de Fourier de Medio-ciclo
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
Selección de las ondas o funciones de Referente
Selecciona las funciones de seno y coseno a la menor
Discretizar la mitad del ciclo de las ondas de referencia
a la frecuencia de muestreo seleccionada
ciclo
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
ciclo
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
ciclo
Ejemplo
Consideraciones
ciclo
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)
ciclo
Seno Coseno
0 1.0
0.5 0.866
0.866 0.5
1.0 0
0.866 -0.5
0.5 - 0.866
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)
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
-1
-2
-3
0 60 120 180 240 300 360
Frecuencia (Hz)
ciclo
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 )
ciclo
Fasor estimado
ciclo
10
Eje imag
8
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
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)
ciclo
Fasor estimado
ciclo
15
Eje imag
10
-5
-10
-10 -5 0 5 10 15
Eje
real
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)
ciclo
Fasor estimado
ciclo
10
Eje imag
5
-5
-10
-15
-15 -10 -5 0 5 10 15
Eje
real
ciclo
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)
ciclo
Fasor estimado
ciclo
10
Eje imag 8
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
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)
ciclo
Fasor estimado
ciclo
50
Eje imag 40
30
20
10
-10
-20
-30
-40
-50
-60 -40 -20 0 20 40 60
Eje
real
ciclo
Ventajas
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
Funciones Pares e Impares

Las funciones rectangulares pares e impares son
ortogonales
Funciones impares Funciones pares
1 1
t
t
-1
-1
WR = signm |sin (2πn/m)| WI = signm |cos(2πn/m)|

n = 0,1,2, …. 12
Donde,
Signm |x| = 0 para x = 0
1 para x > 0
-1 para x < 0
Selección de las ondas o funciones de Referencia
Selecciona las funciones de seno y coseno a la menor
Se discretiza el ciclo completo de las ondas de
referencia a la frecuencia de muestreo seleccionada
Determinar las funciones pares e impares usando la
función signm
Correlación
Multiplicar la primera muestra de la ventana con el primer
valor de cada señal de referencia discretizada
Guardar los resultados en tabla columnas m y n
Repetir las multiplicaciones y guardar los resultados de
muestras subsecuentes hasta considerar todos los
valores de la ventana
Sumar el producto de las multiplicaciones con los
productos previos, de las columnas m y n
Dividir los resultados entre el factor A
Los dos números resultantes corresponden a la parte real
e imaginaria del fasor requerido
Cálculo del factor A
Los valores de la función seno discretizada son: 0, 0.5, 0.866, 1.0,
0.866, 0.5, 0, -0.5, -0.866, -1.0, -0.866, -0.5
X se obtiene multiplicando estas muestras con los coeficientes de
WR uno a uno y sumando los resultados
X = 0 + 0.5 + 0.866 + 1.0 + 0.866 + 0.5 – 0 + 0.5 +0.866 + 1.0 + 0.866 +
0.5 = 7.464
Y Se obtiene multiplicando los valores de la función coseno
discretizado con los coeficientes de WI uno a uno y sumando los
resultados
Y = 0 + 0.5 + 0.866 - 1.0 - 0.866 - 0.5 – 0 + 0.5 + 0.866 - 1.0 - 0.866 -
0.5 = -2.0
A = √(X2 + Y2) = 7.727
Note: El factor A depende del tamaño de la ventana y frecuencia de
Magnitud del fasor
Vp = ( R) 2 + ( I ) 2
Angulo del fasor
tan(θ ) = I / R
Donde R – Parte real &
I – parte imaginaria
Calculados en los pasos previos
Ejemplo
Consideraciones
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)
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)
Función Impar Función par

1 1
1 1
1 1
1 -1
1 -1
1 -1
-1 -1
-1 -1
-1 -1
-1 1
-1 1
-1 1
Respuesta a la frecuencia del filtro impar (Real)
HR(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
0.5
0
0 60 120 180 240 300 360

2
-2
-4
0 60 120 180 240 300 360
frecuencia (Hz)
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
0.5
0
0 60 120 180 240 300 360

2
-2
-4
0 60 120 180 240 300 360
frecuencia (Hz)
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 )
Fasor estimado

10
Eje imag 8
6
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real

2 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)
Fasor estimado

15
Eje imag
10
-5
-10
-10 -5 0 5 10 15
Eje
real
(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)
Fasor estimado

10
Eje imag 8
6
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real

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)
Fasor estimado

15
Eje imag
10
-5
-10
-15
-15 -10 -5 0 5 10 15
Eje
real

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)
Fasor estimado

50
Eje real 40
30
20
10
-10
-20
-30
-40
-50
-50 -40 -30 -20 -10 0 10 20 30 40 50
Eje
real
Ventajas
No se requieren multiplicaciones
Atenúa todas las armónicas pares
Rechaza la componente no decreciente de la
componente de DC
Desventajas
No atenúa las armónicas impares
Funciones Walsh
Funciones Walsh
Las funciones Walsh son un conjunto de funciones

periódicas representadas por un conjunto de ondas
cuadradas ortogonales
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
Algunas propiedades de las funciones Walsh
Contiene subíndices y escala del tiempo

- Duplicando el índice de las funciones Walsh es
equivalente a comprimir la escala del tiempo por un
factor de un medio
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
Algunas propiedades de las funciones Walsh

Multiplicación
- Cuando dos funciones Walsh son multiplicadas otra función
Walsh es generada
WAL(h, t/T) × WAL(k, t/T) = WAL (h ⊗ k, t/T)
Donde, (h⊗k) denota un número cuyo número binario tiene la
representación siguiente
- 0 en aquellas posiciones donde los números binarios para
h y k son iguales
- 1 donde estos son distintos.
Ejemplo
WAL(3,t/T) × WAL(5,t/T) = WAL(3⊗5,t/T) = WAL(6,t/T)
3 Æ 011 5 Æ 101
3 ⊗ 5 Æ 110 Æ 6
Funciones Walsh
Generador de funciones Walsh

Funciones Walsh
Coeficientes Walsh y Fourier

Una manera de estimar un fasor a partir de coeficientes Walsh es
convertirlos en coeficientes de Fourier.
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
f (t ) = F0 + 2 F1 sin(ω 0 t ) + 2 F2 cos(ω 0 t ) + 2 F3 sin(ω 0 t ) + 2 F4 cos(ω 0 t ) + KKK
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
Coeficientes de Walsh y coeficientes de Fourier

Sustituyendo las series de Fourier en los coeficientes de 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
T t1
∫ [F ]
t1+T
1
T t1
KKK
KKK
Funciones Walsh

En notación matricial,
⎡W0 ⎤ ⎡ A00 A01 L L A0 k L⎤ ⎡ F0 ⎤

⎢W ⎥ ⎢ A A11 L L A1k ⎥ ⎢
L⎥ ⎢ F1 ⎥ ⎥
⎢ 1 ⎥ ⎢ 10
⎢W2 ⎥ ⎢ A20 A21 L L A2 k L⎥ ⎢ F2 ⎥
⎢ ⎥=⎢ ⎥⋅⎢ ⎥
⎢ M ⎥ ⎢ M M L L M L⎥ ⎢ M ⎥
⎢Wk ⎥ ⎢ Ak 0 Ak1 L L Akk L⎥ ⎢ Fk ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣ M ⎥⎦ ⎢⎣ M M L L M L⎥⎦ ⎢⎣ M ⎥⎦
O bien W = AF
Funciones Walsh
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
Después de simplificar tomando el límite inferior t1 = 0 y

normalizando
el tiempo con respecto al periodo T
Funciones Walsh
También, F = AT W Donde, AT – matriz transpuesta de A
La matriz A esta dado por,
⎡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
Seleccionar una ventana de tamaño N. Para una aplicación de

funciones Walsh seleccione N tal que este sea igual a 2P.
Determine las N funciones Walsh y almacene los valores
muestreados en una tabla
Determine los coeficientes de Walsh mediante la correlación
de las funciones Walsh con los valores de entrada
muestreados
⎛1 1 ⎞
W0 = 1 ⎜ V0 + V1 + V2 + LL + V N ⎟
N⎝2 2 ⎠
⎛1 1 ⎞
W1 = 1 ⎜ V0 + V1 + V2 + LL − V N −1 − V N ⎟
N⎝2 2 ⎠
M
M
Funciones Walsh
Calcular los coeficientes de Fourier a partir de los

coeficientes Walsh usando,
F = AT W
La amplitud de la frecuencia fundamental está dado por,
VP = √(F12 + F22)
Funciones Walsh
Ejemplo
Consideraciones
Frecuencia Fundamental - 60 Hz
- 16 muestras en la ventana
Funciones Walsh
Respuesta a la frecuencia del filtro real
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
Angle(H(jw))
-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

10
Eje imag 8
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Funciones Walsh

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)
Funciones Walsh
Fasor estimado
Funciones Walsh

10
Eje imag 8
6
-2
-4
-6
-8
-10
-10 -5 0 5 10 15
Eje
real
Funciones Walsh
Señal de entrada 3(Senoidal 60 Hz más 2da 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)
Funciones Walsh
Fasor estimado
Funciones Walsh

10
Eje imag 8
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Funciones Walsh

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 Walsh
Fasor estimado
Funciones Walsh

10
Eje imag 8
6
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Funciones Walsh
(Senoidal
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

50
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
Rechaza la componente no decreciente de DC
Desventajas
Se requiere corrección
No atenúa las armónicas impares
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
Frequency Response of Cosine Filter

1.5
1
Magnitude
0.5
0
0 50 100 150 200 250 300 350 400
Frequency (Hz)
El filtro usa la función seno (el primero) es el mejor de

los dos filtros
Filtros Cosenos
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
A partir de estos dos filtros el fasor puede ser

estimado
Filtros Cosenos
Selección de la función de Referencia
Seleccione la función seno como señal de referencia, a
la mínima frecuencia de interés (60 Hz)
Se discretiza solo un ciclo de señal de referencia a la
frecuencia de muestreo seleccionada
Filtros Cosenos
Correlación
Multiplique la primer muestra de la ventana con el primer
valor de la señal de referencia muestreada
Guarde los resultados en una tabla (columna m)
Repita la multiplicación y guarde las operaciones
subsecuentes hasta que todos los datos de la ventana
hayan sido usados
Sume el producto de las multiplicaciones de la columna m
Divide los resultados entre un medio del número de
muestras de la ventana
Este es el filtro de la parte real
Filtros Cosenos
Correlación
El filtro de la parte real calculado un ¼ del ciclo atrás es el
filtro de la parte imaginaria.
Filtros Cosenos
Magnitud del fasor
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
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

Eje imag10
8
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Filtros Cosenos

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)
Filtros Cosenos
Fasor estimado
Filtros Cosenos

15
Eje imag
10
-5
-10
-10 -5 0 5 10 15
Eje
real
Filtros Cosenos

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)
Filtros Cosenos
Fasor estimado
Filtros Cosenos

10
Eje imag 8
-2
-4
-6
-8
-10
-10 -5 0 5 10
Eje
real
Filtros Cosenos
Señal de entrada 4 (Senoidal 60 Hz más un transitorio)

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)
Filtros Cosenos
Fasor estimado
Filtros Cosenos

50
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
Fin de los algoritmos de Correlación

Corr Alg

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Corr Alg

Cargado por

Copyright:

Formatos disponibles

Algoritmos No-recursivos

Utilizan dos funciones ortogonales los cuales extraen

Donde, T es el periodo de la función.

Algoritmo Transformada Discreta de

Las funciones senoidales son funciones ortogonales para

∫ f (t ) g (t )dt = ∫ sin(ωt ) cos(ωt )dt

Implementación del algoritmo

Señales de referencia muestreadas

Señales de referencia muestreadas

1.5 Respuesta en magnitud

4 Respuesta del ángulo

Señal de entrada 1 (Senoidal 60 Hz pura)

La primer muestra entra

segunda muestra entra a la ventana

el tamaño de la ventana se incrementa

La ventana está completa

Fasor estimado en el plano complejo

Señal de entrada 2(Senoidal 60 Hz más DC decreciente)

Fasor estimado en el plano complejo

Señal de entrada 3(Senoidal 60 Hz más 3era armónica)

Fasor estimado en el plano complejo

Señal de entrada 4 (Senoidal 60 Hz más un transitorio)

Fasor estimado en el plano complejo

Algoritmo Trasformada Discreta Fourier de

2 Respuesta del ángulo

Funciones Pares e Impares

WR = signm |sin (2πn/m)| WI = signm |cos(2πn/m)|

Señales de referencia muestreadas

Señales de referencia muestreadas

Función Impar Función par

1.5 Respuesta en magnitud

4 Respuesta del ángulo

4 Respuesta del ángulo

Señal de entrada 1 (Senoidal 60 Hz pura)

Fasor estimado en el plano complejo

Señal de entrada (Senoidal

Fasor estimado en el plano complejo

Fasor estimado en el plano complejo

Señal de entrada 4(Senoidal 60 Hz más 3era armónica)

Fasor estimado en el plano complejo

(Senoidal 60 Hz más un transitorio)

Fasor estimado en el plano complejo

Las funciones Walsh son un conjunto de funciones

Algunas propiedades de las funciones Walsh

Contiene subíndices y escala del tiempo

Algunas propiedades de las funciones Walsh

Generador de funciones Walsh

Coeficientes Walsh y Fourier

f (t ) = F0 + 2 F1 sin(ω 0 t ) + 2 F2 cos(ω 0 t ) + 2 F3 sin(ω 0 t ) + 2 F4 cos(ω 0 t ) + KKK

Coeficientes de Walsh y coeficientes de Fourier

Coeficientes de Walsh y coeficientes de Fourier

⎡W0 ⎤ ⎡ A00 A01 L L A0 k L⎤ ⎡ F0 ⎤

Después de simplificar tomando el límite inferior t1 = 0 y

Implementación del algoritmo

Seleccionar una ventana de tamaño N. Para una aplicación de

Implementación del algoritmo (continuación...)

Calcular los coeficientes de Fourier a partir de los

Respuesta a la frecuencia del filtro real

100 Respuesta del ángulo

Señal de entrada 1 (Senoidal 60 Hz pura)

Fasor estimado en el plano complejo

Señal de entrada (Senoidal

Fasor estimado en el plano complejo