Guamantica et al 2022a - Revision history

Rimni at 12:16, 30 September 2022

2022-09-30T12:16:02Z

Rimni: /* Resumen */

2022-09-30T12:12:42Z

‎Resumen

Rimni: /* 5.4. Detección de fallas */

2022-09-30T12:10:14Z

‎5.4. Detección de fallas

Rimni at 12:00, 30 September 2022

2022-09-30T12:00:05Z

Rimni at 11:56, 30 September 2022

2022-09-30T11:56:28Z

Rimni: /* 5.2 Clase 2 */

2022-09-30T11:55:38Z

‎5.2 Clase 2

Rimni at 11:53, 30 September 2022

2022-09-30T11:53:42Z

Rimni at 11:51, 30 September 2022

2022-09-30T11:51:42Z

Rimni at 11:49, 30 September 2022

2022-09-30T11:49:54Z

Rimni: /* Referencias */

2022-09-30T10:37:56Z

‎Referencias

@@ Line 36: / Line 36: @@
 ==1. Introducción==
-Cada vez se ha vuelto más común la existencia de pequeñas redes eléctricas que difieren de las redes eléctricas convencionales. Debido a la ausencia de conexiones con la red principal de distribución de algunos usuarios, y en otros casos dada la lejanía de las fuentes de generación a al sistema de distribución, las Micro-redes (MG) han tomado un rol clave en el sistema eléctrico [1,2]. Históricamente las redes aisladas han funcionado haciendo uso de sistemas de generación con tecnologías que requerían de la utilización de combustibles fósiles, sin embargo, la introducción de sistemas de generación que hacen uso de energías renovables ha posibilitado el uso de generación que hacen uso del recurso solar, eólico, hidráulico, entre otros [3,4]. Tales centrales muestran incrementos sostenidos de producción energética en diversas locaciones en los últimos 30 años [4].
+Cada vez se ha vuelto más común la existencia de pequeñas redes eléctricas que difieren de las redes eléctricas convencionales. Debido a la ausencia de conexiones con la red principal de distribución de algunos usuarios, y en otros casos dada la lejanía de las fuentes de generación al sistema de distribución, las Micro-redes (MG) han tomado un rol clave en el sistema eléctrico [1,2]. Históricamente las redes aisladas han funcionado haciendo uso de sistemas de generación con tecnologías que requerían de la utilización de combustibles fósiles, sin embargo, la introducción de sistemas de generación que hacen uso de energías renovables ha posibilitado el uso de generación que hacen uso del recurso solar, eólico, hidráulico, entre otros [3,4]. Tales centrales muestran incrementos sostenidos de producción energética en diversas locaciones en los últimos 30 años [4].
 Uno de los principales objetivos de las MGs radica en garantizar un suministro de potencia de calidad e ininterrumpido a un bajo costo, además de considerar las restricciones ambientales [1,2]. El uso de tecnologías fotovoltaicas, eólicas, celdas de almacenamiento y otras tecnologías renovables, en conjunto con la generación clásica de energía como el diésel, la térmica o la hidráulica o incluso los elementos de compensación, permiten cubrir la demanda y la calidad de la potencia para las MGs [5–8].
@@ Line 44: / Line 44: @@
 A pesar de todas las ventajas que muestran las MGs, es preciso indicar que estos sistemas también deben superar diversas amenazas, incluyendo fallas y ataques cibernéticos o ciber ataques [2]. La escasez de recursos computacionales, las restricciones asociadas a la comunicación, así como la información sensible inmersa en su operación, hacen que este tipo de redes sean atractivas para la existencia de ataques informáticos [2,11,12]. La identificación de tales problemas y fallas es igual de desafiante, esto en términos de que la operación de las MGs es dinámica y basada en factores naturales, lo que le da un alto grado de impredecibilidad [11,13].
-Una de las formas en las que se realiza la identificación y detección de problemas dentro de una MG es la propuesta en Yu et al. [14] donde por medio de un Monitoreo de Cargas No Invasivo (NILM) se determina el estado de la red sin necesidad de colocar elementos de censado en cada carga asociada a la MG. El objetivo del NILM es conocer el consumo que se produce en cada carga. Con esta información también es posible indicar y guiar a los usuarios para que aprovechen de mejor forma la energía disponible. Los autores indican que esta es una forma muy alentadora de detectar y clasificar los fallos que se presentan en las MGs con tendencia a advertir al usuario de la existencia de fallas, esto antes que las averías se produzcan en forma efectiva.
+Una de las formas en las que se realiza la identificación y detección de problemas dentro de una MG es la propuesta en Yu et al. [14], donde por medio de un Monitoreo de Cargas No Invasivo (NILM) se determina el estado de la red sin necesidad de colocar elementos de censado en cada carga asociada a la MG. El objetivo del NILM es conocer el consumo que se produce en cada carga. Con esta información también es posible indicar y guiar a los usuarios para que aprovechen de mejor forma la energía disponible. Los autores indican que esta es una forma muy alentadora de detectar y clasificar los fallos que se presentan en las MGs con tendencia a advertir al usuario de la existencia de fallas, esto antes que las averías se produzcan en forma efectiva.
 La estrategia para la Detección de Fallas de Darab et al. [15] consiste en la utilización de Inteligencia Artificial para la detección de eventos que provocan el aislamiento de determinado punto o puntos de la red, mediante la utilización de reconstrucción de señales por medio de la transformada Wavelet con filtrado de las señales que permite conocer en forma rápida los cambios en la frecuencia y la presencia de transientes, así como variaciones en voltaje.

@@ Line 24: / Line 24: @@
 ==Resumen==
-Esta investigación propone un método para la Detección de Fallas en sensores relacionados con el Control Local de Convertidores de Fuente de Voltaje conectados a Microrredes AC/DC usando Análisis de Componentes Principales. Para lograr lo anterior, se realizan simulaciones sobre una Microrred de referencia compuesta por una variedad de cargas (lineales y no lineales), Generación Distribuida (convencional y renovable), así como Sistemas de Almacenamiento de Energía en Baterías DC y AC con sus respectivos convertidores. Los investigadores proponen dos escenarios de falla y un escenario de operación normal para este estudio. El escenario de operación normal, denominado en este documento como clase uno, sirve de referencia para realizar el análisis del comportamiento del método propuesto y su validación con respecto a los otros dos escenarios. Como resultado se obtuvo un algoritmo basado en Análisis de Componentes Principales que, a partir de los componentes principales de los casos o clases, calcula las diferencias entre los espacios obtenidos a partir de un total de 257 variables recolectadas en todas las barras del sistema y del sensado para Control Local.
+Esta investigación propone un método para la Detección de Fallas en sensores relacionados con el Control Local de Convertidores de Fuente de Voltaje, conectados a Microrredes AC/DC, usando Análisis de Componentes Principales. Para lograr lo anterior, se realizan simulaciones sobre una Microrred de referencia compuesta por una variedad de cargas (lineales y no lineales), Generación Distribuida (convencional y renovable), así como Sistemas de Almacenamiento de Energía en Baterías DC y AC con sus respectivos convertidores. Los investigadores proponen dos escenarios de falla y un escenario de operación normal para este estudio. El escenario de operación normal, denominado en este documento como clase uno, sirve de referencia para realizar el análisis del comportamiento del método propuesto y su validación con respecto a los otros dos escenarios. Como resultado se obtuvo un algoritmo basado en Análisis de Componentes Principales que, a partir de los componentes principales de los casos o clases, calcula las diferencias entre los espacios obtenidos a partir de un total de 257 variables recolectadas en todas las barras del sistema y del sensado para Control Local.
 '''Palabras clave''': Micro-red, control local, convertidor en fuente de voltaje, detección de fallas, análisis de componentes principales

@@ Line 484: / Line 484: @@
 ===5.4. Detección de fallas===
-La [[#img-7|Figura 7]] muestra un diagrama de Pareto para las tres clases de operación con los primeros componentes principales más relevantes, mientras que también se muestra la representatividad porcentual (varianza) acumulada. La [[#img-8|Figura 8]] por otro lado muestra un histograma de los valores de distribución de la varianza de los tres componentes más importantes para las tres clases presentadas.
+La [[#img-7|Figura 7]] muestra un diagrama de Pareto para las tres clases de operación con los primeros componentes principales más relevantes, así como la representatividad porcentual (varianza) acumulada. Por otro lado, la [[#img-8|Figura 8]]  muestra un histograma de los valores de distribución de la varianza de los tres componentes más importantes para las tres clases presentadas.
-A pesar de que las variaciones son mínimas entre la clase dos y la clase tres, ambas difieren en valor con la clase uno aportando con ello notoriedad en la diferencia entre las clases dada la ocurrencia de las fallas en el sensado. Con el fin de comparar las diferencias de los componentes y sus porcentajes de representatividad, en el caso del porcentaje de varianza o representatividad es aún más evidente la diferencia de valores lo cual evidencia claras diferencias entre las tres clases, con lo cual además de mostrar un fallo puede ayudar a discriminar los diferentes fallos.
+A pesar de que las variaciones son mínimas entre la clase dos y la clase tres, ambas difieren en valor con la clase uno, aportando con ello notoriedad en la diferencia entre las clases, dada la ocurrencia de las fallas en el sensado. Con el fin de comparar las diferencias de los componentes y sus porcentajes de representatividad, en el caso del porcentaje de varianza o representatividad, es aún más evidente la diferencia de valores, lo cual evidencia claras diferencias entre las tres clases, con lo cual además de mostrar un fallo puede ayudar a discriminar los diferentes fallos.
 <div id='img-7'></div>
@@ Line 506: / Line 506: @@
-Al graficar los scores de los cinco componentes iniciales, es de principal interés analizar los componentes cuatro y cinco, como se puede observar en las [[#img-9|Figuras 9]]a y [[#img-9|9]]b. La [[#img-9|Figura 9]]b ilustra de manera análoga a lo visto en la [[#img-9|Figura 9]]a pero para el caso de la componente cinco. En esta clase es más evidente la variación a pesar de que entre la clase dos y tres la diferencia no es apreciable, si lo es respecto a la clase que no tiene influencia de ninguna falla.
+Al graficar los scores de los cinco componentes iniciales, es de principal interés analizar los componentes cuatro y cinco, como se puede observar en las [[#img-9|Figuras 9]]a y [[#img-9|9]]b. La [[#img-9|Figura 9]]b ilustra de manera análoga a lo visto en la [[#img-9|Figura 9]]a, pero para el caso de la componente cinco. En esta clase es más evidente la variación, a pesar de que entre la clase dos y tres la diferencia no es apreciable; sí lo es respecto a la clase que no tiene influencia de ninguna falla.
 <div id='img-9'></div>
@@ Line 521: / Line 521: @@
-Otro análisis para la detección de las fallas se puede observar sobre los coeficientes de Hotelling (medida estadística de la distancia multivariante de las observaciones al centro del espacio) los cuales son graficados de manera simultánea para los diferentes componentes principales sobre las tres clases estudiadas. Se puede notar en las secciones finales como se producen alteraciones, tal cual como sucedió con los scores. Esto fenómeno se vuelve evidente al calcular el residuo generado entre los coeficientes de Hotelling de la clase sin falla y las clases en fallos.
+Otro análisis para la detección de las fallas se puede observar en los coeficientes de Hotelling (medida estadística de la distancia multivariante de las observaciones al centro del espacio), los cuales son graficados de manera simultánea para los diferentes componentes principales sobre las tres clases estudiadas. Se puede notar, en las secciones finales, cómo se producen alteraciones, tal como sucedió con los scores. Esto fenómeno se vuelve evidente al calcular el residuo generado entre los coeficientes de Hotelling de la clase sin falla y las clases en fallos.
 La [[#img-10|Figura 10]]c ilustra el total de los coeficientes de Hotelling para las tres clases. Dado que el coeficiente en mención hace referencia a la distancia de las observaciones respecto al centro del nuevo espacio creado, un aumento en el valor implica una diferencia de la ubicación de la observación respecto al centro del espacio. En consecuencia, esto implicaría una anomalía en las variables estudiadas. Es congruente con una variación respecto a la clase de operación normal, dada la anomalía o fallo. La señal ha sido sometida al mismo análisis realizado en la [[#img-10|Figura 10]]b a fin de observar de mejor manera las variaciones. Se puede observar que los lapsos cercanos a los 0.15 s (momentos en los cuales se produce la falla) se dan las mayores variaciones entre las clases en falla y la clase sin falla.
@@ Line 542: / Line 542: @@
-La [[#img-11|Figura 11]]a muestra las violaciones que se dan respecto a los umbrales planteados siendo posible visualizar aquellos puntos que más se alejan del umbral. Por último, en la [[#img-11|Figura 11]]b se muestra el aporte de cada variable a los componentes principales como vectores de color azul, que parten desde el centro y se ubican en los diferentes cuadrantes. Los mismos ilustran el aporte de cada variable a un componente, dada la naturaleza bidimensional de la gráfica solamente es posible visualizar las dos primeras componentes principales que en realidad representan más del 80% en toda la clase dos y tres ([[#img-11|Figura 11]]b).
+La [[#img-11|Figura 11]]a muestra las violaciones que se dan respecto a los umbrales planteados, siendo posible visualizar aquellos puntos que más se alejan del umbral. Por último, en la [[#img-11|Figura 11]]b se muestra el aporte de cada variable a los componentes principales como vectores de color azul, que parten desde el centro y se ubican en los diferentes cuadrantes. Los mismos ilustran el aporte de cada variable a un componente. Dada la naturaleza bidimensional de la gráfica solamente es posible visualizar las dos primeras componentes principales que en realidad representan más del 80% en toda la clase dos y tres ([[#img-11|Figura 11]]b).
 También es posible visualizar las observaciones en relación con el componente uno y dos en la [[#img-11|Figura 11]]b. Todo el universo de observaciones es colocado por medio de sus scores en la gráfica y cómo cada una de ellas está relacionada con los componentes principales, dichos puntos corresponden a las trazas de color rojo que a pesar de mostrar una relativa forma similar a una elipse corresponden realmente a la totalidad de observaciones de las 257 variables.

@@ Line 349: / Line 349: @@
 ===5.3 Clase 3===
-La clase que se presenta en este apartado propone la existencia de una falla en el sensado del voltaje cuya consecuencia radica en la presencia continua de un valor a la salida del sensor. A continuación, le llamaremos a esta clases de valor fijo. Finalmente, se muestran los valores de voltaje sensados en el punto mencionado anteriormente de manera que la [[#img-5|Figura 5]] ilustra la falla abrupta la cual se observa a los 0.15 s de la simulación. El voltaje sensado se coloca en un valor fijo de 75 V en las tres fases que se sensan. La [[#img-6|Figura 6]] ilustra la falla de valor fijo sobre las mediciones en valores rms.
+La clase que se presenta en este apartado propone la existencia de una falla en el sensado del voltaje cuya consecuencia radica en la presencia continua de un valor a la salida del sensor. A continuación, le llamaremos a esta clase de valor fijo. Finalmente, se muestran los valores de voltaje sensados en el punto mencionado anteriormente, de manera que la [[#img-5|Figura 5]] ilustra la falla abrupta, la cual se observa a los 0.15 s de la simulación. El voltaje sensado se coloca en un valor fijo de 75 V en las tres fases que se sensan. La [[#img-6|Figura 6]] ilustra la falla de valor fijo sobre las mediciones en valores rms.
 <div id='img-5'></div>
@@ Line 371: / Line 371: @@
 Los datos generados para todas las clases son luego procesados por el algoritmo para obtener sus componentes principales. La [[#tab-4|Tabla 4]] muestra los componentes principales de cada clase con su respectiva distribución de varianza (columna 2) por cada componente principal. También se muestra el porcentaje de varianza o la representatividad (columna 3) de cada uno de los componentes para el espacio generado y el porcentaje acumulado (columna 4) de la varianza, medida que ayuda a comprender la cantidad de componentes principales a utilizar para describir la mayor porción del sistema en estudio.
-Para la clase en la cual no existe falla en el sensado es posible notar que los primeros dos componentes aportan con la mayor representatividad del sistema, siendo estos los que representan alrededor del 85% mientras que, al considerar los primeros cinco componentes se tiene una representatividad acumulada del 99%. Las clases dos y tres se manejan de una manera similar, sus primeros dos componentes que representan alrededor del 80%, mientras que se requiere de cinco componentes para describir más del 95%.
+Para la clase en la cual no existe falla en el sensado es posible notar que los primeros dos componentes aportan con la mayor representatividad del sistema, siendo estos los que representan alrededor del 85%, mientras que al considerar los primeros cinco componentes se tiene una representatividad acumulada del 99%. Las clases dos y tres se manejan de una manera similar, sus primeros dos componentes que representan alrededor del 80%, mientras que se requiere de cinco componentes para describir más del 95%.
 <div class="center" style="font-size: 75%;">'''Tabla 4'''. Resumen de componentes principales</div>
@@ Line 460: / Line 460: @@
-Se puede observar que la presencia de fallas provoca la alteración de los componentes y los porcentajes de representatividad. Es posible entonces realizar una comparación de espacios entre la clase uno - dos, y una nueva comparación entre clase uno - tres. La diferencia angular entre uno y otro espacio puede indicar que las observaciones analizadas no son las mismas lo cual para el caso que compete a esta investigación significa una alteración de señales. La [[#tab-5|Tabla 5]] muestra la diferencia angular mencionada con anterioridad.
+Se puede observar que la presencia de fallas provoca la alteración de los componentes y los porcentajes de representatividad. Es posible entonces realizar una comparación de espacios entre la clase uno-dos, y una nueva comparación entre clase uno-tres. La diferencia angular entre uno y otro espacio puede indicar que las observaciones analizadas no son las mismas, lo cual, para el caso que compete a esta investigación, significa una alteración de señales. La [[#tab-5|Tabla 5]] muestra la diferencia angular mencionada con anterioridad.
 <div class="center" style="font-size: 75%;">'''Tabla 5'''. Diferencia angular</div>

@@ Line 328: / Line 328: @@
 ===5.2 Clase 2===
-La clase dos representa una clase en la cual el sensor encargado de aportar la información de los voltajes es afectado bruscamente y obtiene un valor de cero, lo cual supone una falla abrupta en el sensor. La [[#img-3|Figura 3]] muestra las señales sensadas para el control del conversor, en donde se puede observar que para el caso de la señal correspondiente al voltaje, la señal presenta un fallo abrupto (valor nulo) a los 0.15 s de simulación. La [[#img-4|Figura 4]] muestra, por otro lado, las señales rms sensadas en el mismo intervalo; es notorio que existe una falla en ese punto como se explicó en puntos anteriores.
+La clase dos representa una clase en la cual el sensor encargado de aportar la información de los voltajes es afectado bruscamente y obtiene un valor de cero, lo cual supone una falla abrupta en el sensor. La [[#img-3|Figura 3]] muestra las señales sensadas para el control del conversor, en donde se puede observar que, para el caso de la señal correspondiente al voltaje, la señal presenta un fallo abrupto (valor nulo) a los 0.15 s de simulación. La [[#img-4|Figura 4]] muestra, por otro lado, las señales rms sensadas en el mismo intervalo; es notorio que existe una falla en ese punto como se explicó en puntos anteriores.
 <div id='img-3'></div>

@@ Line 303: / Line 303: @@
 Al considerar el estudio sobre MG híbridas que opera en modo conectado de la red principal y compuesta por dos paneles fotovoltaicos, dos BESS, cagas líneas y no lineales. Por otro lado, se contempla que el estudio se realizará sobre las fuentes convertidoras de voltaje o VSC [1,23]. Se plantean tres escenarios de operación de la MG, el primero contempla la operación en condiciones nominales, el segundo escenario introduce una falla abrupta de sensado y finalmente el tercer escenario introduce una falla de valor fijo en la etapa de sensado. Los dos últimos escenarios introducen el daño en la etapa de sensado del conversor CA/CC conectado entre el bus de CC y la red de CA, dicho conversor es capaz de operar como inversor o como rectificador según sea el caso.
-Es necesario indicar que los escenarios explicados con anterioridad son llevados a cabo con el máximo de la demanda. De las cinco señales (<math>m</math>, <math>\phi</math>, <math>Va</math>, <math>Vb</math>, y <math>Vc</math>) que son tomadas como realimentación para el LC del conversor en estudio,  las tres señales <math>Va</math>, <math>Vb</math>, y <math>Vc</math> son afectadas directamente por el efecto de las fallas expuestas para los escenarios dos y tres. Las señales <math>m</math> y <math>\phi</math> son afectadas como consecuencia de las fallas y la acción de control errónea tomada por el LC. Adicionalmente, se usa la información de datos (252) trifásicos de la MG por cada bus que la conforma (para este caso de estudio son 14 buses) como: V-abc, i-abc, P-abc), Q-abc, THD-abc y PF-abc. De las clases antes expuestas se genera para cada uno de ellos un conjunto de datos sensados para la MG y el CL, con lo cual se obtiene un total de 257 variables es estudio. Las muestras son tomadas en un intervalo de tiempo de 0.35 s con un periodo de muestreo de 0.002 s. Las simulaciones se llevaron a cabo en un computador portátil con procesador Intel® Core™ i7-6700HQ CPU [mailto:@ @] 2.60 GHz 2.60 GHz, 16 GB de RAM y tarjeta gráfica NVIDIA GEFORCE GTX 960M + Intel® HD Graphics 530. A continuación, se muestra el estudio llevado a cabo para tres clases diferentes de operación.
+Es necesario indicar que los escenarios explicados con anterioridad son llevados a cabo con el máximo de la demanda. De las cinco señales  que son tomadas como realimentación para el LC del conversor en estudio (<math>m</math>, <math>\phi</math>, <math>Va</math>, <math>Vb</math>, y <math>Vc</math>),  tres (<math>Va</math>, <math>Vb</math>, y <math>Vc</math>) son afectadas directamente por el efecto de las fallas expuestas para los escenarios dos y tres. Las señales <math>m</math> y <math>\phi</math> son afectadas como consecuencia de las fallas y la acción de control errónea tomada por el LC. Adicionalmente, se usa la información de datos (252) trifásicos de la MG por cada bus que la conforma (para este caso de estudio son 14 buses) como: V-abc, i-abc, P-abc), Q-abc, THD-abc y PF-abc. De las clases antes expuestas se genera para cada uno de ellos un conjunto de datos sensados para la MG y el CL, con lo cual se obtiene un total de 257 variables es estudio. Las muestras son tomadas en un intervalo de tiempo de 0.35 s con un periodo de muestreo de 0.002 s. Las simulaciones se llevaron a cabo en un computador portátil con procesador Intel® Core™ i7-6700HQ CPU [mailto:@ @] 2.60 GHz 2.60 GHz, 16 GB de RAM y tarjeta gráfica NVIDIA GEFORCE GTX 960M + Intel® HD Graphics 530. A continuación, se muestra el estudio llevado a cabo para tres clases diferentes de operación.
 ===5.1 Clase 1===

@@ Line 253: / Line 253: @@
 !Style name !! style="text-align:left"| Format
 |-
-|  ''subspace''
+|  style="text-align:center"|''subspace''
 |  Calcula el ángulo entre espacios
 |-
-|  ''pca''
+| style="text-align:center"| ''pca''
 |  Obtiene información de los componentes principales
 |}

@@ Line 611: / Line 611: @@
 [18]  Bravo J.G.,  Ortiz L. Estrategia de tolerancia a fallas por condiciones ambientales para IEDS en subestaciones de distribución. Universidad Politécnica Salesiana, 2016.
-[19] C. Wang, J. Hu, and C. Wen, “Multi-level PCA and its application in fault diagnosis,” ''26th Chinese Control Decis. Conf. CCDC 2014'', pp. 2810–2814, 2014, doi: 10.1109/CCDC.2014.6852651.
+[19]  Wang C.,  Hu J.,   Wen C. Multi-level PCA and its application in fault diagnosis. 26th Chinese Control Decis. Conf. CCDC 2014, pp. 2810–2814, 2014. doi: 10.1109/CCDC.2014.6852651
-[20] Q. Alsafasfeh, I. Abdel-Qader, and A. Harb, “Symmetrical pattern and PCA based framework for fault detection and classification in power systems,” ''2010 IEEE Int. Conf. Electro/Information Technol. EIT2010'', 2010, doi: 10.1109/EIT.2010.5612179.
+[20]  Alsafasfeh Q.,  Abdel-Qader I.,  Harb A. Symmetrical pattern and PCA based framework for fault detection and classification in power systems. 2010 IEEE Int. Conf. Electro/Information Technol. (EIT2010), pp. 1-5, 2010, doi: 10.1109/EIT.2010.5612179.
-[21] Y. Wang, X. Ma, and P. Qian, “Wind Turbine Fault Detection and Identification Through PCA-Based Optimal Variable Selection,” ''IEEE Trans. Sustain. Energy'', vol. 9, no. 4, pp. 1627–1635, 2018, doi: 10.1109/TSTE.2018.2801625.
+[21]  Wang Y.,  Ma X.,   Qian P. Wind turbine fault detection and identification through PCA-based optimal variable selection. IEEE Trans. Sustain. Energy, 9(4):1627–1635, 2018. doi: 10.1109/TSTE.2018.2801625
-[22] M. Khoddam, J. Sadeh, and P. Pourmohamadiyan, “Electrical contact failure detection based on dynamic resistance principle component analysis and RBF neural network,” ''C. 2016 - Int. Conf. Cond. Monit. Diagnosis'', pp. 380–383, 2016, doi: 10.1109/CMD.2016.7757897.
+[22]  Khoddam M.,  Sadeh J.,   Pourmohamadiyan P. Electrical contact failure detection based on dynamic resistance principle component analysis and RBF neural network. C. 2016 - Int. Conf. Cond. Monit. Diagnosis, pp. 380–383, 2016. doi: 10.1109/CMD.2016.7757897
-[23] L. Ortiz, R. Orizondo, A. Aguila, J. W. Gonz, I. Isaac, and J. L. Gabriel, “Hybrid AC/DC & DC microgrid test system simulation ([https://www.mathworks.com/matlabcentral/fileexchange/73878-hybrid-ac-dc-dc-microgrid-test-system-simulation https://www.mathworks.com/matlabcentral/fileexchange/73878-hybrid-ac-dc-dc-microgrid-test-system-simulation]).” MATLAB Central File Exchange, 2020, [Online]. Available: [https://www.mathworks.com/matlabcentral/fileexchange/73878-hybrid-ac-dc-dc-microgrid-test-system-simulation?s_tid=srchtitle. https://www.mathworks.com/matlabcentral/fileexchange/73878-hybrid-ac-dc-dc-microgrid-test-system-simulation?s_tid=srchtitle.]
+[23]  Ortiz L.,  Orizondo R.,  Aguila A.,  González J.W., López G.J.,  Isaac I.  Hybrid AC/DC & DC microgrid test system simulation. MATLAB Central File Exchange, 2020. [Online]. Available: [https://www.mathworks.com/matlabcentral/fileexchange/73878-hybrid-ac-dc-dc-microgrid-test-system-simulation?s_tid=srchtitle. https://www.mathworks.com/matlabcentral/fileexchange/73878-hybrid-ac-dc-dc-microgrid-test-system-simulation?s_tid=srchtitle.]
-[24] Z. Liang, L. Mu, F. Zhang, H. Zhou, and X. Zhang, “The fault detection method of islanded microgrid with the V/f controlled distributed generation,” ''Int. J. Electr. Power Energy Syst.'', vol. 112, no. December 2018, pp. 28–35, 2019, doi: 10.1016/j.ijepes.2019.04.030.
+[24]  Liang Z.,  Mu L.,  Zhang F.,  Zhou H.,  Zhang X. The fault detection method of islanded microgrid with the V/f controlled distributed generation. Int. J. Electr. Power Energy Syst., 112:28–35, 2019. doi: 10.1016/j.ijepes.2019.04.030
-[25] B. Ramírez, L. Ortiz, and W. Pavón, “Análisis Dinámico Comparativo de Métodos de Detección e identificación de Fallas de Sensado sobre el Control Local de Micro-redes,” ''RISTI – Rev. Ibérica Sist. e Tecnol. Informação'', vol. E45, no. 44, pp. 1–17, 2021, [Online]. Available: [http://www.risti.xyz/issues/ristie45.pdf. http://www.risti.xyz/issues/ristie45.pdf.]
+[25]  Ramírez B.,  Ortiz L.,  Pavón W. Análisis dinámico comparativo de métodos de detección e identificación de fallas de sensado sobre el control local de micro-redes. RISTI – Rev. Ibérica Sist. e Tecnol. Informação, E45(44):1–17, 2021. [Online]. Available: [http://www.risti.xyz/issues/ristie45.pdf. http://www.risti.xyz/issues/ristie45.pdf.]
-[26] J. Song and B. Li, “Nonlinear and additive principal component analysis for functional data,” ''J. Multivar. Anal.'', vol. 181, p. 104675, 2021, doi: 10.1016/j.jmva.2020.104675.
+[26]  Song J.,  Li B. Nonlinear and additive principal component analysis for functional data. J. Multivar. Anal, 181:104675, 2021. doi: 10.1016/j.jmva.2020.104675
-[27] S. Asante-Okyere, C. Shen, Y. Y. Ziggah, M. M. Rulegeya, and X. Zhu, “Principal component analysis (PCA) based hybrid models for the accurate estimation of reservoir water saturation,” ''Comput. Geosci.'', vol. 145, no. July, p. 104555, 2020, doi: 10.1016/j.cageo.2020.104555.
+[27] Asante-Okyere S.,  Shen C.,  Ziggah Y.Y.,  Rulegeya M.M.,  Zhu  X. Principal component analysis (PCA) based hybrid models for the accurate estimation of reservoir water saturation. Comput. Geosci., 145:104555, 2020. doi: 10.1016/j.cageo.2020.104555
-[28] M. Hamadache and D. Lee, “Principal components analysis based fault detection and isolation for electronic throttle control system,” ''Int. Conf. Control. Autom. Syst.'', pp. 808–813, 2012.
+[28]  Hamadache M.,  Lee D. Principal components analysis based fault detection and isolation for electronic throttle control system. 2012 12th International Conference on Control, Automation and Systems, pp. 808–813, 2012.
-[29] X. Zhang and X. Ren, “Two Dimensional Principal Component Analysis based Independent Component Analysis for face recognition,” ''2011 Int. Conf. Multimed. Technol. ICMT 2011'', pp. 934–936, 2011, doi: 10.1109/ICMT.2011.6002199.
+[29]  Zhang X.,   Ren X. Two Dimensional principal component analysis based independent component analysis for face recognition. 2011 Int. Conf. Multimed. Technol. (ICMT), pp. 934–936, 2011. doi: 10.1109/ICMT.2011.6002199
-[30] C. G. González and A. B. Felpeto, ''Tratamiento de datos''. D{\’\i}az de Santos, 2006.
+[30]  González C.G., Felpeto A.B. Tratamiento de datos. Díaz de Santos, 2006.
-[31] H. Lahdhiri, M. Said, and O. Taouali, “Sensor fault detection using a new online reduced rank kernel PCA for monitoring an air quality monitoring network,” ''Proc. Int. Conf. Adv. Syst. Emergent Technol. IC_ASET 2019'', no. 2, pp. 34–39, 2019, doi: 10.1109/ASET.2019.8871046.
+[31]  Lahdhiri H.,  Said M.,  Taouali O. Sensor fault detection using a new online reduced rank kernel PCA for monitoring an air quality monitoring network. 2019 International Conference on Advanced Systems and Emergent Technologies (IC_ASET), pp. 34–39, 2019. doi: 10.1109/ASET.2019.8871046