Quantification 

of Short Duration Disturbances 
in Distribution Systems using Wavelet 
Transform
Aritra Dasgupta Dr. Sudipta Nath 
Dept of Applied Electronics and Instrumentation Engineering, Dept of Electrical Engineering, 
 Netaji Subhash Engineering College, Netaji Subhash Engineering College,
 Kolkata, India  Kolkata, India
(aritradgupta@yahoo.co.in). (nath_sudipta@yahoo.com).
 

Abstract—  The   ability   to   detect   and   classify   the   type   of   short  Alternative computing methods for related quantities using 
duration disturbances is a fundamental task in any power quality  wavelet   transforms   have   been   presented   in   [5].   Also   a 
studies. Quantifying that disturbance with a suitable index is the  totally different method using complex wavelet transforms, 
ultimate goal of power quality analysis. This paper describes an  allowing the formulation of power definitions in the time 
exclusive   method   of   quantifying   short   duration   disturbances   in  frequency domain itself, were developed.  A power quality 
power signals at the distribution level. It has been shown that the  measure based on Shannon’s entropy have been introduced 
standard deviation and the entropy obtained from discrete wavelet  in [6]. This measure expresses the magnitude deviation of 
transform of the distorted signals can be used as a suitable power  the   signal   from   the   ideal   one   and   also   incorporates   the 
quality   indicator.   The   entropy   considered   here   is   Shannon’s  effects of the harmonics in the signal. The two entropies, 
entropy.   Another   type   of   entropy   based   on   log   energy   of   the  spectral and the probabilistic entropy has  been calculated 
distorted signals defined by the wavelet packet transform has been  for every voltage cycle and properly combined to provide 
used as a power quality indicator in this paper.  the power quality measure.  The ability of multiresolution 
signal   decomposition   technique,   by   plotting   standard 
Keywords—   Power   quality,   wavelet   transform,   entropy,   log 
deviations of the decomposed signal at different resolution 
energy, standard deviation. 
levels,   to   classify   and   quantify   the   power   quality 
disturbance   have   been   presented   in   [7].   It   has   been   also 
shown that the curve obtained by plotting the entropy of the 
I. INTRODUCTION decomposed   signal   at   different   levels   provides   clear 
The prospect of power quality studies came into the limelight  information   for   the   detection   and   quantification   of   the 
of the power engineers as well as those specializing in signal  power   quality   disturbances.  An   exclusive   method   of 
processing techniques due to increasing complexity of power  monitoring short duration disturbances in the presence of 
electronic devices in the overall power system. The theoretical  harmonics  in power  signals   at  the  distribution  level   have 
basis   and   practical   applications   of   power   /energy   and   rms  been shown in [8]. The standard deviation obtained from 
measurements   were   provided   directly   from   the   wavelet  discrete   wavelet   transform   analysis   has   been   used   as   the 
transform   data   associated   with   each   voltage   current   element  power quality indicator for the harmonic intrusion. In [9] 
pair   [1].   The   wavelet   based   power   measurement   algorithms,  wavelet   transform   was   used   to   analyze   power   system 
which has been developed and tested, indicate the distribution  transients.   A   novel   classification   method   for   power 
of power and rms with respect to the individual sub bands. The  distribution line disturbances using a rule based method and 
notional basis for the measurement of reactive and distortion  a wavelet packet based hidden Markov model (HMM) have 
powers   from   wavelet   transforms   were   provided   in   [2].   This  been developed in [10]. The rule based method has been 
study demonstrated the extension of the wavelet transform to  utilized for the classification of time characterized feature 
the measurement of reactive power through the use of a broad  disturbances, and the wavelet packet based HMM has been 
band quadrature phase shift networks. The use of continuous  utilized   for   the   frequency   characterized   feature   power 
wavelet   transform   to   detect   and   analyze   voltage   sags   and  disturbances.   It   has   been   shown   in   [11]   that   the   wavelet 
transients   has   been   shown   in   [3].  A   comparison   between  analysis together with wavelet entropy principle can be used 
measured characteristics and benchmark values has been shown  as a powerful tool in fault detection purpose. Jafarian et al. 
in   this   paper   which   detects   the   presence   of   disturbances   in  [12]   described   a   travelling­wave­based   protection   scheme 
analyzed signals and characterizes the type of disturbances. A  for   power   transmission   lines.   The   scheme   used   PCA 
methodology   based   on   digital   signal   processing   architecture  (principal   component   analysis)   to   identify   the   dominant 
capable   of   simultaneous   and   automated   detection   and  pattern of the signal pre processed by the wavelet transform. 
classification of transient signals have been presented in [4].  This paper focuses its attention on the quantification aspects 
The   basic   unit   of   the   afore   mentioned   architecture   is   the  of short duration disturbances in distribution systems using 
wavelet network , which combines the ability of the wavelet  standard deviation, shannon’s entropy and entropy based on 
transform   of   analyzing   non   stationary   signals   with   the  log energy of the distorted signals.
classification   capability   of   artificial   neural   networks. 
 II. FEATURE EXTRACTION OF POWER QUALITY  and interruption respectively. It has been seen that the peak 
DISTURBANCE USING DWT values of the curves given in figures 1, 2 and 3 detect the 
In this section we briefly review the essence of discrete wavelet  type of the disturbance. For example the peak value of stan­
transform in the analysis of short duration disturbances in dis­ dard deviation curve in Fig. 3(a) is less than that at figure 1 
tribution systems. For this purpose the following signals have  indicating that there is sag in the disturbed signal. For inter­
been considered, viz. pure sinusoidal signal, sinusoidal signal  ruption, the peak value of standard deviation curve in Fig 
with intermediate sag, swell and interruption. The signals are  3(c) is still  less  than that in sag. Similarly for swell, the 
voltage signals with a 50 Hz frequency having amplitude of  peak value of standard deviation curve in Fig 3(b) is higher 
220V. All these signals have been analyzed using the discrete  than that of the ideal signal in Fig 1.Hence the standard de­
wavelet transform. The mother wavelet chosen for this analysis  viation   curves   obtained   from   discrete   wavelet   transform 
is Daubechies 4. However, the choice of the mother wavelet is  clearly detects the type of the disturbance.
the prerogative of the designer. Fig. 1 and  Fig. 2  shows the 
standard deviation curve for 50 Hz. and 154.7 KHz. pure sinu­ Quantification is important for measuring the quality of the 
soidal signals.  The statistical data (namely the standard devia­ power. The changes in the magnitude and duration of the 
tion) pertaining to all levels of decomposition for pure sinu­ short   duration   disturbance   events   can   be   calculated   by 
soidal signals as well as the signals with intermediate short du­ generating   a   group   of   curves   which   represent   the   above 
ration   disturbance   (sag,   swell   &   interruption)   has   been   col­ variation. The measurement curves given by figures 4 and 5 
lected and plotted against the levels.   are generated as follows: 
 A group of signals, distorted with sag phenomena, 
and swell phenomena for fixed duration, starting 
from   pure   wave   with   frequency   50   Hz   and 
amplitude   220V   to   complete   interruption   in   the 
case of sag, and to a swell of 2.5 p.u., in the case 
of swell, is generated. 
 Each   signal   is   analyzed   using   discrete   wavelet 
transform and the maximum value of the standard 
deviation is obtained.    
 The number of cycles has been changed and the 
process is repeated again to generate other curves 
for different duration. 

The standard deviation curves in Fig 4 and Fig 5 shows the 
quantification of sag and swell respectively. The horizontal 
Figure 1. Standard deviation curve for low frequency signal
axis of Fig 4 and Fig 5 represents the maximum value of the 
standard deviation obtained at level 4. The vertical axis of 
figures   4   and   5  represent   the   magnitude   of   the   distorted 
signals in per unit. Fig 4 and Fig 5 indicate that lesser the 
duration of a particular type of disturbance, steeper is the 
distribution of the standard deviation for that signal vs. the 
magnitude of the pure sine wave, expressed in p.u.

A   different   point   of   view   is   taken   to   the   aspect   of 

delectation and quantification, using the shannon’s entropy 
of the distorted signals. The calculation of entropy is based 
on Shannon’s entropy. The Shannon’s entropy for a finite 
events scheme is given by the formula C (p1, p2, p3, …… pn) 
n
= ­  ∑ pk log 2 p k  where, pK is the assigned probability 
k=1
with the kth   event. Figure 6 shows the curve of entropy of 
different   short   duration   disturbed   signals   at   different 
decomposition levels. The vertical axis of Fig 6 represents 
the   entropy   values   obtained   at   different   decomposition 
levels. The horizontal axis of Fig 6 represents the levels of 
Figure 2. Standard deviation curve for high frequency signal
decomposition   of   the   different   signals   obtained   from 
discrete wavelet transform analysis. Initially the magnitude 
In other words a graph of magnitude of standard deviation vs. 
of   the   curve,   in   Fig   6,   for   swell   is   high   and   that   for 
level of decomposition of the signal has been obtained for all 
interruption is low. By observing the nature of the entropy 
the waveforms. Fig 3 shows the standard deviation curves for 
curves of different disturbed signals with respect to the pure 
50 Hz. signals with power quality disturbances i.e. sag, swell 
sinusoidal signal the type of the disturbance can be easily 
detected. 

Figure 4. Standard deviation curve quantifying sag & 
interruption

Figure 5. Standard deviation curve quantifying swell

                               (c) 
                             
Figure 3. Standard deviation curves for Sag and Swell and 
Interruption (50 Hz)

Figure 6. Entropy curve for different power quality 
disturbances at 50 Hz.

The quantification aspect with the help of entropy has been 
achieved using the same procedure as has been used to quantify  analysis, the details as well as approximations are splitted. 
the disturbance with standard deviation. Fig 7 and Fig 8 shows  The   type   of   entropy   used   in   this   paper   is   based   on   log 
the   quantification   curve   of   sag   and   swell   having   varying  energy. The logarithm of energy, defined as the sum over all 
degrees of disturbance duration. The vertical axis of Fig 7 and  the samples:  Σ  log (si2), where si  is the ith sample of the 
Fig 8 represents the magnitude of the distorted signal in per  signal.   Fig.   9   shows   the   detection   of   short   duration 
unit. The horizontal axis of the Fig 7 and Fig 8 represents the  disturbances using the log energy based entropy as defined 
maximum   entropy   value   obtained   from   discrete   wavelet  by the wavelet packet family. The mother wavelet used in 
transform analysis. The entropy used in the formulation of Fig  wavelet packet analysis is Daubechies 6.  The signals taken 
7   and   Fig   8   is   based   on   shannon’s   entropy   defined   by   the  into consideration for Fig 9 are pure sinusoidal signals with 
statutory wavelet transform. A very distinct quantification has  and   without   intermediate   sag,   swell   and   interruption 
been   achieved   between   different   durations   of   short   duration  respectively.   The   vertical   axis   of   Fig   9   represents   the 
disturbance   (sag/swell)   signals.   Lesser   the   duration   of   the  entropy   values   obtained   at   different   levels   of 
disturbance the more steeper is the curve, as is evident from Fig  decomposition. The horizontal axis of Fig 9 represents the 
7 and Fig 8.  levels of decomposition. The point of concern is once again 
the peak values of the multi resolution curve in Fig 9. It has 
been   shown   in   Fig   10   that   at   levels   2   and   3   a   clear 
distinction in entropy values between the different signals 
considered for power quality analysis in this paper exists. It 
has been shown in Fig 10 that with increasing magnitude of 
sag   there   is   a   corresponding   decrease   in   the   maximum 
entropy   values.   Again   for   swell,   the   maximum   entropy 
value overshoots that of the pure signal with no disturbance. 

Figure 7. Entropy curves quantifying sag

Figure 9. Short duration disturbance detection using wavelet 
packet.

Figure 8. Entropy curves quantifying swell

III. QUANTIFICATION OF SHORT DURATION  Figure10.   Magnified view of the peaks of fig 9.
DISTURBANCE USING WAVELET PACKET
In the wavelet packet framework, compression and de­noising  As for the quantification purpose, the method outlined in 
ideas are exactly the same as those developed in the wavelet  section II is repeated here; with the only difference that the 
framework. The only difference is that wavelet packets offer a  entropy   values   are   based   on   log   energy   as   opposed   to 
more complex and flexible analysis, because in wavelet packet  Shannon’s   entropy   and   wavelet   packet   is   used   instead   of 
discrete   wavelet   transform.   Fig   11   and   Fig   12   shows   the  disturbances that frequently occur in the power signals. 
quantification   of   the   sag   and   swell   type   of   short   duration 
disturbances using the log energy based entropy of the wavelet 
packet   family.   The   horizontal   axis   of   Fig   11   and   Fig   12  ACKNOWLEDGMENT
represent the maximum value of entropy obtained from wavelet 
packet   analysis.   The   vertical   axis   of   Fig   11   and   Fig   12  The authors acknowledge the financial support given by All 
represents the percentage of sag and swell magnitude. It has  India Council for Technical Education (AICTE), Govt. of 
been shown in Fig 11 and fig 12 that the  quantifying curves are  India for sponsoring this research in the form of grant­in­aid 
more flat with increasing degree of disturbance duration.  to Career Award for Young Teachers to Dr. Sudipta Nath. 

Figure 11. Quantification of sag using wavelet packet entropy
REFERENCES
[1] Weon – Ki Yoon and Michael J. Devaney, “Power Measurement Using 
the   Wavelet   Transform”,   IEEE   Transactions   on   Instrumentation   and 
Measurement, Vol  47, No. 5, Oct 1998.
[2]   Weon   –   Ki   Yoon   and   Michael   J.   Devaney,   “Reactive   Power 
Measurement   Using   the   Wavelet   Transform”,   IEEE   Transactions   on 
Instrumentation and Measurement, Vol 49, No. 2, April 2000.
[3] O. Poisson, P. Rioual and M. Meunier, “Detection and Measurement of 
Power Quality Disturbances Using Wavelet Transform”, IEEE Transactions 
on Power Delivery, Vol 15, No. 3, July 2000. 
[4] L. Angrisani, P. Daponte and M. D’Apuzzo, “Wavelet Network Based 
Detection   and   Classification   of   Transients”,   IEEE   Transactions   on 
Instrumentation and Measurement”, Vol 50, No. 5, Oct 2001.
[5]   J.   L.   J.   Driesen   and   R.   J.   M.   Belmans,   “Wavelet   Based   Power 
Quantification   Approaches”,   IEEE   Transactions   on   Instrumentation   and 
Measurement, Vol 52, No. 4, Aug 2003.
[6] Dimitris Al. Katsaprakakis, Dimitris G. Christakis, Arthouros Zervos 
and Spiros Voutsinas, “A Power Quality Measure”, IEEE Transactions on 
Power Delivery, Vol 23, No. 2, April 2008.
[7]   Aritra   Dasgupta   and   Sudipta   Nath,  “Detection,   Measurement   and 
Classification   of   Power   Quality   Disturbances   in   Distribution   Systems”, 
IEEE International Conference on Advance Computing, pp 2223 – 2229, 
Patiala, India, March 2009.
[8] Aritra Dasgupta and Sudipta Nath, “Application of Discrete Wavelet 
Transform  for  Monitoring  Short Duration  and Harmonic Disturbance in 
Distribution Systems” 1st International Conference on Advances in Energy 
Conversion Technologies (ICAECT 2010), Manipal, India, pp 486­491, Jan 
07 – 10, 2010. 

[9]   C.   David,   I.   Octavia,   S.   Jeffery   and   G.   William,   “   Wavelets   and 

Electromagnetic Power System Transients,” IEEE Transactions on Power 
Delivery, Vol. 11, No. 2, pp 1050­1058, April 1996.
[10]   J   Chung,   E.J.   Powers,   W.M.   Grady   and   S.C.   Bhatt,   “Power 
Disturbance Classifier Using a Rule Based Method and Wavelet Packet – 
Based Hidden Markov Model”, IEEE Transactions on Power Delivery, Vol 
17, No. 1, Jan 2002.
Figure.12. Quantification of swell using wavelet packet entropy
[11] S. El Safty and A. El­Zonkoly, “Applying Wavelet Entropy Principle 
in   Fault   Classification”,   Proceedings   of   World   Academy   of   Science, 
Engineering and Technology, Vol 30, pp 133­135, July 2008. 
IV. CONCLUSIONS
[12] Peyman Jafarian and Majid Sanaye­Pasand, “A Travelling­Wave­Based 
Protection Technique Using Wavelet/PCA Analysis”, IEEE Transactions on 
A   significant   step   in   the   power   quality   studies   at   the  Power Delivery, Vol 25, No. 2, April 2010.
distribution   level   is   the   quantification   of   the   short   duration 
disturbances in power signals. This paper exclusively describes 
the quantification aspects of power signals with intermediate 
sag, swell and interruption. Quantification is done with three 
separate indices, viz. standard deviation, shannon’s entropy and 
entropy based on log energy of the distorted signals. It has been 
shown in this paper that with the help of these indices one can 
effectively   detect   as   well   as   give   sufficient   quantitative 
information   about   the   different   types   of   short   duration