SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 26 Sayı: 1

GÜÇ KALİTESİNDEKİ BOZULMA TÜRLERİNİN SINIFLANDIRILMASI İÇİN BİR ÖRÜNTÜ TANIMA YAKLAŞIMI

Murat Uyar
Selçuk Yıldırım
Muhsin Gençoğlu
Pages
—
Publication Date
2013-02-20
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Çalışmadan elde edilen analiz ve sonuçlar, önerilen algoritmanın etkin, güvenilir ve uygulanabilirbir yapıya sahip olduğunu göstermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada, güç kalitesindeki bozulma türlerinin sınıflandırılması için örüntü tanıma yaklaşımlarına dayalı biralgoritma önerilmiştir.
📊
Key Findings & Data:Önerilen algoritmanın başarımı, gerçek veyapay güç kalitesi bozulma verileri kullanılarak değerlendirilmiştir.
💡
Conclusion & Impact:Çalışmadan elde edilen analiz ve sonuçlar, önerilen algoritmanın etkin, güvenilir ve uygulanabilirbir yapıya sahip olduğunu göstermektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Bu çalışmada · güç kalitesindeki bozulma türlerinin sınıflandırılması için örüntü tanıma yaklaşımlarına dayalı bir algoritma önerilmiştir. Örüntü tanımanın önemli bir kısmı olan özellik çıkarma için · dalgacık dönüşüm

Özet

Bu çalışmada, güç kalitesindeki bozulma türlerinin sınıflandırılması için örüntü tanıma yaklaşımlarına dayalı biralgoritma önerilmiştir. Örüntü tanımanın önemli bir kısmı olan özellik çıkarma için, dalgacık dönüşümününayrıştırma katsayılarını kullanan entropi temelli bir yöntem sunulmuştur. Yöntemin en önemli avantajı, işaretinayırt edici özelliklerini kaybetmeksizin veri boyutunu indirgeyebilmesidir. Sınıflandırıcı olarak, istatistikselöğrenme teoremine dayanan destek vektör makineler kullanılmıştır. Önerilen algoritmanın başarımı, gerçek veyapay güç kalitesi bozulma verileri kullanılarak değerlendirilmiştir. Gerçek güç kalitesi bozulma verileri, ulusalenerji sistemimizden elde edilmiştir. Yapay veriler ise, ATP/ EMTP modelinden ve matematiksel modellerdenelde edilmiştir. Çalışmadan elde edilen analiz ve sonuçlar, önerilen algoritmanın etkin, güvenilir ve uygulanabilirbir yapıya sahip olduğunu göstermektedir.

🔖

Cite This Article

Uyar, M., Yıldırım, S., Gençoğlu, M. (2013). GÜÇ KALİTESİNDEKİ BOZULMA TÜRLERİNİN SINIFLANDIRILMASI İÇİN BİR ÖRÜNTÜ TANIMA YAKLAŞIMI. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 26 Sayı: 1. https://ajindex.com/articles/1078502

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (95)

  1. Dugan, R.C., Mcgranaghan, M.F., Santoso, S. ve
  2. Beaty, H.W., Electrical Power Systems Quality,
  3. McGraw-Hill, New York, 2002.
  4. Gaouda, A.M., Salama, M.M.A., Sultan, M.R.,
  5. Chikhani, A.Y., “Power “Quality Detection and
  6. Classification using Wavelet-Multiresolution
  7. Signal Decomposition”, IEEE Trans. on Power
  8. Deliv., 14, 4, 1469-1476, 1999.
  9. Güç Kalitesi Milli Projesi,
  10. http://www.guckalitesi.gen.tr.
  11. Gaouda, A.M., Wavelet-Automated
  12. Recognition System for Power Quality
  13. Monitoring, Phd Thesis, University of Waterloo,
  14. AbdelGalil, T., Automated Recognition System
  15. for Power Quality Disturbances, Phd Thesis,
  16. University of Waterloo, 2003.
  17. Flores, R.A., “State of the Art in the
  18. Classification of Power Quality Events, an
  19. Overview”, 10th Int. Conf. Harmonics Quality
  20. of Power, Rio de Janeiro, Brazil, 1, 17–20, 2002.
  21. Perunicic, B., Mallini, M., Wang, Z., Liu, Y.,
  22. “Power Quality Disturbance Detection and
  23. Classification using Wavelets and Artificial
  24. Neural Networks”, 8th Int. Conf. on Harmonics
  25. and Quality of Power, Athens, Greece, 1, 77–, 1998.
  26. Liao, Y., Lee, J.-B., “A Fuzzy-Expert System for
  27. Classifying Power Quality Disturbances”,
  28. International Journal of Electrical Power &
  29. Energy Systems, 26, 3, 199-205, 2004.
  30. AbdelGalil, T.K., Kamel, M., Youssef, A.M., El-
  31. Saadany, E.F., Salama, M.M.A., “Power Quality
  32. Disturbance Classification using the Inductive
  33. Inference Approach”, IEEE Trans. Power
  34. Deliv., 19, 4, 1812–1818, 2004.
  35. Strang, G., Nguyen, T., Wavelets and Filter
  36. Banks, Cambridge Press, Wellesley, 1996.
  37. Cortes, C., Vapnik, V. N., “Support Vector
  38. Networks”, Machine Learning, 20, 3, 273-293,
  39. Vapnik, V.N., The Nature of Statistical
  40. Learning Theory, Springer-Verlag, New York,
  41. Schölkopf, B., Sung, K., Burges, C., Girosi, F.,
  42. Niyogi, P., Poggio, T., Vapnik, V., “Comparing
  43. Support Vector Machines with Gaussian Kernels
  44. to Radial Basis Function Classifiers”. IEEE
  45. Trans. on Signal Processing, 45, 11, 2758–, 1997.
  46. Keerthi, S.S., Lin, C.-J., “Asymptotic Behaviors
  47. of Support Vector Machines with Gaussian
  48. Kernel”, Neural Computation, 15, 7, 1667–, 2003.
  49. Vapnik V.N., The Nature of Statistical
  50. Learning Theory, Second Edition, Springer
  51. Science, New York, 2000
  52. Cristianini, N., Shawe-Taylor, J., An
  53. Introduction to Support Vector Machines and
  54. Other Kernel-Based Learning Methods,
  55. Cambridge University Press, New York, 2000.
  56. Uyar, M., Güç Kalitesindeki Bozulma
  57. Türlerinin Akıllı Örüntü Tanıma Yaklaşımları
  58. ile Belirlenmesi, Doktora Tezi, Fırat
  59. Üniversitesi, Fen Bilimleri Enstitüsü, 2008.
  60. Uyar, M., Yildirim, S., Gencoglu, M.T., “An
  61. Effective Wavelet-Based Feature Extraction
  62. Method for Classification of Power Quality
  63. Disturbance Signals”, Electric Power Systems
  64. Research, 78, 10, 1747–1755, 2008.
  65. Türkoğlu, İ., Durağan Olmayan İşaretler İçin
  66. Zaman-Frekans Entropilerine Dayalı Akıllı
  67. Örüntü Tanıma, Doktora Tezi, Fırat
  68. Üniversitesi, Fen Bilimleri Enstitüsü, 2003.
  69. Salor, Ö, Buhan, S., Ünsar, Ö., et.al., “Mobile
  70. Monitoring System to Take Nationwide PQ
  71. Measurements on Electricity Transmission
  72. Systems”, Measurement, 42, 501–515, 2009.
  73. Dommel H.W., Electromagnetic Transients
  74. Program. Reference Manual (EMTP theory
  75. book), Bonneville Power Administration,
  76. Portland, 1986.
  77. Kizilcay, M., Review of Solution Methods in
  78. ATP-EMTP, EEUG News, 2001.
  79. He, H., Starzyk, J.A., “A Self-Organizing
  80. Learning Array System for Power Quality
  81. Classification Based on Wavelet Transform”,
  82. IEEE Trans. Power Deliv., 21, 1, 286–295,
  83. Yang, H.T., Liao, C.C., “A De-Noising Schemes
  84. for Enhancing Wavelet-Based Power Quality
  85. Monitoring System”, IEEE Trans. Power
  86. Deliv., 16, 7, 353–360, 2001.
  87. Panigrahi, B.K., Sinha, S.K., “Detection and
  88. Classification of Non-Stationary Power
  89. Disturbances in Noisy Conditions”, Power
  90. Electronics, Drives and Energy Systems
  91. PEDES’06, New Delhi, India, 1–5, 2006.
  92. Janik, P., Lobos, T., “Automated Classification of
  93. Power-Quality Disturbances using SVM and RBF
  94. Networks”, IEEE Trans. on Power Deliv., 21, 3,
  95. 1669, 2006