Journals / EMO Bilimsel Dergi / 2026 / Cilt: 15 Sayı: 1

Elektrik Güç Kalitesi Bozulmalarının Uzun Kısa-Süreli Bellek Tabanlı Sinir Ağları ile Sınıflandırılması

Volkan Yamaçlı(MERSİN ÜNİVERSİTESİ)0000-0003-0331-8818
Pages
135–142
Publication Date
2025-01-25
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)

Yapılan farklı durum ve sınıflama çalışmalarında %80 ile %97 arasında test başarısı elde edilmesi yaklaşımın verimliliği ve doğruluğunu ifade etmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Güç kalitesi bozulma tespiti ve sınıflandırması, güç elektroniği ekipmanlarının, yeşil enerjinin ve akıllı şebekelerin oluşturulmasının artan ihtiyacı ve kullanımı göz önüne alındığında hayati öneme sahiptir.
📊
Key Findings & Data:Güç kalitesi bozulmasına örnek olarak harmonikler, gerilim artış ve düşüşleri, geçiş karakteristikleri, gerilim işareti frekansının artış ve azalışı ile gerilim çentiği gibi olaylar örnek verilebilir.
💡
Conclusion & Impact:Yapılan farklı durum ve sınıflama çalışmalarında %80 ile %97 arasında test başarısı elde edilmesi yaklaşımın verimliliği ve doğruluğunu ifade etmektedir.
🔬Design:Araştırma Makalesi
📍Scope:Comprehensive Sample
⚙️Variables:güç kalitesi bozulmaları · güç kalitesi ve kontrolü · elektriksel bozulmalar

Özet

Güç kalitesi bozulma tespiti ve sınıflandırması, güç elektroniği ekipmanlarının, yeşil enerjinin ve akıllı şebekelerin oluşturulmasının artan ihtiyacı ve kullanımı göz önüne alındığında hayati öneme sahiptir. Sadece teknolojik açıdan değil, aynı zamanda ekonomik açıdan da ekipman arızalarının oluşmaması ve erken müdahalenin sağlanabilmesi için önem arz etmektedir. Güç kalitesi bozulmasına örnek olarak harmonikler, gerilim artış ve düşüşleri, geçiş karakteristikleri, gerilim işareti frekansının artış ve azalışı ile gerilim çentiği gibi olaylar örnek verilebilir. Bu ve benzer bozunumların hassas yükleri ve bağlı sistemleri etkilemeden önce mümkün olan en kısa sürede belirlenmesini ve önleyici eylemlerin uygulanmasını gerekmektedir. Bu çalışmada, çeşitli güç kalitesi bozulmalarını temsil eden işaret karakteristikleri tekrarlayan sinir ağı metotlarından olan uzun kısa-süreli bellek ile en kısa sürede tespit ve sınıflandırılması sağlanmasına yönelik çalışmalar gerçekleştirilmiştir. Yapılan farklı durum ve sınıflama çalışmalarında %80 ile %97 arasında test başarısı elde edilmesi yaklaşımın verimliliği ve doğruluğunu ifade etmektedir.

🔖

Cite This Article

Yamaçlı, V. (2025). Elektrik Güç Kalitesi Bozulmalarının Uzun Kısa-Süreli Bellek Tabanlı Sinir Ağları ile Sınıflandırılması. EMO Bilimsel Dergi, Cilt: 15 Sayı: 1, 135–142. https://ajindex.com/articles/1390288

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (19)

  1. B. Eristi, V. Yamacli, H. Eristi "A Novel Microgrid Islanding Classification Algorithm Based on Combining Hybrid Feature Extraction Approach with Deep Resnet Model", Electrical Engineering, 106, 145-164, 2024.
  2. R.C. Dugan, M.F. McGranaghan, S. Santoso, H.W. Beaty, Electrical Power System Quality, McGraw Hill, 2002.
  3. E. Fuchs, M.A.S. Masoum, Power Quality in Power System and Electrical Machines, Academic Press, 2008. [4] M.H.J. Bollen, I.Y.H. Gu, Signal Processing of Power Quality Disturbances, Wiley, New York, 2006.
  4. B. Biswal, P.K. Dash, B.K. Panigrahi, "Non-Stationary Power Signal Processing for Pattern Recognition Using HS-Transform", Applied Soft Computing, 9(1), 107–117, 2009.
  5. W.G. Morsi, M.E. El-Hawary, “Novel Power Quality Indices Based on Wavelet Packet Transform for Non-Stationary Sinusoidal and Non-Sinusoidal Disturbances”, Electrical Power System Research, 80(7),753–759, 2010.
  6. IEEE Std. 1159, IEEE Recommended Practices for Monitoring Electric Power Quality, 1995.
  7. European Standard E.N. 50160, Voltage Characteristics of Electricity Supplied by Public Distribution Systems, 2002.
  8. IEEE Standard for Interconnecting Distributed Resources with Electric Power Systems, IEEE Standard 1547-2003, 2003.
  9. K. Manimala, K. Selvi, R. Ahila, "Optimization Techniques for Improving Power Quality Data Mining Using Wavelet Packet Based Support Vector Machine", Neurocomputing 77(1), 36–47, 2012.
  10. M. Lopez-Ramirez, L. Ledesma-Carrillo, E. Cabal-Yepez, C. Rodriguez-Donate, H. Miranda-Vidales, A. Garcia-Perez, "EMD-Based Feature Extraction for Power Quality Disturbance Classification Using Moments", Energies 9(7), 565,2016.
  11. J. Wang, Z. Xu, Y. Che, "Power Quality Disturbance Classification Based on Compressed Sensing and Deep Convolution Neural Networks", IEEE Access, 7, 78336–78346, 2019.
  12. M. Gok, I. Sefa, "Research and Implementation of A USB Interfaced Real-Time Power Quality Disturbance Classification System", Advances in Electrical and Computer Engineering, 17(3), 61–70, 2017.
  13. X. Wang, Deep Learning in Object Recognition, Detection, and Segmentation, Now, 2016.
  14. A. Bagheri, I.Y.H. Gu, M.H.J. Bollen, E. Balouji, "A Robust Transform-Domain Deep Convolutional Network for Voltage Dip Classification", IEEE Transactions on Power Delivery, 33, 2794–2802, 2018.
  15. H. Liao, J.V. Milanovi´c, M. Rodrigues, A. Shenfield, "Voltage Sag Estimation in Sparsely Monitored Power Systems Based on Deep Learning and System Area Mapping", IEEE Transactions on Power Delivery, 33, 3162–3172, 2018.
  16. E. Balouji, I.Y.H. Gu, M.H.J. Bollen, A. Bagheri, M. Nazari, "A LSTM-Based Deep Learning Method with Application to Voltage Dip Classification", 2018 18thInternational Conference on Harmonics and Quality of Power (ICHQP), 2018, 1–5.
  17. Y. Deng, H. Jia, P. Li, X. Tong, F. Li, "A Deep Learning Method Based on Long Short-Term Memory and Sliding Time Window for Type Recognition and Time Location of Power Quality Disturbance", 2018 Chinese Automation Congress (CAC), 2018, 1764–1768.
  18. M.U. Khan, S. Aziz, A. Usman, "XPQRS: Expert Power Quality Recognition System for Sensitive Load Applications", Measurement, 216, 112889, 2023.
  19. S. Hochreiter, ve J. Schmidhuber, "Long Short-Term Memory", Neural Computation, 9(8), 1735-1780, 1997.