SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2011 / Cilt: 26 - Sayı: 1

GÜÇ KALİTESİNDEKİ BOZULMA TÜRLERİNİN SINIFLANDIRILMASI İÇİN BİR ÖRÜNTÜ TANIMA YAKLAŞIMI

Murat UYAR
Selçuk YILDIRIM
Muhsin GENÇOĞLU
Pages
0
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., YILDIRIM, S., GENÇOĞLU, M. (2013). GÜÇ KALİTESİNDEKİ BOZULMA TÜRLERİNİN SINIFLANDIRILMASI İÇİN BİR ÖRÜNTÜ TANIMA YAKLAŞIMI. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 26 - Sayı: 1, 0. https://ajindex.com/articles/20673

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. Dugan, R.C., Mcgranaghan, M.F., Santoso, S. ve Beaty, H.W., Electrical Power Systems Quality, McGraw-Hill, New York, 2002.
  2. Gaouda, A.M., Salama, M.M.A., Sultan, M.R., Chikhani, A.Y., “Power “Quality Detection and Classification using Wavelet-Multiresolution Signal Decomposition”, IEEE Trans. on Power Deliv., 14, 4, 1469-1476, 1999. Güç Kalitesi Milli Projesi, http://www.guckalitesi.gen.tr.
  3. Gaouda, A.M., Wavelet-Automated Recognition System for Power Quality Monitoring, Phd Thesis, University of Waterloo, - AbdelGalil, T., Automated Recognition System for Power Quality Disturbances, Phd Thesis, University of Waterloo, 2003.
  4. Flores, R.A., “State of the Art in the Classification of Power Quality Events, an Overview”, 10th Int. Conf. Harmonics Quality of Power, Rio de Janeiro, Brazil, 1, 17–20, 2002.
  5. Perunicic, B., Mallini, M., Wang, Z., Liu, Y., “Power Quality Disturbance Detection and Classification using Wavelets and Artificial Neural Networks”, 8th Int. Conf. on Harmonics and Quality of Power, Athens, Greece, 1, 77–, 1998.
  6. Liao, Y., Lee, J.-B., “A Fuzzy-Expert System for Classifying Power Quality Disturbances”, International Journal of Electrical Power & Energy Systems, 26, 3, 199-205, 2004.
  7. AbdelGalil, T.K., Kamel, M., Youssef, A.M., El- Saadany, E.F., Salama, M.M.A., “Power Quality Disturbance Classification using the Inductive Inference Approach”, IEEE Trans. Power Deliv., 19, 4, 1812–1818, 2004.
  8. Strang, G., Nguyen, T., Wavelets and Filter Banks, Cambridge Press, Wellesley, 1996.
  9. Cortes, C., Vapnik, V. N., “Support Vector Networks”, Machine Learning, 20, 3, 273-293, - Vapnik, V.N., The Nature of Statistical Learning Theory, Springer-Verlag, New York, - Schölkopf, B., Sung, K., Burges, C., Girosi, F., Niyogi, P., Poggio, T., Vapnik, V., “Comparing Support Vector Machines with Gaussian Kernels to Radial Basis Function Classifiers”. IEEE Trans. on Signal Processing, 45, 11, 2758–, 1997.
  10. Keerthi, S.S., Lin, C.-J., “Asymptotic Behaviors of Support Vector Machines with Gaussian Kernel”, Neural Computation, 15, 7, 1667–, 2003.
  11. Vapnik V.N., The Nature of Statistical Learning Theory, Second Edition,
  12. Springer Science, New York, 2000
  13. Cristianini, N., Shawe-Taylor, J., An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods, Cambridge University Press, New York, 2000.
  14. Uyar, M., Güç Kalitesindeki Bozulma Türlerinin Akıllı Örüntü Tanıma Yaklaşımları ile Belirlenmesi, Doktora Tezi, Fırat Üniversitesi, Fen Bilimleri Enstitüsü, 2008. Uyar,