KaydedilenlerDerginizi ekleyin

Dergiler / Politeknik Dergisi / 2026 / Cilt: 29 Sayı: 3

Evrişimsel Sinir Ağı Tabanlı Gerçek Zamanlı Güç Kalitesi Bozulması Tespiti ve Sınıflandırması

Convolutional Neural Network Based Real-Time Power Quality Disturbance Detection and Classification

Mehmet Gök(Kahramanmaraş İstiklal Üniversitesi)0000-0003-1656-5770
Muhammed Ali Koşan(Kahramanmaraş İstiklal Üniversitesi)0000-0002-1422-6006
Sayfa
1–14
Yayın Tarihi
2026-03-29
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Uygulama, sunulan sistemin gömülü sistem performansını ortaya koymak için Raspberry Pi 5 ve Jetson Orin Nano tek kartlı bilgisayarlara taşınmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Şebekelere güç elektroniği cihazlarının ve alternatif enerji kaynaklarının artan şekilde entegre edilmesi, güç kalitesi sorunlarında artışa yol açarak, güce duyarlı yükler ve elektronik olarak kontrol edilen ekipmanlar için bir tehdit oluşturmaktadır.
📊
Temel Bulgular & Veri:Güç kalitesi sorunlarıyla başa çıkmak, ekipmanın yaşam döngüsü açısından ve endüstriyel tesislerde istikrarlı bir üretim sürecini kolaylaştırmak açısından önemli bir konudur.
💡
Sonuç & Katkı:Uygulama, sunulan sistemin gömülü sistem performansını ortaya koymak için Raspberry Pi 5 ve Jetson Orin Nano tek kartlı bilgisayarlara taşınmıştır.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Evrişimli sinir ağı · elektrik anomalisi · anomali tespiti

Özet

Şebekelere güç elektroniği cihazlarının ve alternatif enerji kaynaklarının artan şekilde entegre edilmesi, güç kalitesi sorunlarında artışa yol açarak, güce duyarlı yükler ve elektronik olarak kontrol edilen ekipmanlar için bir tehdit oluşturmaktadır. Güç kalitesi sorunlarıyla başa çıkmak, ekipmanın yaşam döngüsü açısından ve endüstriyel tesislerde istikrarlı bir üretim sürecini kolaylaştırmak açısından önemli bir konudur. Hangi önleyici tedbirin alınacağına karar vermek için güç kalitesindeki anormalliklerin gerçek zamanlı olarak doğru bir şekilde incelenmesi gerekmektedir. Literatürde, güç kalitesi olaylarını tespit etmek ve sınıflandırmak için makine öğrenimi ve optimizasyon yöntemlerini kullanan çok sayıda çalışma bulunmaktadır. Bununla birlikte, önerilen yaklaşımların gerçek zamanlı performansına odaklanan çalışmaların sayısı azdır. Bu çalışma, eğitimden çıkarıma kadar insan müdahalesi gerektirmeyen, zaman alanında güç kalitesi olaylarını yakalamak için tek boyutlu evrimsel sinir ağı modeline dayalı kapalı döngü bir yaklaşım sunmaktadır. Önerilen yaklaşımın performansını göstermek için Tensorflow C++ kütüphanesi kullanılarak bir veri toplama aracıyla birlikte bir uygulama geliştirilmiştir. Uygulama, sunulan sistemin gömülü sistem performansını ortaya koymak için Raspberry Pi 5 ve Jetson Orin Nano tek kartlı bilgisayarlara taşınmıştır.

Abstract

Increased instalment of power electronic devices and alternative energy sources to grids leads to increase in power quality problems representing a threat to power-sensitive loads and electronically controlled equipment. Dealing with power quality problems is an important concern viewed from life-cycle of equipment and facilitating a stable manufacturing process in industrial plants. Accurate examination of anomalies in power quality in real-time is required to decide which preventive measure to take. There are numerous studies employing machine learning and optimization methods to detect and classify the power quality events in literature. However, only a few dwell on real-time performance of proposed approaches. This study presents a closed-loop approach based on one-dimensional convolutional neural network model to capture power quality events in time domain requiring no human intervention from training to inference. An application, accompanied by a data acquisition tool, is developed to demonstrate the performance of the proposed approach using the Tensorflow C++ library. The application is ported to Raspberry Pi 5 and Jetson Orin Nano single board computers to reveal the embedded system performance of the presented system.

🔖

Bu Makaleye Atıf Yap

Gök, M., Koşan, M. A. (2026). Evrişimsel Sinir Ağı Tabanlı Gerçek Zamanlı Güç Kalitesi Bozulması Tespiti ve Sınıflandırması. Politeknik Dergisi, Cilt: 29 Sayı: 3, 1–14. https://doi.org/10.2339/politeknik.1791727

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (41)

  1. Li J., Liu H., Wang D., and Bi, T., “Classification of Power Quality Disturbance Based on S-Transform and Convolution Neural Network”, Frontiers in Energy Research, 9: 1–11, (2021).
  2. Wang S. and Chen H., “A novel deep learning method for the classification of power quality disturbances using deep convolutional neural network”, Applied Energy, 235:1126–1140, (2019).
  3. Sekar K., Kanagarathinam K., Subramanian S., Venugopal E. and Udayakumar C., “An Improved Power Quality Disturbance Detection Using Deep Learning Approach", Mathematical Problems in Engineering, Article ID 7020979, (2022).
  4. Balouji E. and Salor O., “Classification of power quality events using deep learning on event images”, IEEE 3rd International Conference on Pattern Analysis and Image Analysis, Shahrekord, 216–221, (2017).
  5. Li J., Liu H., Wang D. and Bi T., “Classification of Power Quality Disturbance Based on S-Transform and Convolution Neural Network”, Frontiers Energy Research, 9: 1–11, (2021).
  6. Markovska M., Taskovski D., Kokolanski Z., Dimchev V. and Velkovski B., “Real-Time Implementation of Optimized Power Quality Events Classifier”, IEEE Transactions on Industry Applications, 56 (4): 3431–3442, (2020).
  7. Khan M. U., Aziz S. and Usman A., “XPQRS: Expert power quality recognition system for sensitive load applications”, Measurement, 216, Article ID 112889, (2023).
  8. Hafiz F., Swain A., Naik C. and Patel N., “Efficient feature selection of power quality events using two dimensional (2D) particle swarms”, Applied Soft Computing Journal, 81, Article ID 105498, (2019).
  9. Dekhandji F. Z., Recioui A., Ladada A. and Moulay Brahim T. S., “Detection and Classification of Power Quality Disturbances Using LSTM”, Engineering Proceedings, 29 (1), (2023).
  10. de Oliveira R. A. and Bollen M. H. J., “Deep learning for power quality”, Electric Power Systems Research, 214, Article ID 108887, (2023).
  11. Samanta I. S. et al., “A Comprehensive Review of Deep-Learning Applications to Power Quality Analysis”, Energies, 16 (11): 1–31, (2023).
  12. Aksan F. et al., “Clustering methods for power quality measurements in virtual power plant”, Energies, 14 (18), (2021).
  13. Shen Y., Abubakar M., Liu H. and Hussain F., “Power quality disturbance monitoring and classification based on improved PCA and convolution neural network for wind-grid distribution systems,” Energies, 12(7):26, (2019).
  14. Abdoos A. A., Mianaei P. K. and Ghadikolaei M. R., “Combined VMD-SVM based feature selection method for classification of power quality events”, Applied Soft Computing Journal, 38: 637–646, (2016).
  15. Uyar M., Yıldırım S. and Gencoglu M. T., “An effective wavelet-based feature extraction method for classification of power quality disturbance signals,” Electric Power Systems Research, 78 (10): 1747–1755, (2008).
  16. Uyar M., Yıldırım S. and Gencoglu M. T., “An expert system based on S-transform and neural network for automatic classification of power quality disturbances”, Expert Systems with Applications, 36 (3): 5962–5975, (2009).
  17. Cui C., Duan Y., Hu H., Wang L. and Liu Q., “Detection and Classification of Multiple Power Quality Disturbances Using Stockwell Transform and Deep Learning”, IEEE Transactions on Instrumentation and Measurement, 71: 1–12, (2022).
  18. Gök M. and Sefa İ, “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).
  19. Nguyen T. and Liao Y., “Power quality disturbance classification utilizing S-transform and binary feature matrix method”, Electric Power Systems Research, 79 (4): 569–575, (2009).
  20. Chiam D. H., Lim K. H. and Law K. H., “LSTM power quality disturbance classification with wavelets and attention mechanism”, Electrical Engineering, 105 (1): 259–266, (2023).
  21. Wang S. and Chen H., “A novel deep learning method for the classification of power quality disturbances using deep convolutional neural network”, Applied Energy, 235 (September): 1126-1140, (2018).
  22. Erişti H., Uçar A. and Demir Y., “Wavelet-based feature extraction and selection for classification of power system disturbances using support vector machines”, Electric Power Systems Research, 80 (7): 743–752, (2010).
  23. Li J., Teng Z., Tang Q. and Song J., “Detection and Classification of Power Quality Disturbances Using Double Resolution S-Transform and DAG-SVMs”, IEEE Transactions on Instrumentation and Measurement, 65 (10): 2302–2312, (2016).
  24. Topaloglu I., “Deep Learning Based a New Approach for Power Quality Disturbances Classification in Power Transmission System”, Journal of Electrical Engineering and Technology, 18 (1): 77–88, (2023).
  25. Garcia C. I., Grasso F., Luchetta A., Piccirilli M. C., Paolucci L. and Talluri G., “A comparison of power quality disturbance detection and classification methods using CNN, LSTM and CNN-LSTM”, Applied Sciences, 10 (19): 1–22, (2020).
  26. Feng Z., Di L., Xiao Q. C. and Ying W., “Classification Of Multiple Power Quality Disturbances Based On CNN-BiLSTM-Attention”, Journal of Applied Science and Engineering, 27 (7): 2757–2766, (2024).
  27. Perez-anaya E., Jaen-cuellar A. Y., Elvira-ortiz D. A., Romero-troncoso R. D. J. and Saucedo-dorantes J. J., “Quality Disturbances Using CWT and CNN”, Energies, 17, (2024).
  28. Yiǧit E., Özkaya U., Öztürk Ş., Singh D. and Gritli H., “Automatic Detection of Power Quality Disturbance Using Convolutional Neural Network Structure with Gated Recurrent Unit”, Mobile Information Systems, Article ID: 7917500, (2021).
  29. Caciotta M., Giarnetti S., Leccese F. and Trinca D., “A multi-platform data acquisition device for power quality metrological certification”, 2010 9th Conference on Environment and Electrical Engineering, Prague, 404–407, (2010).
  30. Caciotta M., Giarnetti S., Leccese F. and Trinca D., “Development of an USB data acquisition system for Power Quality and smart metering applications”, 2012 11th International Conference on Environment and Electrical Engineering, Venice, 835–839, (2012).
  31. Leccese F., Cagnetti M., Pasquale S. D., Giarnetti S. and Caciotta M., “A new power quality instrument based on raspberry-pi”, Electronics, 5 (4): 1–7, (2016).
  32. Caciotta M., Giarnetti S., Cinquegrani G. L., Leccese F. and Trinca D., “Development and characterization of a multi-platform data acquisition system for power quality metrological certification”, Renewable Energy and Power Quality Journal, 1 (9): 467–472, (2011).
  33. Lopez-Ramirez M., Cabal-Yepez E., Ledesma-Carrillo L. M., Miranda-Vidales H., Rodriguez-Donate C. and Lizarraga-Morales R. A., “FPGA-based online PQD detection and classification through DWT, mathematical morphology and SVD”, Energies, 11 (4), (2018).
  34. Ince T., Kiranyaz S., Eren L., Askar M. and Gabbouj M., “Real-Time Motor Fault Detection by 1-D Convolutional Neural Networks”, IEEE Transactions on Industrial Electronics, 63 (11): 7067–7075, (2016).
  35. IEEE Std 1159, Monitoring Electric Power Quality Developed by the Transmission and Distribution Committee IEEE Power and Energy Society, 2019. Online Available: http://www.ieee.org/web/aboutus/whatis/policies/p9-26.html.
  36. Panigrahi B. K., Dash P. K. and Reddy J. B. V., “Hybrid signal processing and machine intelligence techniques for detection, quantification and classification of power quality disturbances”, Engineering Applications of Artificial Intelligence, 22 (3): 442–454, (2009).
  37. Ma J., Zhang J., Xiao L., Chen K. and Wu J., “Classification of Power Quality Disturbances via Deep Learning”, IETE Technical Review, 34 (4): 408–415, (2017).
  38. Machlev R., Chachkes A., Belikov J., Beck Y. and Levron Y., “Open source dataset generator for power quality disturbances with deep-learning reference classifiers”, Electric Power Systems Research, 195, Article ID: 107152, (2021).
  39. Turović R. et al., “An End-to-End Deep Learning Method for Voltage Sag Classification†”, Energies, 15 (8), Article ID 7020979, (2022).
  40. Sekar K., Kanagarathinam K., Subramanian S., Venugopal E. and Udayakumar C., “An Improved Power Quality Disturbance Detection Using Deep Learning Approach”, Mathematical Problems in Engineering, (2022).
  41. Molanes R. F., Farina J. and Rodriguez-Andina J. J., “Virtualization of FPSoC-based instruments - An application example”, IEEE 23rd International Symposium on Industrial Electronics, İstanbul, 1905–1910, (2014).