Dergiler / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2022 / Cilt: 34 - Sayı: 1

Stockwell Dönüşümü, ONE-R Özellik Seçme Yöntemi ve Rastgele Orman Algoritması ile Güç Kalitesi Bozulumu Sinyallerinin Sınıflandırılması

Identification of Power Quality Disturbance Signals with Stockwell Transform, ONE-R Feature Selection Method and Random Forest Algorithm

Sayfa
267–276
Yayın Tarihi
2022-03-20
DOI
—
🏛️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)

Aynı zamanda benzetim sonuçları gerçekleştirilen yöntemin bir kere eğitildikten sonra, 35dB ve yukarısındaki gürültü seviyelerine sahip farklı GK bozulumlarının sınıflandırması içinde etkili olduğunu göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada Güç Kalitesi (GK) bozulumu sinyallerinin sınıflandırılması için bir yöntem uygulanmıştır.
📊
Temel Bulgular & Veri:Yöntemde Stockwell dönüşümü (S-dönüşümü-SD) farklı GK sinyallerine uygulanması ile 2 boyutlu Zaman-Frekans (TF Time-Frequency) matrisi elde edilmiştir.
💡
Sonuç & Katkı:Aynı zamanda benzetim sonuçları gerçekleştirilen yöntemin bir kere eğitildikten sonra, 35dB ve yukarısındaki gürültü seviyelerine sahip farklı GK bozulumlarının sınıflandırması içinde etkili olduğunu göstermiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Güç kalitesi · stockwell dönüşümü · ONE-R özellik seçme yöntemi

Özet

Bu çalışmada Güç Kalitesi (GK) bozulumu sinyallerinin sınıflandırılması için bir yöntem uygulanmıştır. Yöntemde Stockwell dönüşümü (S-dönüşümü-SD) farklı GK sinyallerine uygulanması ile 2 boyutlu Zaman-Frekans (TF Time-Frequency) matrisi elde edilmiştir. Daha sonra elde edilen matrisin ve GK sinyallerinin farklı entropi değerleri ile sınıflandırma öznitelikleri elde edilmiştir. Ancak elde edilen sınıflandırma özniteliklerinin hepsinin kullanılması gerçekleştiren yöntemin karmaşık hale gelmesine neden olmaktadır. Bu yüzden bu çalışmada ONE-R özellik seçme yöntemi sınıflandırmadaki etkili özelliklerin belirlenmesi, daha az öznitelik ve daha basit bir yapı ile yüksek sınıflandırma başarısının sağlanması için kullanılmıştır. Belirlenen öznitelikler ve Rastgele Orman (RO) algoritması ile GK bozulumları sınıflandırılmıştır. Benzetim sonuçları yöntemin başarılı olduğunu göstermiştir. Aynı zamanda benzetim sonuçları gerçekleştirilen yöntemin bir kere eğitildikten sonra, 35dB ve yukarısındaki gürültü seviyelerine sahip farklı GK bozulumlarının sınıflandırması içinde etkili olduğunu göstermiştir.

Abstract

Bu çalışmada Güç Kalitesi (GK) bozulumu sinyallerinin sınıflandırılması için bir yöntem uygulanmıştır. Yöntemde Stockwell dönüşümü (S-dönüşümü-SD) farklı GK sinyallerine uygulanması ile 2 boyutlu Zaman-Frekans (TF Time-Frequency) matrisi elde edilmiştir. Daha sonra elde edilen matrisin ve GK sinyallerinin farklı entropi değerleri ile sınıflandırma öznitelikleri elde edilmiştir. Ancak elde edilen sınıflandırma özniteliklerinin hepsinin kullanılması gerçekleştiren yöntemin karmaşık hale gelmesine neden olmaktadır. Bu yüzden bu çalışmada ONE-R özellik seçme yöntemi sınıflandırmadaki etkili özelliklerin belirlenmesi, daha az öznitelik ve daha basit bir yapı ile yüksek sınıflandırma başarısının sağlanması için kullanılmıştır. Belirlenen öznitelikler ve Rastgele Orman (RO) algoritması ile GK bozulumları sınıflandırılmıştır. Benzetim sonuçları yöntemin başarılı olduğunu göstermiştir. Aynı zamanda benzetim sonuçları gerçekleştirilen yöntemin bir kere eğitildikten sonra, 35dB ve yukarısındaki gürültü seviyelerine sahip farklı GK bozulumlarının sınıflandırması içinde etkili olduğunu göstermiştir.

🔖

Bu Makaleye Atıf Yap

AKMAZ, D. (2022). Stockwell Dönüşümü, ONE-R Özellik Seçme Yöntemi ve Rastgele Orman Algoritması ile Güç Kalitesi Bozulumu Sinyallerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 34 - Sayı: 1, 267–276. https://ajindex.com/articles/392893

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Choong F, Reaz MBI, Mohd-Yasin F. Advances in signal processing and artificial intelligence technologies in the classification of power quality events: a survey. Electr. Power Compon. Syst 2005; 33(12): 1333-1349
  2. Mishra M. Power quality disturbance detection and classification using signal processing and soft computing techniques: A comprehensive review. Int. Trans. Electr. Energy Syst. 2019; 29(8): e12008
  3. Khetarpal P, Tripathi MM. A critical and comprehensive review on power quality disturbance detection and classification. Sustainable Comput. Inf. Syst 2020; 100417
  4. Akmaz D, Approximate-derivative-based signal-processing method to segment power-quality disturbances. IET Gener. Transm. Distrib 2020;14(21): 4835-4846
  5. Erişti H, Demir Y. A new algorithm for automatic classification of power quality events based on wavelet transform and SVM. Expert Syst. Appl 2010; 37(6): 4094-4102
  6. Shukla S, Mishra S, Singh B. Empirical-mode decomposition with Hilbert transform for power-quality assessment. IEEE Trans. Power Delivery 2009;24(4): 2159-2165
  7. Cho SH, Jang G, Kwon SH. Time-frequency analysis of power-quality disturbances via the Gabor–Wigner transform. IEEE Trans. Power Delivery 2009;25(1): 494-499
  8. Lee IW, Dash PK. S-transform-based intelligent system for classification of power quality disturbance signals. IEEE Trans. Ind. Electron 2003; 50(4): 800-805
  9. Panigrahi BK, Pandi VR. Optimal feature selection for classification of power quality disturbances using wavelet packet-based fuzzy k-nearest neighbour algorithm. IET Gener. Transm. Distrib 2009;3(3): 296-306
  10. Huang N, Xu D, Liu X, Lin L. Power quality disturbances classification based on S-transform and probabilistic neural network. Neurocomputing 2012; 98: 12-23
  11. Abdoos AA, Mianaei P K, Ghadikolaei M R. Combined VMD-SVM based feature selection method for classification of power quality events. Appl. Soft Comput 2016;38: 637-646
  12. Dash PK, Panigrahi BK, Panda G. Power quality analysis using S-transform. IEEE Trans. Power Delivery 2003; 18(2): 406-411
  13. Bhende CN, Mishra S, Panigrahi BK. Detection and classification of power quality disturbances using S-transform and modular neural network. Electr. Power Syst. Res. 2008;78(1): 122-128
  14. Mishra S, Bhende CN, Panigrahi BK. Detection and classification of power quality disturbances using S-transform and probabilistic neural network. IEEE Trans. Power Delivery 2007; 23(1): 280-287
  15. Zhao F, Yang R. Po