Güç Kalitesi Bozulmalarının Hilbert-Huang Dönüşümü, Genetik Algoritma Ve Yapay Zeka/Makine Öğrenmesi Yöntemleri İle Sınıflandırılması

Autor: Zehra Saraç, Seçkin Karasu
Rok vydání: 2020
Předmět:
Zdroj: Volume: 23, Issue: 4 1219-1229
Politeknik Dergisi
ISSN: 2147-9429
DOI: 10.2339/politeknik.508773
Popis: In this study, Hilbert-Huang Transform method andstatistical features are obtained to classify Power Quality (PQ) Disturbances.The appropriate features are selected by the Genetic Algorithm (GA) andk-Nearest Neighbor classification approach. Models based on ArtificialIntelligence and Machine Learning methods are formed and test process isperformed by using data from experimental setup. It is produced by usingmathematical equations together with noisy conditions (40 dB, 30 dB and 20 dB).In addition, Power Quality Disturbances data from the experimental setup isalso used in this study. First of all, Empirical Mode Decomposition (EMD)method is applied to the signals. Then, by applying Hilbert transformation(HT), statistical features and necessary features are extracted. The sameprocedure is repeated for Ensemble Empirical Mode Decomposition (EEMD). GA +KNN wrapper approach is used to select the required ones according to thenumber of extracted features. Power Quality Disturbances models are createdbased on Multilayer Perceptron (MLP) and k-Nearest Neighbour classifier (KNN)methods. The performance of EEMD + HT + GA + KNN classification model for 9single and 9 multiple types of disruption is 99.15% for synthetic data and99.02% for experimental data. Comparedto the literature, EEMD + HT + GA + KNN method has the ability to distinguish 9multiple PQ disturbances and the overall performance gives the best performancewith a rate of 99.12%.
Buçalışmada Güç Kalitesi (GK) Bozulmalarını sınıflandırmak için Hilbert-HuangDönüşümü yöntemi ve istatistiksel özellikler ile öznitelikler eldeedilmektedir. Elde edilen özniteliklerden uygun olanları Genetik Algoritma (GA)k-En Yakın Komşu sınıflandırma yaklaşımı ile seçilmektedir. Yapay Zeka veMakine Öğrenmesi yöntemlerine dayalı modeller oluşturulmakta ve deneyseldüzenekten alınan veriler kullanılarak test işlemi yapılmaktadır. Gürültülüdurumlar (40 dB, 30 dB ve 20 dB) ile birlikte matematiksel eşitliklerkullanılarak üretilmektedir. Bunun yanında deneysel düzenekten elde edilen GüçKalitesi Bozulma verisi de bu çalışmada kullanılmaktadır. Sinyallere öncelikleAmpirik Kip Ayırışımı (EMD) yöntemi uygulanmaktadır. Daha sonra Hilbertdönüşümü (HT) neticesinde istatistiksel özellikler ile gerekli özniteliklerçıkartılmaktadır. Aynı işlem Grupsal Ampirik Kip Ayrışımı (EEMD) yöntemi içintekrarlanmaktadır. Çıkartılan özniteliklerin sayısı itibari ile gerekliolanlarının seçilebilmesi için GA + KNN sarmalama yaklaşımı kullanılmaktadır.Çok katmanlı algılayıcı (MLP) ve KNN yaklaşımları ile Güç KalitesiBozulmalarını sınıflandıran modeller oluşturulmaktadır. 9 adet tekli, 9 adetçoklu bozulma türü için oluşturulan EEMD + HT + GA + KNN sınıflandırmamodelinin başarımı sentetik veriler için %99.15, deneysel veriler için % 99.02olarak elde edilmektedir. Literatürdeki çalışmalar ile kıyaslandığında eldeedilen EEMD + HT + GA + KNN yönteminin, 9 adet çoklu GK bozulmasını ayırtedebilme özelliğine sahip olduğu ve %99.12 lik genel başarım oranı ile en iyibaşarımı veren yöntem olduğu sonuçlarına varılmaktadır.
Databáze: OpenAIRE
Externí odkaz: