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

Authors : Seçkin KARASU, Zehra SARAÇ

Pages : 1219-1229

Doi:10.2339/politeknik.508773

View : 24 | Download : 9

Publication Date : 2020-12-01

Article Type : Research Paper

Abstract :Bu çalışmada Güç Kalitesi insert ignore into journalissuearticles values(GK); Bozulmalarını sınıflandırmak için Hilbert-Huang Dönüşümü yöntemi ve istatistiksel özellikler ile öznitelikler elde edilmektedir. Elde edilen özniteliklerden uygun olanları Genetik Algoritma insert ignore into journalissuearticles values(GA); k-En Yakın Komşu sınıflandırma yaklaşımı ile seçilmektedir. Yapay Zeka ve Makine Öğrenmesi yöntemlerine dayalı modeller oluşturulmakta ve deneysel düzenekten alınan veriler kullanılarak test işlemi yapılmaktadır. Gürültülü durumlar insert ignore into journalissuearticles values(40 dB, 30 dB ve 20 dB); ile birlikte matematiksel eşitlikler kullanılarak üretilmektedir. Bunun yanında deneysel düzenekten elde edilen Güç Kalitesi Bozulma verisi de bu çalışmada kullanılmaktadır. Sinyallere öncelikle Ampirik Kip Ayırışımı insert ignore into journalissuearticles values(EMD); yöntemi uygulanmaktadır. Daha sonra Hilbert dönüşümü insert ignore into journalissuearticles values(HT); neticesinde istatistiksel özellikler ile gerekli öznitelikler çıkartılmaktadır. Aynı işlem Grupsal Ampirik Kip Ayrışımı insert ignore into journalissuearticles values(EEMD); yöntemi için tekrarlanmaktadır. Çıkartılan özniteliklerin sayısı itibari ile gerekli olanlarının seçilebilmesi için GA + KNN sarmalama yaklaşımı kullanılmaktadır. Çok katmanlı algılayıcı insert ignore into journalissuearticles values(MLP); ve KNN yaklaşımları ile Güç Kalitesi Bozulmalarını sınıflandıran modeller oluşturulmaktadır. 9 adet tekli, 9 adet çoklu bozulma türü için oluşturulan EEMD + HT + GA + KNN sınıflandırma modelinin başarımı sentetik veriler için %99.15, deneysel veriler için % 99.02 olarak elde edilmektedir. Literatürdeki çalışmalar ile kıyaslandığında elde edilen EEMD + HT + GA + KNN yönteminin, 9 adet çoklu GK bozulmasını ayırt edebilme özelliğine sahip olduğu ve %99.12 lik genel başarım oranı ile en iyi başarımı veren yöntem olduğu sonuçlarına varılmaktadır.
Keywords : Güç kalitesi, Hilbert Huang Dönüşümü, Ampirik Mod Ayrıştırması EMD, Grupsal Ampirik Mod Ayrıştırması EEMD, Genetik Algoritma

ORIGINAL ARTICLE URL