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 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.
Primary Language | Turkish |
---|---|
Journal Section | MBD |
Authors | |
Publication Date | March 20, 2022 |
Submission Date | November 2, 2021 |
Published in Issue | Year 2022 Volume: 34 Issue: 1 |