Metasezgisel Tabanlı Özellik Seçim Algoritmalarının Güç Kalitesi Olaylarının Sınıflandırılmasına Etkisinin İncelenmesi
Abstract
Bu çalışmada, güç kalitesi bozulmalarının sınıflandırmasında önemli bir role sahip olan özellik seçme aşaması için iki farklı optimizasyon algoritması kullanılmıştır. Çalışmanın birinci kısmında, sınıflandırma sürecinin başlaması için güç kalitesi olaylarını içeren sinyaller üretilmiştir. Özellik çıkarma için Ayrık Dalgacık Dönüşümü (DWT) kullanılmıştır. Özellik çıkarma işleminden sonra elde edilen veri seti, normalize edilerek ve logaritması alınarak iki farklı veri seti elde edilmiştir Özellik seçme işlemi için Denge Optimize Edici Algoritması (EO) ve Salp Sürü Optimizasyon Algoritması (SSA) olarak isimlendirilen metasezgisel tabanlı optimizasyon algoritmaları özellik seçme algoritmaları olarak kullanılmıştır. Sınıflandırma için K En Yakın Komşu Algoritması (KNN) tercih edilmiştir. En yüksek sınıflandırma doğruluk oranı, özellik seçme algoritması olarak EO ve veri seti olarak logaritmik veri setinin kullanıldığı durumda, %96.05 olarak elde edilmiştir. En düşük sınıflandırma doğruluk oranı ise özellik seçme algoritmasının SSA olduğu ve normalize veri setinin kullanıldığı durumda, % 90.62 olarak elde edilmiştir. Çalışmanın ikinci kısmında ise, birinci kısımda en çok seçilen özellikleri tespit etmek için histogram grafiği oluşturulmuştur. En çok seçilen sekiz özellik ile sınıflandırma işlemi tekrarlanmıştır. Histogram grafiği kullanılarak yapılan sınıflandırmaya ilişkin elde edilen en yüksek doğruluk oranı % 95.8 ve en düşük doğruluk oranı % 93.83 olarak gözlenmiştir.
Keywords
References
- Abdoos, A. A., Mianaei, P. K., & Ghadikolaei, M. R. (2016). Combined VMD-SVM based feature selection method for classification of power quality events. Applied Soft Computing, 38, 637–646.
- Afroni, M. J., Sutanto, D., & Stirling, D. (2013). Analysis of nonstationary power-quality waveforms using iterative Hilbert Huang transform and SAX algorithm. IEEE Transactions on Power Delivery, 28(10), 2134–2144.
- Akmaz, D. (2022). Recognition of Power Quality Events Using Wavelet Transform, K-Nearest Neighbor Algorithm, and Gain Ratio Feature Selection Method. International Journal of Innovative Engineering Applications, 6(1).
- Balouji, E., Gu, I.Y.H., Bollen, M.H.J., Bagheri, A., & Nazari, M. (2018). A LSTM-based deep learning method with application to voltage dip classification. In: 2018 18th International Conference on Harmonics and Quality of Power (ICHQP), Ljubljana, pp. 1–5. Bih, J. (2006). Paradigm shift - an introduction to fuzzy logic. IEEE Potentials, 25(1), 6–21.
- Biswal, T., & Parida, S.K. (2022). A novel high impedance fault detection in the micro-grid system by the summation of accumulated difference of residual voltage method and fault event classification using discrete wavelet transforms and a decision tree approach. Electric Power Systems Research, 209, 108042.
- Coban, M., Sungur, S. T., & Tezcan, T. (2021). Detection and classification of short-circuit faults on a transmission line using current signal. Power Systems and Power Electronics, Bulletin of the Polish Academy of Sciences, Technical Sciences, 69(4), e137630. DOI: 10.24425/bpasts.2021.137630
- Darrow, K., Hedman, B., Bourgeois, T. & Rosenblum, D.,(2005). The Role of Distributed Generation in Power Quality and Reliability
- Dash, P. K., Panigrahi, B. K., & Panda, G. (2003). Power quality analysis using S-transform. IEEE Transactions on Power Delivery, 18(2), 406–411.
- Edomah, N. (2010). Economic Implications of Poor Power Quality. Journal of Energy and Power Engineering, 4(1), 26. ISSN 1934-8975.
- Erişti, H., Yıldırım, Ö., Eristi, B., & Demir, Y. (2013). Optimal feature selection for classification of power quality events using wavelet transform and least squares support vector machines. Electrical Power and Energy Systems, 49, 95–103.