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 Optimizasyon 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 kötü 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 sınıflandırmanın en iyi sonucu % 95.8 ve en kötü sonucu % 93.83 olarak gözlenmiştir.
Güç Kalitesi olayları Sınıflandırma K en yakın komşu algoritması Denge Optimizasyon Algoritması Salp Sürü Algoritması
In this study, two different optimization algorithms have been used for the feature selection stage, which plays a crucial role in the classification of power quality disturbances. In the first part of the study, signals containing power quality events were generated to initiate the classification process. Discrete wavelet transform (DWT) has been used for feature extraction. Two different datasets were obtained by normalizing and taking logarithm of the dataset obtained after the feature extraction process. The Equilibrium Optimizer (EO) and the Salp Swarm Optimization Algorithm (SSA), which are named metaheuristic based feature selection algorithms, were used for the feature selection process. The K Nearest Neighbour Algorithm (KNN) is preferred for classification. The highest accuracy rate in classification was achieved at 96.05% when utilizing EO as the feature selection algorithm and using the logarithmic dataset. The worst classification accuracy rate was obtained as 90.62% when the feature selection algorithm was SSA and the normalized data set was used. In the second part of the study, a histogram graph was created to identify the most frequently selected features from the first part. The classification process was then repeated using the top eight selected features. The best result of the classification using histogram graph was 95.8% and the worst result was 93.83.
Power quality events Classification K Nearest Neighbour Equilibrium Optimizer Salp Swarm Algorithm
Birincil Dil | Türkçe |
---|---|
Konular | Elektrik Tesisleri |
Bölüm | Makaleler |
Yazarlar | |
Erken Görünüm Tarihi | 30 Haziran 2024 |
Yayımlanma Tarihi | 30 Haziran 2024 |
Gönderilme Tarihi | 22 Ocak 2024 |
Kabul Tarihi | 29 Şubat 2024 |
Yayımlandığı Sayı | Yıl 2024 Cilt: 16 Sayı: 2 |