Araştırma Makalesi
BibTex RIS Kaynak Göster

Identification of Power Quality Disturbance Signals with Stockwell Transform, ONE-R Feature Selection Method and Random Forest Algorithm

Yıl 2022, Cilt: 34 Sayı: 1, 267 - 276, 20.03.2022

Düzgün Akmaz

https://doi.org/10.35234/fumbd.1018023

Öz

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.

Anahtar Kelimeler

Güç kalitesi stockwell dönüşümü ONE-R özellik seçme yöntemi rastgele orman algoritması.

Kaynakça

  • [1] Choong F, Reaz MBI, Mohd-Yasin F. Advances in signal processing and artificial intelligence technologies in the classification of power quality events: a survey. Electr. Power Compon. Syst 2005; 33(12): 1333-1349.
  • [2] Mishra M. Power quality disturbance detection and classification using signal processing and soft computing techniques: A comprehensive review. Int. Trans. Electr. Energy Syst. 2019; 29(8): e12008.
  • [3] Khetarpal P, Tripathi MM. A critical and comprehensive review on power quality disturbance detection and classification. Sustainable Comput. Inf. Syst 2020; 100417.
  • [4] Akmaz D, Approximate-derivative-based signal-processing method to segment power-quality disturbances. IET Gener. Transm. Distrib 2020;14(21): 4835-4846.
  • [5] Erişti H, Demir Y. A new algorithm for automatic classification of power quality events based on wavelet transform and SVM. Expert Syst. Appl 2010; 37(6): 4094-4102.
  • [6] Shukla S, Mishra S, Singh B. Empirical-mode decomposition with Hilbert transform for power-quality assessment. IEEE Trans. Power Delivery 2009;24(4): 2159-2165.
  • [7] Cho SH, Jang G, Kwon SH. Time-frequency analysis of power-quality disturbances via the Gabor–Wigner transform. IEEE Trans. Power Delivery 2009;25(1): 494-499.
  • [8] Lee IW, Dash PK. S-transform-based intelligent system for classification of power quality disturbance signals. IEEE Trans. Ind. Electron 2003; 50(4): 800-805.
  • [9] Panigrahi BK, Pandi VR. Optimal feature selection for classification of power quality disturbances using wavelet packet-based fuzzy k-nearest neighbour algorithm. IET Gener. Transm. Distrib 2009;3(3): 296-306.
  • [10] Huang N, Xu D, Liu X, Lin L. Power quality disturbances classification based on S-transform and probabilistic neural network. Neurocomputing 2012; 98: 12-23.
  • [11] Abdoos AA, Mianaei P K, Ghadikolaei M R. Combined VMD-SVM based feature selection method for classification of power quality events. Appl. Soft Comput 2016;38: 637-646.
  • [12] Dash PK, Panigrahi BK, Panda G. Power quality analysis using S-transform. IEEE Trans. Power Delivery 2003; 18(2): 406-411.
  • [13] Bhende CN, Mishra S, Panigrahi BK. Detection and classification of power quality disturbances using S-transform and modular neural network. Electr. Power Syst. Res. 2008;78(1): 122-128.
  • [14] Mishra S, Bhende CN, Panigrahi BK. Detection and classification of power quality disturbances using S-transform and probabilistic neural network. IEEE Trans. Power Delivery 2007; 23(1): 280-287.
  • [15] Zhao F, Yang R. Power quality disturbance recognition using S-transform. In 2006 IEEE Power Engineering Society General Meeting 2006; 7-pp.
  • [16] Yildirim P. Filter based feature selection methods for prediction of risks in hepatitis disease. International Journal of Machine Learning and Computing 2015;5(4): 258.
  • [17] Budak H. Özellik seçim yöntemleri ve yeni bir yaklaşım. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 2018;22: 21-31.
  • [18] Misra S, Li H, He J. Noninvasive fracture characterization based on the classification of sonic wave travel times. In Machine Learning for Subsurface Characterization 2020;243-287.
  • [19] Kiranmai SA, Laxmi AJ. Data mining for classification of power quality problems using WEKA and the effect of attributes on classification accuracy. Protection and Control of Modern Power Systems 2018; 3(1):1-12.
  • [20] Moravej Z, Abdoos AA, Pazoki MJEPC. Detection and classification of power quality disturbances using wavelet transform and support vector machines. Electr. Power Compon. Syst 2009;38(2):182-196.

Stockwell Dönüşümü, ONE-R Özellik Seçme Yöntemi ve Rastgele Orman Algoritması ile Güç Kalitesi Bozulumu Sinyallerinin Sınıflandırılması

Yıl 2022, Cilt: 34 Sayı: 1, 267 - 276, 20.03.2022

Düzgün Akmaz

https://doi.org/10.35234/fumbd.1018023

Öz

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.

Anahtar Kelimeler

Güç kalitesi stockwell dönüşümü ONE-R özellik seçme yöntemi rastgele orman algoritması.

Kaynakça

  • [1] Choong F, Reaz MBI, Mohd-Yasin F. Advances in signal processing and artificial intelligence technologies in the classification of power quality events: a survey. Electr. Power Compon. Syst 2005; 33(12): 1333-1349.
  • [2] Mishra M. Power quality disturbance detection and classification using signal processing and soft computing techniques: A comprehensive review. Int. Trans. Electr. Energy Syst. 2019; 29(8): e12008.
  • [3] Khetarpal P, Tripathi MM. A critical and comprehensive review on power quality disturbance detection and classification. Sustainable Comput. Inf. Syst 2020; 100417.
  • [4] Akmaz D, Approximate-derivative-based signal-processing method to segment power-quality disturbances. IET Gener. Transm. Distrib 2020;14(21): 4835-4846.
  • [5] Erişti H, Demir Y. A new algorithm for automatic classification of power quality events based on wavelet transform and SVM. Expert Syst. Appl 2010; 37(6): 4094-4102.
  • [6] Shukla S, Mishra S, Singh B. Empirical-mode decomposition with Hilbert transform for power-quality assessment. IEEE Trans. Power Delivery 2009;24(4): 2159-2165.
  • [7] Cho SH, Jang G, Kwon SH. Time-frequency analysis of power-quality disturbances via the Gabor–Wigner transform. IEEE Trans. Power Delivery 2009;25(1): 494-499.
  • [8] Lee IW, Dash PK. S-transform-based intelligent system for classification of power quality disturbance signals. IEEE Trans. Ind. Electron 2003; 50(4): 800-805.
  • [9] Panigrahi BK, Pandi VR. Optimal feature selection for classification of power quality disturbances using wavelet packet-based fuzzy k-nearest neighbour algorithm. IET Gener. Transm. Distrib 2009;3(3): 296-306.
  • [10] Huang N, Xu D, Liu X, Lin L. Power quality disturbances classification based on S-transform and probabilistic neural network. Neurocomputing 2012; 98: 12-23.
  • [11] Abdoos AA, Mianaei P K, Ghadikolaei M R. Combined VMD-SVM based feature selection method for classification of power quality events. Appl. Soft Comput 2016;38: 637-646.
  • [12] Dash PK, Panigrahi BK, Panda G. Power quality analysis using S-transform. IEEE Trans. Power Delivery 2003; 18(2): 406-411.
  • [13] Bhende CN, Mishra S, Panigrahi BK. Detection and classification of power quality disturbances using S-transform and modular neural network. Electr. Power Syst. Res. 2008;78(1): 122-128.
  • [14] Mishra S, Bhende CN, Panigrahi BK. Detection and classification of power quality disturbances using S-transform and probabilistic neural network. IEEE Trans. Power Delivery 2007; 23(1): 280-287.
  • [15] Zhao F, Yang R. Power quality disturbance recognition using S-transform. In 2006 IEEE Power Engineering Society General Meeting 2006; 7-pp.
  • [16] Yildirim P. Filter based feature selection methods for prediction of risks in hepatitis disease. International Journal of Machine Learning and Computing 2015;5(4): 258.
  • [17] Budak H. Özellik seçim yöntemleri ve yeni bir yaklaşım. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 2018;22: 21-31.
  • [18] Misra S, Li H, He J. Noninvasive fracture characterization based on the classification of sonic wave travel times. In Machine Learning for Subsurface Characterization 2020;243-287.
  • [19] Kiranmai SA, Laxmi AJ. Data mining for classification of power quality problems using WEKA and the effect of attributes on classification accuracy. Protection and Control of Modern Power Systems 2018; 3(1):1-12.
  • [20] Moravej Z, Abdoos AA, Pazoki MJEPC. Detection and classification of power quality disturbances using wavelet transform and support vector machines. Electr. Power Compon. Syst 2009;38(2):182-196.
Toplam 20 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm MBD
Yazarlar

Düzgün Akmaz 0000-0002-4183-6424

Yayımlanma Tarihi 20 Mart 2022
Gönderilme Tarihi 2 Kasım 2021
Yayımlandığı Sayı Yıl 2022 Cilt: 34 Sayı: 1

Kaynak Göster

APA Akmaz, D. (2022). Stockwell Dönüşümü, ONE-R Özellik Seçme Yöntemi ve Rastgele Orman Algoritması ile Güç Kalitesi Bozulumu Sinyallerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 34(1), 267-276. https://doi.org/10.35234/fumbd.1018023
AMA Akmaz D. Stockwell Dönüşümü, ONE-R Özellik Seçme Yöntemi ve Rastgele Orman Algoritması ile Güç Kalitesi Bozulumu Sinyallerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. Mart 2022;34(1):267-276. doi:10.35234/fumbd.1018023
Chicago Akmaz, Düzgün. “Stockwell Dönüşümü, ONE-R Özellik Seçme Yöntemi Ve Rastgele Orman Algoritması Ile Güç Kalitesi Bozulumu Sinyallerinin Sınıflandırılması”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 34, sy. 1 (Mart 2022): 267-76. https://doi.org/10.35234/fumbd.1018023.
EndNote Akmaz D (01 Mart 2022) Stockwell Dönüşümü, ONE-R Özellik Seçme Yöntemi ve Rastgele Orman Algoritması ile Güç Kalitesi Bozulumu Sinyallerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 34 1 267–276.
IEEE D. Akmaz, “Stockwell Dönüşümü, ONE-R Özellik Seçme Yöntemi ve Rastgele Orman Algoritması ile Güç Kalitesi Bozulumu Sinyallerinin Sınıflandırılması”, Fırat Üniversitesi Mühendislik Bilimleri Dergisi, c. 34, sy. 1, ss. 267–276, 2022, doi: 10.35234/fumbd.1018023.
ISNAD Akmaz, Düzgün. “Stockwell Dönüşümü, ONE-R Özellik Seçme Yöntemi Ve Rastgele Orman Algoritması Ile Güç Kalitesi Bozulumu Sinyallerinin Sınıflandırılması”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 34/1 (Mart 2022), 267-276. https://doi.org/10.35234/fumbd.1018023.
JAMA Akmaz D. Stockwell Dönüşümü, ONE-R Özellik Seçme Yöntemi ve Rastgele Orman Algoritması ile Güç Kalitesi Bozulumu Sinyallerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2022;34:267–276.
MLA Akmaz, Düzgün. “Stockwell Dönüşümü, ONE-R Özellik Seçme Yöntemi Ve Rastgele Orman Algoritması Ile Güç Kalitesi Bozulumu Sinyallerinin Sınıflandırılması”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, c. 34, sy. 1, 2022, ss. 267-76, doi:10.35234/fumbd.1018023.
Vancouver Akmaz D. Stockwell Dönüşümü, ONE-R Özellik Seçme Yöntemi ve Rastgele Orman Algoritması ile Güç Kalitesi Bozulumu Sinyallerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2022;34(1):267-76.
 Kapak Resmi İndir