- Politeknik Dergisi
- Vol: 23 Issue: 4
- Güç Kalitesi Bozulmalarının Hilbert-Huang Dönüşümü, Genetik Algoritma Ve Yapay Zeka/Makine Öğrenmesi...
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 : 8 | Download : 2
Publication Date : 2020-12-01
Article Type : Research
Abstract :Bu çalışmada Güç Kalitesi (GK) Bozulmalarını sınıflandırmak için Hilbert-Huang Dönüşümü yöntemi ve istatistiksel özellikler ile öznitelikler elde edilmektedir. Elde edilen özniteliklerden uygun olanları Genetik Algoritma (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 (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 (EMD) yöntemi uygulanmaktadır. Daha sonra Hilbert dönüşümü (HT) neticesinde istatistiksel özellikler ile gerekli öznitelikler çıkartılmaktadır. Aynı işlem Grupsal Ampirik Kip Ayrışımı (EEMD) yöntemi için tekrarlanmaktadır. Çıkartılan özniteliklerin sayısı itibari ile gerekli olanlarının seçilebilmesi için GA + KNN sarmalama yaklaşımı kullanılmaktadır. Çok katmanlı algılayıcı (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