Bu makalede, gerilim çökmesi, yükselmesi ve kesintisi, gerilim harmonikleri ve geçici durumlardan oluşan güç kalitesi bozulmalarına ait olay verilerini sınıflandırmak için akıllı bir örüntü tanıma sistemi incelenmiştir. Önerilen sistemin altyapısını, öznitelik çıkarımı ve sınıflandırma aşamaları oluşturmaktadır. Ayırt edici özniteliklerin çıkarılması işlemi sınıflandırıcı performansını etkileyen en önemli unsurlar arasında yer almaktadır. Önerilen çalışmada Ayrık Dalgacık Dönüşümü (ADD) ve Bir Boyutlu Yerel İkili Örüntü (1B-YİÖ) yöntemlerinden elde edilen öznitelikler kullanılmıştır. Güç Kalitesi Olay (GKO) sınıflandırma işleminde daha önce incelenmemiş yeni bir yöntem olan 1B-YİÖ yöntemi, ADD özellikleri ile birlikte ele alınarak sınıflandırıcı başarımı incelenmiştir. Veri setini oluşturan GKO işaretleri kapsamlı bir yazılım aracı ile üretilmiştir. Matematiksel modeller kullanılarak oluşturulan bu araçta GKO verilerini içeren veri seti gerçeğe en yakın haliyle elde edilmiştir. Sınıflandırıcı olarak birçok uygulamada yaygın olarak kullanılan Uç Öğrenme Makinesi (UÖM) tercih edilmiştir. Başarım değerlendirmesinin etkinliğini artırmak için geleneksel Yapay Sinir Ağı (YSA) tabanlı sınıflandırıcıya ait sonuçlar da elde edilmiştir. Çeşitli gürültü içeriği de dikkate alınarak yapılan deneysel çalışmalarda sınıflandırıcı başarımının kabul edilebilir değerlere ulaştığı kaydedilmiştir. Çalışmaya ait sonuçlar detaylı olarak gösterilmiştir.
Journal Section | Research Articles |
---|---|
Authors | |
Publication Date | December 23, 2016 |
Submission Date | April 29, 2016 |
Published in Issue | Year 2016Volume: 19 Issue: 3 |