Güç kalitesi bozulmalarının hilbert-huang dönüşümü, genetik algoritma ve yapay zeka/makine öğrenmesi yöntemleri ile sınıflandırılması

Abstract

Bu çalışmada Güç Kalitesi (GK) Bozulmalarını sınıflandırmak için Hilbert-Huang Dönüşümü yöntemi ve istatistiksel özellikler ileöznitelikler elde edilmektedir. Elde edilen özniteliklerden uygun olanları Genetik Algoritma (GA) ve k-En Yakın Komşu (KNN)sınıflandırma yaklaşımı ile seçilmektedir. Yapay Zeka ve Makine Öğrenmesi yöntemlerine dayalı modeller oluşturulmakta vedeneysel düzenekten alınan veriler kullanılarak test işlemi yapılmaktadır. Gürültülü durumlar matematiksel eşitlikler kullanılaraküretilmektedir. 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) neticesindeistatistiksel özellikler ile gerekli öznitelikler çıkartılmaktadır. Aynı işlem Grupsal Ampirik Kip Ayrışımı (EEMD) yöntemi içintekrarlanmaktadır. Çıkartılan özniteliklerden gerekli olanlarının seçilebilmesi için GA + KNN sarmalama yaklaşımıkullanılmaktadır. Çok katmanlı algılayıcı (MLP) ve KNN yaklaşımları ile GK Bozulmalarını sınıflandıran modelleroluşturulmaktadır. 9 adet tekli, 9 adet çoklu bozulma türü için oluşturulan EEMD + HT + GA + KNN sınıflandırma modelininbaşarımı sentetik veriler için %99.15, deneysel veriler için % 99.02 olarak elde edilmektedir. Literatürdeki çalışmalar ilekıyaslandığında elde edilen EEMD + HT + GA + KNN yönteminin, 9 adet çoklu GK bozulmasını ayırt edebilme özelliğine sahipolduğu ve %99.12’lik genel başarım oranı ile en iyi başarımı veren yöntem olduğu sonuçlarına varılmaktadır.