Araştırma Makalesi
BibTex RIS Kaynak Göster

Classification of Short-Term Power Quality Disturbances by Wavelet Analysis and Random Forest Method

Yıl 2021, Cilt: 26 Sayı: 3, 903 - 920, 31.12.2021

Mustafa Ercire Abdurrahman Ünsal

https://doi.org/10.17482/uumfd.976342
Cited By: 1

Öz

The concept of quality in electrical power system has an increasing importance. Distortions in the voltage, current and frequency of a power system have adverse effects especially in economic terms. Among the power quality distortions, short-term RMS variations and transients have the highest rate. In this study, short-term RMS variations and transients which have been mathematically modeled were classified with the Random Forest (RF) classifier. The feature vector which consists of energy, skewness and kurtosis values of the DWT coefficients was applied to the RF classifier. The performance of DWT on classification performance was analyzed with different levels of decomposition. The effect of the noise on the classification performance is also analyzed. The performance of the RF classifier at different DWT levels and noise levels was evaluated. Accuracy in noise-containing disturbances was 99.8% in events with 50 dB noise, 99.4% in events with 40 dB noise, and 98.5% in events with 30 dB noise. The accuracy rate was obtained as 99.6% in the distortions where 50 dB, 40 dB and 30 dB noise levels were evaluated together. The results show that by using a RO classifier short-term RMS variations and transients are classified with high accuracy rate. 

Anahtar Kelimeler

Power Quality Power Quality Disturbances Wavelet Analysis Random Forest Method Classification

Kaynakça

  • 1. Akman, M. (2010). Veri madenciliğine genel bakış ve random forests yönteminin incelenmesi: sağlık alanında bir uygulama, Yüksek Lisans Tezi, Ankara Üniversitesi Sağlık Bilimleri Enstitüsü, Ankara.
  • 2. Borges, F.A., Fernandes, R.A., Lucas, A.M. ve Silva, I.N. (2015) Comparison between random forest algorithm and J48 decision trees applied to the classification of power quality disturbances, Proceedings of the International Conference on Data Mining (DMIN), Las Vegas, NV, 146-147.
  • 3. Breiman, L. (2001) Random forests, Machine Learning, 45(1), 5-32. doi:10.1023/A:1010933404324
  • 4. Brito, N.S.D., Souza, B.A. ve Pires, F.A.C. (1998) Daubechies wavelets in quality of electrical power, In 8th International Conference on Harmonics and Quality of Power. Proceedings (Cat. No. 98EX227), 1, 511-515. doi:10.1109/ICHQP.1998.759961
  • 5. Chun-Lin, L. (2010) A tutorial of the wavelet transform, National Taiwan University Department of Electrical Engineering (NTUEE), Taiwan, 1–72.
  • 6. Debnath, L. (2002) Wavelet Transforms & Their Applications, Birkhäuser, Boston.
  • 7. Eibe, F., Hall, M. A., ve Witten, I. H. (2016). The WEKA Workbench. Online Appendix for Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.
  • 8. Getting Started with LabVIEW. Erişim Adresi: http://www.ni.com/pdf/manuals/373427f.pdf (Erişim Tarihi: 10.10.2021)
  • 9. Goswami, J.C. ve Chan, A.K. (1999) Fundamentals of Wavelets, John Wiley&Sons, USA
  • 10. Huang, N., Lu, G., Cai, G., Xu, D., Xu, J., Li, F. ve Zhang, L. (2016) Feature selection of power quality disturbance signals with an entropy-importance-based random forest, Entropy, 18(2), 44-65. doi:10.3390/e18020044
  • 11. Ibrahim, W.A. ve Morcos, M.M. (2002) Artificial intelligence and advanced mathematical tools for power quality applications: a survey. IEEE Transactions on Power Delivery, 17(2), 668-673. doi:10.1109/61.997958
  • 12. IEEE Std 1159-2019. IEEE recommended practice for monitoring electric power quality. doi: IEEESTD.2019.8796486
  • 13. Jamali, S., Farsa, A.R. ve Ghaffarzadeh, N. (2018) Identification of optimal features for fast and accurate classification of power quality disturbances, Measurement, 116, 565-574. doi:10.1016/j.measurement.2017.10.034
  • 14. Kiranmai, S.A. ve Laxmi, A.J. (2018) 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, 3(1), 1-12. doi:10.1186/s41601-018-0103-3
  • 15. Li, Y., Li, K., Liu, C., Xiao, X., Chen, X., ve Wang, M. (2021). Study on Denoising Algorithm for Power Quality Disturbances Based on Variational Mode Decomposition. Journal of Physics: Conference Series,1746(1). doi:1742-6596/1746/1/012061
  • 16. Liaw, A. ve Wiener, M. (2002) Classification and regression by randomForest, R News, 2(3), 18-22.
  • 17. Mahela, O.P., Shaik, A.G. ve Gupta, N. (2015) A critical review of detection and classification of power quality events, Renewable and Sustainable Energy Reviews, 41, 495-505. doi:10.1016/j.rser.2014.08.070
  • 18. Markovska, M. ve Taskovski, D. (2017a) On the choice of wavelet based features in power quality disturbances classification. In 2017 IEEE International Conference on Environment and Electrical Engineering and 2017 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), 1-6. doi:10.1109/EEEIC.2017.7977586
  • 19. Markovska, M. ve Taskovski, D. (2017b) Optimal wavelet based feature extraction and classification of power quality disturbances using random forest, In IEEE EUROCON 2017-17th International Conference on Smart Technologies, 855-859. doi:10.1109/EUROCON.2017.8011232
  • 20. Misiti, M., Misiti, Y., Oppenheim, G., ve Poggi, J. M. (2010). Wavelet Toolbox 4 User’s Guide. The MathWorks.
  • 21. Reddy, M.V. ve Sodhi, R. (2017) A modified S-transform and random forests-based power quality assessment framework, IEEE Transactions on Instrumentation and Measurement, 67(1), 78-89. doi:10.1109/TIM.2017.2761239
  • 22. Sharma, A., Rajpurohit, B.S. ve Singh, S.N. (2018) A review on economics of power quality: Impact, assessment and mitigation, Renewable and Sustainable Energy Reviews, 88, 363-372. doi:10.1016/j.rser.2018.02.011
  • 23. Tan, R.H. ve Ramachandaramurthy, V.K. (2010) Numerical model framework of power quality events, European Journal of Scientific Research, 43(1), 30-47.
  • 24. Upadhyaya, S., Mohanty, S. ve Bhende, C.N. (2015) Hybrid methods for fast detection and characterization of power quality disturbances, Journal of Control, Automation and Electrical Systems, 26(5), 556-566. doi:10.1007/s40313-015-0204-4
  • 25. Vatansever, F. (2020) Güç bileşenlerinin dalgacık dönüşümü tabanlı hesaplanması. Uludağ University Journal of The Faculty of Engineering, 25(2), 679-692. doi:10.17482/uumfd.717451

KISA SÜRELİ GÜÇ KALİTESİ BOZULMALARININ DALGACIK ANALİZİ VE RASTGELE ORMAN YÖNTEMİ İLE SINIFLANDIRILMASI

Yıl 2021, Cilt: 26 Sayı: 3, 903 - 920, 31.12.2021

Mustafa Ercire Abdurrahman Ünsal

https://doi.org/10.17482/uumfd.976342
Cited By: 1

Öz

Elektrik güç sisteminde kalite kavramı giderek artan bir öneme sahiptir. Güç kalitesi bozulmaları (GKB), bir güç sisteminin akım, gerilim ve frekansında meydana gelen bozulmaları kapsar. GKB içinde, kısa süreli RMS değişimleri ile süreksiz olaylar en yüksek orana sahiptir. Bu bozulmaların doğru tespit edilmesi önemlidir. Bu çalışmada matematiksel olarak modellenen kısa süreli RMS değişimleri ve süreksiz olaylar Rastgele Orman (RO) sınıflandırıcısı ile sınıflandırılmıştır. Öznitelik vektörü Ayrık Dalgacık Dönüşümü (ADD) ile oluşturulmuştur. ADD katsayılarının enerji, kayıklık ve basıklık değerlerinden oluşturulan öznitelik vektörü RO sınıflandırıcısına uygulanmıştır. ADD’nin sınıflandırma başarımına etkisi farklı ayrışım seviyeleri ile analiz edilmiştir. Güç sistemlerinde farklı seviyelerde var olan gürültünün sınıflandırma başarımına etkisi de analiz edilmiştir. RO sınıflandırıcısının farklı ADD seviyelerinde ve farklı gürültü düzeylerinde performansı değerlendirilmiştir. Gürültü içeren bozulmalarda doğruluk, 50 dB gürültü içeren olaylarda %99,8 oranında, 40 dB gürültü içeren olaylarda %99,4 oranında, 30 dB gürültü içeren olaylarda da %98,5 oranında elde edilmiştir. Gürültü düzeyinin 50 dB, 40 dB ve 30 dB olarak birlikte değerlendirildiği bozulmalarda doğruluk oranı %99,6 olarak elde edilmiştir. Sonuçlar kısa vadeli RMS değişimlerinin ve süreksiz olayların RO sınıflandırıcı ile yüksek doğruluk oranıyla ile sınıflandırıldığını göstermektedir.

Anahtar Kelimeler

Güç Kalitesi Güç Kalitesi Bozulmaları Dalgacık Analizi Rastgele Orman Yöntemi Sınıflandırma

Kaynakça

  • 1. Akman, M. (2010). Veri madenciliğine genel bakış ve random forests yönteminin incelenmesi: sağlık alanında bir uygulama, Yüksek Lisans Tezi, Ankara Üniversitesi Sağlık Bilimleri Enstitüsü, Ankara.
  • 2. Borges, F.A., Fernandes, R.A., Lucas, A.M. ve Silva, I.N. (2015) Comparison between random forest algorithm and J48 decision trees applied to the classification of power quality disturbances, Proceedings of the International Conference on Data Mining (DMIN), Las Vegas, NV, 146-147.
  • 3. Breiman, L. (2001) Random forests, Machine Learning, 45(1), 5-32. doi:10.1023/A:1010933404324
  • 4. Brito, N.S.D., Souza, B.A. ve Pires, F.A.C. (1998) Daubechies wavelets in quality of electrical power, In 8th International Conference on Harmonics and Quality of Power. Proceedings (Cat. No. 98EX227), 1, 511-515. doi:10.1109/ICHQP.1998.759961
  • 5. Chun-Lin, L. (2010) A tutorial of the wavelet transform, National Taiwan University Department of Electrical Engineering (NTUEE), Taiwan, 1–72.
  • 6. Debnath, L. (2002) Wavelet Transforms & Their Applications, Birkhäuser, Boston.
  • 7. Eibe, F., Hall, M. A., ve Witten, I. H. (2016). The WEKA Workbench. Online Appendix for Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.
  • 8. Getting Started with LabVIEW. Erişim Adresi: http://www.ni.com/pdf/manuals/373427f.pdf (Erişim Tarihi: 10.10.2021)
  • 9. Goswami, J.C. ve Chan, A.K. (1999) Fundamentals of Wavelets, John Wiley&Sons, USA
  • 10. Huang, N., Lu, G., Cai, G., Xu, D., Xu, J., Li, F. ve Zhang, L. (2016) Feature selection of power quality disturbance signals with an entropy-importance-based random forest, Entropy, 18(2), 44-65. doi:10.3390/e18020044
  • 11. Ibrahim, W.A. ve Morcos, M.M. (2002) Artificial intelligence and advanced mathematical tools for power quality applications: a survey. IEEE Transactions on Power Delivery, 17(2), 668-673. doi:10.1109/61.997958
  • 12. IEEE Std 1159-2019. IEEE recommended practice for monitoring electric power quality. doi: IEEESTD.2019.8796486
  • 13. Jamali, S., Farsa, A.R. ve Ghaffarzadeh, N. (2018) Identification of optimal features for fast and accurate classification of power quality disturbances, Measurement, 116, 565-574. doi:10.1016/j.measurement.2017.10.034
  • 14. Kiranmai, S.A. ve Laxmi, A.J. (2018) 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, 3(1), 1-12. doi:10.1186/s41601-018-0103-3
  • 15. Li, Y., Li, K., Liu, C., Xiao, X., Chen, X., ve Wang, M. (2021). Study on Denoising Algorithm for Power Quality Disturbances Based on Variational Mode Decomposition. Journal of Physics: Conference Series,1746(1). doi:1742-6596/1746/1/012061
  • 16. Liaw, A. ve Wiener, M. (2002) Classification and regression by randomForest, R News, 2(3), 18-22.
  • 17. Mahela, O.P., Shaik, A.G. ve Gupta, N. (2015) A critical review of detection and classification of power quality events, Renewable and Sustainable Energy Reviews, 41, 495-505. doi:10.1016/j.rser.2014.08.070
  • 18. Markovska, M. ve Taskovski, D. (2017a) On the choice of wavelet based features in power quality disturbances classification. In 2017 IEEE International Conference on Environment and Electrical Engineering and 2017 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), 1-6. doi:10.1109/EEEIC.2017.7977586
  • 19. Markovska, M. ve Taskovski, D. (2017b) Optimal wavelet based feature extraction and classification of power quality disturbances using random forest, In IEEE EUROCON 2017-17th International Conference on Smart Technologies, 855-859. doi:10.1109/EUROCON.2017.8011232
  • 20. Misiti, M., Misiti, Y., Oppenheim, G., ve Poggi, J. M. (2010). Wavelet Toolbox 4 User’s Guide. The MathWorks.
  • 21. Reddy, M.V. ve Sodhi, R. (2017) A modified S-transform and random forests-based power quality assessment framework, IEEE Transactions on Instrumentation and Measurement, 67(1), 78-89. doi:10.1109/TIM.2017.2761239
  • 22. Sharma, A., Rajpurohit, B.S. ve Singh, S.N. (2018) A review on economics of power quality: Impact, assessment and mitigation, Renewable and Sustainable Energy Reviews, 88, 363-372. doi:10.1016/j.rser.2018.02.011
  • 23. Tan, R.H. ve Ramachandaramurthy, V.K. (2010) Numerical model framework of power quality events, European Journal of Scientific Research, 43(1), 30-47.
  • 24. Upadhyaya, S., Mohanty, S. ve Bhende, C.N. (2015) Hybrid methods for fast detection and characterization of power quality disturbances, Journal of Control, Automation and Electrical Systems, 26(5), 556-566. doi:10.1007/s40313-015-0204-4
  • 25. Vatansever, F. (2020) Güç bileşenlerinin dalgacık dönüşümü tabanlı hesaplanması. Uludağ University Journal of The Faculty of Engineering, 25(2), 679-692. doi:10.17482/uumfd.717451
Toplam 25 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Elektrik Mühendisliği
Bölüm Araştırma Makaleleri
Yazarlar

Mustafa Ercire 0000-0003-4157-4951

Abdurrahman Ünsal 0000-0002-7053-517X

Yayımlanma Tarihi 31 Aralık 2021
Gönderilme Tarihi 30 Temmuz 2021
Kabul Tarihi 13 Kasım 2021
Yayımlandığı Sayı Yıl 2021 Cilt: 26 Sayı: 3

Kaynak Göster

APA Ercire, M., & Ünsal, A. (2021). KISA SÜRELİ GÜÇ KALİTESİ BOZULMALARININ DALGACIK ANALİZİ VE RASTGELE ORMAN YÖNTEMİ İLE SINIFLANDIRILMASI. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 26(3), 903-920. https://doi.org/10.17482/uumfd.976342
AMA Ercire M, Ünsal A. KISA SÜRELİ GÜÇ KALİTESİ BOZULMALARININ DALGACIK ANALİZİ VE RASTGELE ORMAN YÖNTEMİ İLE SINIFLANDIRILMASI. UUJFE. Aralık 2021;26(3):903-920. doi:10.17482/uumfd.976342
Chicago Ercire, Mustafa, ve Abdurrahman Ünsal. “KISA SÜRELİ GÜÇ KALİTESİ BOZULMALARININ DALGACIK ANALİZİ VE RASTGELE ORMAN YÖNTEMİ İLE SINIFLANDIRILMASI”. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi 26, sy. 3 (Aralık 2021): 903-20. https://doi.org/10.17482/uumfd.976342.
EndNote Ercire M, Ünsal A (01 Aralık 2021) KISA SÜRELİ GÜÇ KALİTESİ BOZULMALARININ DALGACIK ANALİZİ VE RASTGELE ORMAN YÖNTEMİ İLE SINIFLANDIRILMASI. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi 26 3 903–920.
IEEE M. Ercire ve A. Ünsal, “KISA SÜRELİ GÜÇ KALİTESİ BOZULMALARININ DALGACIK ANALİZİ VE RASTGELE ORMAN YÖNTEMİ İLE SINIFLANDIRILMASI”, UUJFE, c. 26, sy. 3, ss. 903–920, 2021, doi: 10.17482/uumfd.976342.
ISNAD Ercire, Mustafa - Ünsal, Abdurrahman. “KISA SÜRELİ GÜÇ KALİTESİ BOZULMALARININ DALGACIK ANALİZİ VE RASTGELE ORMAN YÖNTEMİ İLE SINIFLANDIRILMASI”. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi 26/3 (Aralık 2021), 903-920. https://doi.org/10.17482/uumfd.976342.
JAMA Ercire M, Ünsal A. KISA SÜRELİ GÜÇ KALİTESİ BOZULMALARININ DALGACIK ANALİZİ VE RASTGELE ORMAN YÖNTEMİ İLE SINIFLANDIRILMASI. UUJFE. 2021;26:903–920.
MLA Ercire, Mustafa ve Abdurrahman Ünsal. “KISA SÜRELİ GÜÇ KALİTESİ BOZULMALARININ DALGACIK ANALİZİ VE RASTGELE ORMAN YÖNTEMİ İLE SINIFLANDIRILMASI”. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, c. 26, sy. 3, 2021, ss. 903-20, doi:10.17482/uumfd.976342.
Vancouver Ercire M, Ünsal A. KISA SÜRELİ GÜÇ KALİTESİ BOZULMALARININ DALGACIK ANALİZİ VE RASTGELE ORMAN YÖNTEMİ İLE SINIFLANDIRILMASI. UUJFE. 2021;26(3):903-20.

Cited By

Batarya sağlık durumunun makine öğrenmesi ile kestirimi
Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi
https://doi.org/10.28948/ngumuh.1112985

DUYURU:

30.03.2021- Nisan 2021 (26/1) sayımızdan itibaren TR-Dizin yeni kuralları gereği, dergimizde basılacak makalelerde, ilk gönderim aşamasında Telif Hakkı Formu yanısıra, Çıkar Çatışması Bildirim Formu ve Yazar Katkısı Bildirim Formu da tüm yazarlarca imzalanarak gönderilmelidir. Yayınlanacak makalelerde de makale metni içinde "Çıkar Çatışması" ve "Yazar Katkısı" bölümleri yer alacaktır. İlk gönderim aşamasında doldurulması gereken yeni formlara "Yazım Kuralları" ve "Makale Gönderim Süreci" sayfalarımızdan ulaşılabilir. (Değerlendirme süreci bu tarihten önce tamamlanıp basımı bekleyen makalelerin yanısıra değerlendirme süreci devam eden makaleler için, yazarlar tarafından ilgili formlar doldurularak sisteme yüklenmelidir).  Makale şablonları da, bu değişiklik doğrultusunda güncellenmiştir. Tüm yazarlarımıza önemle duyurulur.

Bursa Uludağ Üniversitesi, Mühendislik Fakültesi Dekanlığı, Görükle Kampüsü, Nilüfer, 16059 Bursa. Tel: (224) 294 1907, Faks: (224) 294 1903, e-posta: mmfd@uludag.edu.tr