Automatic classification of power quality disturbances: A review

Khokhar, Suhail; Zin, Abdullah Asuhaimi Mohd; Mokhtar, Ahmad Safawi; Ismail, Nam; Zareen, Naila

doi:10.1109/scored.2013.7002625

Cited by 12 publications

(21 citation statements)

References 68 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…İki ayrı örnek için öznitelik değerleri arasındaki fark diff fonksiyonu ile hesaplanmakta ve W[A] öznitelik kalitesi Eşitlik 11 ile verilmektedir. [5,7]. 2 farklı DVM sınıflandırıcı kombinasyonu ile çoklu sınıf içeren problemlere çözüm aranmaktadır [5].…”

Section: Relieff Yöntemi (Relieff Method)unclassified

“…GK bozulmalarını ayırt etmek için her bir bozulmayı temsil edecek özellikler belirlenmelidir [4]. Literatürde sinyal işleme yöntemleri ile ayırt edici öznitelikler çıkartılmakta ve bunlar sınıflandırma aşamasında kullanılmaktadır [4,5]. Ayrık Fourier Dönüşümü (AFD), Kısa Zamanlı Fourier Dönüşümü (KZFD), Dalgacık Dönüşümü (DD), Stockwell Dönüşümü (SD), Hilbert Dönüşümü (HD) ve Gabor Dönüşümü (GD) [4,5] gibi sinyal işleme yöntemleri GK bozulmalarından özniteliklerin çıkartılması için kullanılmaktadır.…”

Section: Gi̇ri̇ş (Introduction)unclassified

“…Literatürde sinyal işleme yöntemleri ile ayırt edici öznitelikler çıkartılmakta ve bunlar sınıflandırma aşamasında kullanılmaktadır [4,5]. Ayrık Fourier Dönüşümü (AFD), Kısa Zamanlı Fourier Dönüşümü (KZFD), Dalgacık Dönüşümü (DD), Stockwell Dönüşümü (SD), Hilbert Dönüşümü (HD) ve Gabor Dönüşümü (GD) [4,5] gibi sinyal işleme yöntemleri GK bozulmalarından özniteliklerin çıkartılması için kullanılmaktadır. Sınıflandırma aşamasında oluşturulacak modelin karmaşıklığını azaltmak ve sınıflandırma başarımını yükseltmek amacıyla çıkartılan özniteliklerden en uygun olanları seçilmektedir [5,6].…”

Section: Gi̇ri̇ş (Introduction)unclassified

“…Ayrık Fourier Dönüşümü (AFD), Kısa Zamanlı Fourier Dönüşümü (KZFD), Dalgacık Dönüşümü (DD), Stockwell Dönüşümü (SD), Hilbert Dönüşümü (HD) ve Gabor Dönüşümü (GD) [4,5] gibi sinyal işleme yöntemleri GK bozulmalarından özniteliklerin çıkartılması için kullanılmaktadır. Sınıflandırma aşamasında oluşturulacak modelin karmaşıklığını azaltmak ve sınıflandırma başarımını yükseltmek amacıyla çıkartılan özniteliklerden en uygun olanları seçilmektedir [5,6]. Makine öğrenmesinde filtreleme ve sarmalama gibi öznitelik seçme yaklaşımları mevcuttur [7].…”

Section: Gi̇ri̇ş (Introduction)unclassified

“…Literatürde Bilgi Kazancı, Ki-Kare, ReliefF, F-Skor gibi filtreleme yöntemleri ile Sıralı İleri Seçim (SİS), Sıralı Geri Seçim (SGS), Genetik Algoritma (GA), Parçacık Sürü Optimizasyonu (PSO), Karınca Koloni Optimizasyonu (KKO) gibi sarmalama tabanlı öznitelik seçme yöntemleri bulunmaktadır [5][6][7]. Karar Ağaçları (KA), Naive Bayes (NB), k-En Yakın Komşu (k-EYK), Destek Vektör Makineleri (DVM), Yapay Sinir Ağları (YSA) [18], Hibrid ve Kolektif Öğrenme yaklaşımları gibi sınıflandırma yöntemleri mevcuttur [8,9].…”

Section: Gi̇ri̇ş (Introduction)unclassified

See 4 more Smart Citations

Güç Kalitesi Bozulmalarının 2 Boyutlu Ayrık Dalgacık Dönüşümü ve Torbalama Karar Ağaçları Yöntemi ile Sınıflandırılması

Karasu¹,

Saraç²

2018

Journal of Polytechnic

View full text Add to dashboard Cite

Section: Relieff Yöntemi (Relieff Method)unclassified

Section: Gi̇ri̇ş (Introduction)unclassified

See 3 more Smart Citations

Güç Kalitesi Bozulmalarının 2 Boyutlu Ayrık Dalgacık Dönüşümü ve Torbalama Karar Ağaçları Yöntemi ile Sınıflandırılması

Karasu¹,

Saraç²

2018

Journal of Polytechnic

View full text Add to dashboard Cite

Real‐time recognition of power quality disturbance‐based deep belief network using embedded parallel computing platform

Chen

2020

IEEJ Transactions Elec Engng

View full text Add to dashboard Cite

This paper proposes a novel integrated solution for real‐time power quality (PQ) disturbance analysis. Traditionally, the recognitions are based on the feature extraction and are implemented offline or on the advanced reduced instruction set computer machine/digital signal processor platforms. In this paper, the optimized deep belief network (DBN) analyzes the PQ signals by learning knowledge from raw data of signals directly, which maximizes the features of original signals, and runs on an embedded parallel computing platform (EPCP). In simulation studies, eight types of common PQ disturbances are divided into 17 classes of data frame models according to the PQ disturbances that may occur during a fixed period of time. These samples of data frame models are utilized to train and optimize the DBNs on a central server. Compared with the existing classifiers, the simulation results demonstrate that the proposed approach has higher accuracy and stronger robustness. Then, the optimized DBN is sent to EPCP, and the previous DBN model is updated. The EPCPs are used to recognize the signals of PQ disturbances from a real time digital system (RTDS). The proposed integrated solution has excellent performance regarding accuracy but is time consuming. © 2020 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.

show abstract

A comprehensive overview on signal processing and artificial intelligence techniques applications in classification of power quality disturbances

Khokhar

Zin

Mokhtar

et al. 2015

Renewable and Sustainable Energy Reviews

228

111

View full text Add to dashboard Cite

Automatic classification of power quality disturbances: A review

Cited by 12 publications

References 68 publications

Güç Kalitesi Bozulmalarının 2 Boyutlu Ayrık Dalgacık Dönüşümü ve Torbalama Karar Ağaçları Yöntemi ile Sınıflandırılması

Güç Kalitesi Bozulmalarının 2 Boyutlu Ayrık Dalgacık Dönüşümü ve Torbalama Karar Ağaçları Yöntemi ile Sınıflandırılması

Real‐time recognition of power quality disturbance‐based deep belief network using embedded parallel computing platform

A comprehensive overview on signal processing and artificial intelligence techniques applications in classification of power quality disturbances

Contact Info

Product

Resources

About