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

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

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

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.

Keywords:

Power Quality, Power Quality Disturbances, Wavelet Analysis, Random Forest Method, Classification,

PDF

___

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