Efficient power quality disturbance classification using Teager-Kaiser energy operator and fast Walsh-Hadamard transform features

Abstract

Power Quality (PQ) disturbances play a critical role in ensuring the reliability and efficiency of electrical systems. These disturbances can severely impact device performance, leading to malfunctions and significant energy losses. Accurate identification and classification of PQ disturbances are therefore vital for maintaining system stability and optimizing energy consumption. The proposed method stands out by emphasizing two key feature extraction techniques: the Teager-Kaiser Energy Operator (TKEO) and the Fast Walsh-Hadamard Transform (FWHT). After applying the Fast Fourier Transform (FFT) to randomly generated PQ disturbance events from nine different types, TKEO and FWHT are used to extract features that capture both the energy dynamics and structural patterns of the disturbances. These features provide a highly detailed and compact representation of the signal, crucial for effective classification. The Random Forest (RF) classifier, powered by these robust features, achieves an impressive classification accuracy of 99.35% with pure signals. Moreover, the method demonstrates strong noise resistance, maintaining a high accuracy of 98.26% even under 40 dB noise conditions, highlighting the reliability and effectiveness of the extracted features in real-world environments where noise is a common challenge.

Güç Kalitesi (PQ) bozulmaları, elektrik sistemlerinin güvenilirliği ve verimliliği açısından kritik bir öneme sahiptir. Bu bozulmalar, cihaz performansını ciddi şekilde etkileyerek arızalara ve önemli enerji kayıplarına yol açabilir. Bu nedenle, PQ bozulmalarının doğru bir şekilde tanımlanması ve sınıflandırılması, sistem kararlılığını korumak ve enerji tüketimini optimize etmek için hayati önem taşır. Önerilen yöntem, iki ana özellik çıkarma tekniğine odaklanarak öne çıkmaktadır: Teager-Kaiser Enerji Operatörü (TKEO) ve Hızlı Walsh-Hadamard Dönüşümü (FWHT). Dokuz farklı türden rastgele üretilen PQ bozulma olaylarına Hızlı Fourier Dönüşümü (FFT) uygulandıktan sonra, TKEO ve FWHT kullanılarak bozulmaların enerji dinamiklerini ve yapısal desenlerini yakalayan özellikler çıkarılır. Bu özellikler, sinyalin etkili bir sınıflandırma için kritik olan oldukça ayrıntılı ve kompakt bir temsilini sağlar. Bu güçlü özelliklerle donatılan Rastgele Orman (RF) sınıflandırıcısı, saf sinyallerde etkileyici bir doğruluk oranı olan %99.35’e ulaşmaktadır. Ayrıca yöntem, 40 dB gürültü altında %98.26 doğruluk sağlayarak güçlü bir gürültü direnci sergilemekte, bu da gerçek dünya ortamlarında yaygın bir sorun olan gürültüye karşı çıkarılan özelliklerin güvenilirliğini ve etkinliğini vurgulamaktadır.