Derin öğrenme tabanlı elektrikli ev aletleri veri setinin sınıflandırılması

Abstract

Elektriğe bağlı olan her ev aletinin akım/gerilim karakteristiği farklı olduğundan, bu cihazların her birinin şebekeden çektiği gücün özelliği farklı olmaktadır. Bu nedenle şebekeye bağlı olan cihazın tipinin tespiti cihazın şebekeden çektiği harmoniğin tespit edilmesinde ve de düzeltilmesinde önemli rol oynamaktadır. Bu çalışma kapsamında farklı derin öğrenme teknikleri kullanılarak “ACS-F2 Elektrikli Ev Aletleri Veri Seti” üzerinde sınıflandırma gerçekleştirilmiştir. ACS-F2 veri setinde toplamda 15 farklı sınıf için 225 cihaz bulunmasına karşın, çalışma kapsamında yapılan ön işlemler ile veri setindeki sınıf sayısı 14’e indirilmiştir. Sonrasında LSTM, FeedForwardNet, çift yönlü LSTM( Bi-LSTM) ve parametreleri genetik algoritma tarafından optimize edilmiş Bi-LSTM kullanılarak sınıflandırma yapılarak sınıflandırıcının performansları karşılaştırılmıştır. Yapılan çalışma kapsamında parametreleri optimize edilmiş sınıflandırıcının diğer yöntemlerden daha başarılı sonuçlar elde ettiği gözlenmiştir.

Since the current/voltage characteristics of each electrical appliance are different, the power consumption of devices are specific. Therefore, determining the type of electrical appliance connected to the network is crucial for the detection and correction of the device based harmonics. In this study, the classification of electrical appliances is carried out on the "ACS-F2 Electrical Appliances Dataset" using different deep learning algorithms. Although there are 225 devices for 15 different classes in the ACS-F2 data set, the number of classes in the data set has been reduced to 14 with the preprocessesing step. The LSTM, FeedForwardNet, Bi-LSTM and Ga+Bi-LSTM, models are then built to classifiy electrical appliances. It is observed that the GA+Bi-LSTM classifier, which has %94 classifiaction accuracy, overcomes among the models.