Classification of Electrical Appliance Devices Using –Bi-LSTM and Genetic Algorithm

Afyon Kocatepe Üniversitesi Uluslararası Mühendislik Teknolojileri ve Uygulamalı Bilimler Dergisi Pub Date : 2023-06-15 DOI:10.53448/akuumubd.1288738

G. Küçükyildiz

{"title":"Classification of Electrical Appliance Devices Using –Bi-LSTM and Genetic Algorithm","authors":"G. Küçükyildiz","doi":"10.53448/akuumubd.1288738","DOIUrl":null,"url":null,"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.","PeriodicalId":313113,"journal":{"name":"Afyon Kocatepe Üniversitesi Uluslararası Mühendislik Teknolojileri ve Uygulamalı Bilimler Dergisi","volume":"35 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-06-15","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Afyon Kocatepe Üniversitesi Uluslararası Mühendislik Teknolojileri ve Uygulamalı Bilimler Dergisi","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.53448/akuumubd.1288738","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

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.

查看原文本刊更多论文

基于-Bi-LSTM和遗传算法的电器设备分类

由于每个连接到电网的家用电器的电流/电压特性不同，因此每个设备从电网汲取的电能特性也不同。因此，确定连接到电网的设备类型对于检测和纠正设备从电网汲取的谐波起着重要作用。在本研究范围内，使用不同的深度学习技术对 "ACS-F2 家用电器数据集 "进行了分类。虽然 ACS-F2 数据集中有 15 个不同类别的 225 个设备，但在本研究范围内进行预处理后，数据集中的类别数量减少到 14 个。然后，使用 LSTM、FeedForwardNet、双向 LSTM（Bi-LSTM）和 Bi-LSTM 进行分类，并通过遗传算法优化其参数，比较分类器的性能。在研究范围内观察到，参数经过优化的分类器比其他方法获得了更成功的结果。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Afyon Kocatepe Üniversitesi Uluslararası Mühendislik Teknolojileri ve Uygulamalı Bilimler Dergisi

自引率

0.00%

发文量