Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   9 , No .   2 ,  Febr ua ry   201 8 ,  pp.  380 ~ 386   IS S N:  25 02 - 4752 , DO I: 10 .11 591/ ijeecs . v9.i 2 . pp 380 - 386           380       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Classific atio n  of  The NTEV P ro b lems on    the  Com mercial  B uil din g       Mohd  Abdul   Tali b Mat Y u so h,  S aidatul  Ha bs ah A sma n,  Z uha il a M at Yasin , Ahm ad F arid  Ab idi n   Univer siti   Te kno logi   MA RA ( Ui TM),   40450   Sha h  Alam,  Se la ngo r,   Mal a y s ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Oct   9 , 2 01 7   Re vised  Dec   2 0 , 2 01 7   Accepte d  Ja n 4 , 201 8       Neutr al   to  E art h   Volta ge   (NTE V)  is  one  of  po wer  qual i t y   (PQ )  proble m s  in   the   comm erc ial  buil ding  th at   ne ed  to  be  r esolved.  The   cl assifi cation  of  th e   NTEV  proble m s  is  a  m et hod  to  ide nti f y   the  source   t y p es  of  dist urba nce  i n   al l evi a ti ng  the   proble m s.  Thi s  pape r  pre sents  t he  cl assifi ca t ion   of  NTEV   source   in  th e  co m m erc ia l  buil d i ng  which  is  known  as  the   har m oni c,   loose   te rm ina t ion,   an d  li ghtni ng.   Th e  Euc li d ea n ,   Cit y   b loc k,   and   Cheb y she v   var ia b le s  for  K - Nea rest  Ne ighb or  (K - NN )  cl assif y ing  ar e  be ing   uti lized  in  orde r  to  ide n ti f y  the   b est  per for m anc e  for  cl assi f y ing   the  NTEV   proble m s.   The n,   S - Tr ansform   (ST)  is  app lied  as  a  pre - p roc essing  signal   to  ext ra ct   th e   desire d  f eature s   of  NTEV  p ro ble m   for  c la ss if ie r  input .   Furth ermore,   the   per form anc e  of  K - NN   var ia ble s  is  val ida t ed  b y   using  the   conf usion  m at rix   and  l ine ar   reg r e ss ion.   The  c la s sific a ti on  r esults   show   tha t  all   the  K - NN  var ia b le s  c apa b l e  to   ide n ti f y   the  NTEV  probl ems .   W hil e   the  K - NN   result s   show   tha t  the   E ucl id ea n  and  Ci t y   blo ck  var i able s  are   well   per fo r m ed  rat her   tha n  th e  Cheb yshev  var i abl e .   How eve r,   th e  Cheb y shev   var i abl e  is  stil l   rel i abl e  as  th e  conf usion  m at r i x  show s   m inor  m iscl assific a ti on .   The n ,   the  li ne ar  reg r ession  outpe rform ed  t he  per ce nt age  clos e  to  a   per f ec t   val ue  whi ch   is hun dre d  p erce nt.   Ke yw or d s :   K - Near e st  N ei ghbor  (K - N N)  cl assifi er tools   Neu t ral to E art h Vo lt age  (PQ )   Power Q ualit y (PQ)   S - T ran s f or m   (S T)   Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Mohd  Abd ul T al ib Mat  Yusoh ,    Un i ver sit i Te knol og i M ARA   (U iTM ) ,    40450 S hah A l a m , S el ango r,     Ma la ysi a   Em a il :  m oh d. a bdul.tal ib@ gma il .co m       1.   INTROD U CTION   High  Ne utral  t o  Eart h  V oltag e  (N T EV )  in  t he  com m ercial  bu il di ng  is  on e  of   t he  co nce r ns   in  Power   Qu al it y  (PQ)   di sturb a nces   du e  to  hazar dous  to  the   hum ans,   anim al s,  el ect ric  an d  el ect r on ic   a ppli ance s,  a nd   el ect rical   netw orks  syst em   [1 ] , [ 2] .  Ma ny  r esearche rs  ha ve   discu ssed   th e  high  NTE V   in  the  com m ercial  bu il di ng   is  due  to  i m pr oper   wirin g,   poor   groun ding   sy stem ,  nonlinea r  loa d,   an d  ca ble  dam aged   [3 – 6] .   Howe ver,  the   discuss i on  is  st il l  in  assum ption  t o  dete rm in e  the  source   ty pes  of  NTE V  as  in  [ 7]   an d  ha ve  not   been p r ov e d b y any arti fici al   intel li gen t t ech niques.   Norm al l y,  the  so urce  ty pes   of   PQ   distu rb a nc e  in  the  c omm ercial   buil ding  can  be  ide ntifi ed  by  us i ng  the  cl assifi cat ion   te c hn i qu e  [ 8] .  N ow a days,   a  lot  of   cl assi fier  to ols  are  c om bin ed  with  the  sig nal  proc essin g  te chn iq ue  t o  cl assify   the  P Q  di sturb a nces  i n  the  com m ercial  bu il di ng  [9 – 11] .  The  sig nal  processi ng   is u ti li zed   to  ext ract  the  desire d  in f or m at ion   wh ic h  is  app li ed   as  a n  i nput  f or  the   cl assifi er  to ols  [ 8] .  T hen,  s om e   of  th e   disturba nces  i ntr oduce  oth e r   pro blem s  in  sign al   processi ng  due  to   lim it at ion   an d  ca nnot  be  a naly zed  to   extract  the  des ired  in form at i on   acc urat el y  [12], [ 13] .  He nc e,  an  a ppr opr ia te   var ia ble  in  cl assifi er  to ol  an d  sign al   proces sing  te ch nique  ne ed  t o  be  util iz ed  t o  ide ntify   the  t ypes   of   NTE V  pro bl em   in  the  c omm ercial   bu il di ng.  T he  NTE V  occurre nce  need s   to  be  a war e  of  due  to  haza rdo us   to   hum ans,   anim al s,  el ec tric al   app li anc es, a nd elec tric al  n et work syst em   [14] .   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Cl as sif ic ation   of T he  NTE V P ro ble ms  on T he  Co mm erci al  Buildin g   ( M ohd  A bdul  Ta li b  Mat Y usoh )   381   The  m ai n  co nt ribu ti on  of  th is  pa per  is  to   cl assify   the   s ource  ty pe s  of  NTE V   pro bl e m s  in  the   com m ercial   bu il ding  du e   to   the  t ri plen  ha rm on ic   an d  t ran sie nt.  T he  transient  ca n  be  div ide d  i nto   t w o  cat egories;   tra ns ie nt  due  to   the  lo os e   te rm i nation  an d  t ra ns ie nt  due  to   the  li ghtnin g  strike.     T hen,  th e  K - Near est   Neig hbor  ( K - N N)   is  sel ect ed  as  the  cl assifi er  to ol  and   has  bee n  te ste d  with  dif f eren t   var ia bles,   wh ic h  are  E uclidean ,  Ci ty   blo ck,   a nd  Che bys hev .  The  differe nt  var ia bles  of  K - N N  a re  util iz ed  to  i de ntify  the  best  perform ance  in   cl assify ing  the   NTE V   pro ble m .  Fu rthe r,   S - Transf or m   (S T )  is  c hosen   to   e xtract  the   feat ures  of  NTE V  pro ble m   accord in g   to   the  sta ti sti cal  analy sis  al go rit hm s.    ST  te chni qu e  is  sel ect ed   du e  to  t he  cap abili ty  in  proc essin g  t he  sig nal  with ou t  m issi ng   a ny   inform at ion   featur e s,  var ia bles  wi ndow  s cal e,  an d  ou t pe rfor m   wav el et   tran sf or m   ( W T)  a nd  sh ort - ti m e  fo ur ie r  tra nsfo r m   (S TFT ).   Fin al ly ,  the  per f orm ances  of   K - NN   a re  ob s er ved  ba se d  on  the   di ff e r ent  va riables   by   us in g  c onf usi on   m at rix  a nd  li near   re gr es sion.    Acc ordin g  to  t he   conf us io n  m a trix  and   li near   re gr essi on  resu lt s,  the  perform a nce  of   K - NN   c la ssifie r  too ls  is  analy sed  bas ed   on  the p e rce ntage s of acc ur acy ,   m isc la ssific at i on and t he rel at ion s hip   betwe en  the  tar get and  ou t pu t  res ults.       2.   RESEA R CH MET HO D   To  cl assify   th e  NTE V  pro bl e m s  in  the  c omm ercial   bu il din g,  seve ral  m et ho ds   s uc h  as  the  ST   op e rati on, K - N N  cl assifi er  to ol  shou l d   be  f ollow e d     2.1.  Th e S - Tr an s fo rm  (ST )   Theor y   ST tech nique i s a tim e - fr eque ncy pre - proces sing si gnal , wh ic h  prese nts th e res ult i n  c omplex  nu m ber  s pectr um . Th en , S T   al so   produces  the  resu lt  in  S - m at rix  w hich  c on sist  t he  m ulti ple num ber s of  colum ns  and  r ow s .  The  ST  of signal   x( t)  ca n be  def i ned as  foll ow  [ 13 ] :     ft j f t e e t x f f S 2 2 ) ( 2 2 ) ( 2 | | ) , (   ( 1 )     Accor ding to   ( 1 ) , let  kT   and  NT n f , the  d isc rete  ST is  g ive n by:       0 , , 2 1 0 2 2 2 2 n e e NT n m X NT n kT S mk N m m n m n   ( 2 )   wh e re,   k,  m , n = 0,   1,  …, N - 1   T=sam pling  in te rv al   N=total  of sam pling p oin t     Accor ding  to  t he  ST  resu lt ,  t he  feat ur es  of  NTE V  pro ble m   are  extracte d  by  us in g  the   sta ti sti ca l   analy sis  te chn i qu e ,  that  incl ude  the  sta nd a rd  dev ia ti on  ( 3 ) ,  m ean  ( 4 ) ,  var i ance  ( 5 ) ,  s kewness  ( 6 ) ,  kurto sis  ( 7 ) ,  an d  t otal  har m on ic   distor ti on   (THD)   ( 8 ) .    F igure  1   s hows  the  operati on  to  cl assify   the  NTE V  pro ble m   in  the   com m ercial   buil din g  incl ud e d  ST,  sta ti sti cal   analy sis,  and   K - N N  cl assifi er  to ols.    Th en,   the  al go rithm s  of  sta ti sti cal  an alysis are  giv e n as  [ 15 ] :   2 1 1 2 ) ( 1 1 m a x M i j ij Y Y M   ( 3 )   M j ij Y M Y 1 1 m a x   ( 4 )   M i j ij Y Y M 1 2 2 ) ( 1 1 m a x   ( 5 )   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  9 ,  No.  2 ,  Fe br uary   201 8   :   3 80   –   386   382   3 2 1 1 2 1 3 ) ( 1 1 ) ( 1 m a x M j j ij M j j ij Y Y M Y Y M s   ( 6 )   2 1 2 1 4 ) ( 1 1 ) ( 1 m a x M j j ij M j j ij Y Y M Y Y M k   ( 7 )   1 2 1 2 2 m a x ij M j ij Y Y T H D   ( 8 )           Figure  1 .  Th e   Cl assifi cat ion   of N T EV   Pro bl e m       Ba sed on t he  e qu at io n  i n  ( 3 ) - ( 8 ) , th e  r es ult o f  N TE V feat ure s can  b e  obtai ne d  a nd u ti li zed  as an  in pu t  for K - NN cl assifi er.     2.2. K - Ne arest Neig hb or (K - NN)   K - NN   ca n  be  cat egorized  as  the  Near est   Ne ighbor  ( NN)  f a m ily  [16] .  K - NN   is  reli able  and   easy   to   i m ple m ent  fo r  cl assifi cat ion   by   us ing   non - pa ram et ric  and   la zy   le arn in g  te chn i qu e  [17] .  B asi cal ly ,  the  K - NN  cl assifi cat ion   op e rates  base d  on   the  distan ce  m et ric   of   input  cl assify in g  an d  te sti ng   sam ples.  Then,  the  perform ance  of  K - N N  al s o  de pends  on  the  sel ect ed  num ber   of  K.   T hus,  the  num ber   of  K  is  sel ect ed  ba sed  on  the  best  values   bef ore  analy zi ng   the  perform ance  of  K - N N   us ing   the  different  va riables .    This  pap e r  s how s   th e  te sti ng   for  diff e re nt  va riables  of  K - NN   in  orde r  to  i de ntify  the  be st  perform ance  of  K - N N  in   cl assify in g  the  N TEV   pro blem .  The  va riables  of   K - N N   su c h  as  t he  E uclidean   ( 9 ) ,  C it y  blo ck  ( 10 ) ,   Chebys he v  ( 11 )   a r e   us e d  to  a naly ze  the  NT EV  pro blem s  in  the  com m ercial   b uildin g.   T he  m at he m at ic a l  al gorithm s  are  give n  belo w  [18] :       ( 9 )     ( 10 )   k i i i y x 1 2 ) ( k i i i y x 1 | | Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Cl as sif ic ation   of T he  NTE V P ro ble ms  on T he  Co mm erci al  Buildin g   ( M ohd  A bdul  Ta li b  Mat Y usoh )   383   1 2 1 2 , x   m a x y y x   ( 11 )       3.   RESU LT S  AND A N ALYSIS   Figure  2   s hows  the inp ut of cl assifi cat ion   w hi ch  util iz ed o n diff e re nt v a ria bles  of   K - N N  c la ssifie r  too ls.   T he num ber  o f sam pl es that  hav e  b e en use d  as i nput  an d t est ing da ta  are 124 a nd  126, res pect ive ly .   Ba sed on t he s a m ples d at a,  K - N N  a naly sis i s u ti li zed to i de ntify t he best c at egories o f K - NN v a riables i n  cl assify ing  t he NTE V pro blem s.            (a)   (b)     (c)     Figure  2 : T he plot cl assifi cat ion i nput  featu r es:  ( a)  F 1  a nd   F2 ,  (b) F 3  a nd  F4 ,  and  (c) F 5 and F 8       3.1. Per f orm ance  of  K - NN  Va ri ab le s B ase d on  Diff ere n t  K  Values   The K - N N  cl as sific at ion   us es  50 it erati ons wi th a d i ff e ren t  nu m ber   of K.     Figure   3   sho ws   each  di ff e ren t  values  of   K  produce  the  dif fe ren t  re su lt s  of  K - NN   va riable s.    The  best  values  of  K  f or  va riables  Eu cl idean,   Ci ty   bl ock ,   an d  C he bysh e v  a re  between  1  unti l  4.    T he  nu m ber  o f   K   betwee n  1  unti l  4  sho ws  the   identic al   res ults   with  re sp ect   t o  their   pe rfor m ance.  Ba se d  on  the  best  value   of   K,  the K - NN  is  ana ly zed b y  us in g  the  con fu si on m at rix  te chn i qu e  and line ar  regressio n.           (a)   (b)       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  9 ,  No.  2 ,  Fe br uary   201 8   :   3 80   –   386   384     (c)     Figure  3   Per for m ance of  K value  for K - NN ty pes (a)  Eu cl id e an,   ( b)  Ci ty bloc k,   (c) C he bys hev       3.2. C on f usio n  Matri x Resul ts   Figure  4   s how s  the  re su lt   of   con f us io n  m at rix  w hich  has  be en  te ste d  by  usi ng   t he  K - NN  cl assifi er  of  the  di ff e ren t  va riables  s uc h  a s  Eucli de an ,  C it y  blo ck,  a nd  Chebys hev.  T he   cl asses  1,   2,  and  3  re pr e sen ts  the  NTE V  pro ble m s   du e  to  the  har m on ic ,  lo ose   connecti on,  a nd   li ghtni ng,  r especti vel y.    Ba sed  on  the  fig ur e ,  th e   nu m ber s   of  sa m ples  fo r   cl ass   1,  cl ass   2,  a nd  cl ass  3  a re  i de ntica l  42.  The   resu lt   of  var ia ble  E uclidea n  sh ows   that  the  cl ass  1,   cl ass  2,   an d  c la ss  3  are  33. 3% .  The  re su lt   of  K - N N  f or   va r ia ble  Ci ty   blo ck   seem s  si m i lar   with   var ia ble  Eucli dean .    T he n  f or  the  var ia ble  Chebys hev  shows  the  resu lt s   for  cl ass  1,   cl ass  2,  an d  cl as s  3  a re  33.3%,  31% ,  and   33. 3%,   re spe ct ively .    The  correct   num ber   cl assifi es  for  var ia ble  Cheby sh e v  are  42,  39,  a nd   42 for cl ass  1,   cl ass 2 ,  and cla ss 3, r e sp ect ive ly .   Ov e rall   resu lt s   sh ow  that  the   K - NN   cl assifi er  us i ng   the  E uclidean  a nd  Ci ty   blo ck   va r ia bles  are  the  best r e su lt s  on  cl assify ing  t he NTE V pro blem s w it h  100% a ccur acy .              (a)   (b)     (c)     Figure  4 .  Th e   K - NN Co nfusi on Mat rix f or   va riable ( a)  Euc li dean   (b)  Ci ty  b loc k (c)  C he by sh ev   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Cl as sif ic ation   of T he  NTE V P ro ble ms  on T he  Co mm erci al  Buildin g   ( M ohd  A bdul  Ta li b  Mat Y usoh )   385   3.3. Re gressio n R es ults   Table  1   el ab orat es  the  perf or m ance  of   K - N N  base d  on   the  diff e ren t   var ia bles  by  us in g  li near  regressio n.    Ac cordin g  to   the  ta ble,  the  K - N N  res ults  f or  va riables  E uclid ean  a nd   Ci ty   bl ock   a re  100%  for  al l   cl asses.    That  m eans  the  relat ion s hip  bet wee n  the   ta r get  a nd  the   ou t pu t  a r e  li near  pro por ti on al .     Howe ver,  th e   var ia ble  Cheb yshev  s hows  t he  res ults  f or   c la ss  1  an d  cl as s  3  are  hundre d  pe rce nt  li near .    T hen,  the  va riable   Chebys hev   s ho ws  the  cl ass  2  resu lt   is  94.69 %  can  be  ex pl ai ned   by  the  li near   re gressi on .    The  total   res ults  of   K - NN   a re  100% ,  100% ,  a nd  98.23%  f or   vari ables  Eucli dea n,   Ci ty   blo ck,   and   Ch ebys he v,   res pecti vely .     The  var ia bles  Eucl idean  an d  Ci ty   blo ck  sho w   the  resu lt s  are  si m il ar   to   ea ch  oth e r  an d  represe nt  as  t he  best  perform ance  in  analy zi ng   the  pro blem s  of   NTEV   du e  t o  th e  har m on ic ,   l oos e   te rm inati on ,  a nd   li ghtni ng  in  th e   com m ercial   bu il din g.     H owev er,  the  Che bys hev   resu lt   is  sti ll   dep endable,   since  the  relat ion s hip   betwee n  the   ta rg et  a nd the  ou t pu t a re cl ose  to  the  hu ndre d perce nt.       Table  1 . Per for m ance of  K - N N b ase d on the  d if fer e nt  var ia bles   Variables   Clas s 1  ( %)   Clas s 2  ( %)   Clas s 3  ( %)   Total (% )   Euclid ean   100   100   100   100   City  b lo ck   100   100   100   100   Ch eb y sh ev   100   9 4 .69   100   9 8 .23       4.   CONCL US I O N   This  pa per   is  pr ese nted  t o  cl assify   the  NT EV  pr ob le m   in  the  com m erci al   bu il ding  by  us in g  the  K - NN  cl assifi er  t oo ls .    T he  K - NN  cl assifi er  t oo l  us es   the  di ff e ren t  c onti nuou s   va riables ,  wh ic h  a re  E uc li dean ,   Ci ty   blo ck,   an d  Che bysh e v .    The  ST  is  ap plied  as  the   pr opos e d  te ch nique  to  ext ract  the  featu res  of   NTE V   pro blem ,  wh ic h  is  then  util iz ed  as  cl assifi cat ion   input.    T he  pe rfor m ance  of   K - N N  cl assifi er  with  di f fer e nt  var ia bles  is  observ e d  ba sed  on  the  co nfusi on  m at rix  and   li near   re gr e ssio n  res ults.    The   Eucli dea n  a nd   Ci t y  blo c k  va riables  p rese nted  t he best res ult t o  cl assify  the N TE V  pro blem s in  the co m m ercia l bu il ding c ompare d  to  the  Che bys he v  va riable.  Ev en  th ough  the  perform ance  of  the  Ch ebys he v  va riable  is  lo wer   c om par ed  to  the   oth e r  va riables ,  it   is  still   re li a ble  as  the  co nfusion  m at rix  sh ows  m ino r  m i scl assifi cat ion   wh ic h  is  2.4%.   Then,  the  li near   re gressi on   s hows  t hat  the  per ce nt age  of  Chebys hev   resu lt   cl ose   to  per fect  va lue  wh ic h  is  hund red   per ce nt.       ACKN OWLE DGE MENTS     This  wor k was  su pp or te d  in  part by  U niv er sit i Teknolo gi M ara (UiTM )  un der the sc hola r sh ip .       REFERE NCE S   [1]   D.  Dorr,  “ Dete r m ini ng  volt ag e  l eve ls  of  concern   for  hum an  and  ani m al   r esponse  to  AC  cur r ent,”  in  Pow er  &   Ene rgy  So ciety  Gene ral M e eting ,   2 009 .   P ES  ’09 .   IEE E ,   2009 ,   pp .   1 – 6.   [2]   S.  Ravl ić   and  A.  Marušić ,   “ Sim ula ti on  Model s  for  Vari ous  Neutr al   E art hin g  Methods  in  Medium  Volta ge   S y stems , ”  Procedia  Eng . ,   vol .   10 0,   pp .   1182 – 119 1,   2015 .   [3]   D.  Sall es  et   al . ,   “ As sess ing   the   Coll ectiv e  Harm onic   Im pa ct   of  Modern  Reside ntial  Lo a ds - 2014;Part   I :   Methodol og y , ”  Powe r Del iv.  I E EE   Tr ans. ,   vol.  27,   no .   4 ,   pp .   19 37 – 1946,   Oct .   2 012.   [4]   A.  M.  Vari z,   J.   L.   .   Pere ir a,   S.   Carne iro,   and  P.  G.  Barbosa ,   “ Harm onic   ana l y sis  of  the   power  distri buti on   Neutr al - to - Earth   Vo lt ag e  (NEV)   te st  ca se   using  four - wire   thr ee - phase   har m onic  cur ren t   injection   m et hod, ”   in  IEE E   Powe r   &   Ene rgy  So ciety  Gene ral M e eting ,   2009 ,   pp .   1 – 7.   [5]   J.  D.  Bouford  and  D.  J.  Hurle y ,   “ A  Rec om m ende d  Standa rd  for  V olt ag es  Appea ri ng  Across   Public l y   Ac ce ss ib l e  Surfac es, ”  IE EE  Tr ans.  Powe r Del i v. ,   vol .   29 ,   no .   1,   pp.   48 – 51,   Fe b.   2014 .   [6]   M.  A.  T.   M.  Yusoh,   A.  F.  Abidin,   Z.   M.  Yasin,   M.  F.  Ghani,   and  U.  Mat,   “ Modell ing  Neutr al   to  E art h  Volta g e  (   NTEV  )  on   the  Com m erc ia l  Bui ldi ng, ”  2016   IEEE  Conf .   S yst. P r oce ss   Control ,   p p.   91 – 96 ,   2016 .   [7]   C.   Jiang ,   Q.   Shi,  Y.  Ti an ,   X .   L i ,   S.  Li n,   and   Y.   Li u ,   “ Sensiti vi t y   stud y   on  th e  stra y   voltage   of   low  voltage  reside nt ia l  n et w orks,”   2016  IEEE  8th  Int.   Pow er  El ectron.  Moti o n  Control  Conf.   IPE MC - ECC E  Asia  2016 ,   pp.   2571 – 2576,   201 6.   [8]   K.  Thi rum ala,  A.  C.   Um ari kar ,   a nd  T.   Ja in,  “ Estim at ion  of  singl e - phase   and   three - phase   power - qu al ity   indices  using e m piri c al  wave let  tr ansfor m , ”  IE EE   Tr ans.   Powe r De liv. ,   v ol.   30 ,   no .   1 ,   pp .   445 – 454,   2015 .   [9]   A.  As uhai m i  Mo hd  Zi n,   M.  Saini,  M.  W .   Mus ta fa,   A.  R.   Sulta n,   a nd  Rahi m uddin,   “ New  al gorit hm   for  det ection   and  fau lt   cl assifi ca t ion  on  p ara l lel  tra nsm ission  line  using  DW T  a nd  BP NN   base d  on  Cla rk e’s  tr a nsform at ion, ”   Neurocomputi ng ,   vol .   168 ,   pp .   98 3 – 993,   2015 .   [10]   O.  Ozgone nel,  T .   Yalcin,   I .   Gune y ,   and  U.  Kurt ,   “ A  new  cl assific ation  for  power   qual ity   eve n ts  in  distri buti o n   s y stems , ”  Elec tr.   Powe r S yst. Res. ,   vol. 95, pp. 19 2 – 199,   2013 .   [11]   J.  H.  A.  Mora les ,   E.  A.  Orduña ,   and  C.   Rehtanz ,   “ Cla ss ifi c at ion   of  li gh tni ng  str oke  on  tr ansm ission  li n e   using   m ult i - resolut ion   ana l y sis  and  m a chi ne   learni ng , ”   El e ct r.   Powe r  E nergy   Syst . ,   vol .   58,   pp .   19 – 31 ,   2 014.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  9 ,  No.  2 ,  Fe br uary   201 8   :   3 80   –   386   386   [12]   A.  Rodriguez,  J.   A.  Aguado ,   F.   Marti n,   J.  J.   Lo pez ,   F.  Munoz ,   and  J.   E.  Rui z,  “ Rule - base d  cl a ss ifi ca ti on   of   power  qualit y   di sturbanc es  using   S - tra nsform , ”  E le c tr. Powe r Sy st .   R es. ,   vol .   86 ,   p p.   113 – 121 ,   201 2.   [13]   A.  F.  Abidin ,   A.   Moham ed,   and   H.  Share e f,   “ Int el li g ent  detec t io n  of  unstab le   po wer  sw ing  for  c orre ct  dista n c e   rel a y   oper at ion   using  S - tra nsfor m   and  neur al   n e tworks,”   E xpe rt   Syst.   App l. ,   vol.  38,   no.   12,   pp.   14969 – 14975,   2011.   [14]   C.   DeNardo,   “ Stra y   and  cont a ct  volt age   an  upd at e  on  I EE E  PE S  P1695  W orki ng  Group  ac ti v ities,”   in  Rural   El e ct ric   Pow er  Confe renc e ,   201 2,   pp .   A3 - 1 - A3 - 7.   [15]   N.  Huang,   D.  Xu,  X.  Li u,   and   L.   Li n ,   “ Pow er  qual ity   d isturb anc es  c la ss ifi c ation  base d  on  S - tra nsform   and  proba bil ist ic ne u ral   n et work, ”  N e urocomputing ,   v ol.   98 ,   pp .   12 – 23 ,   2012 .   [16]   M.  A.  Jabba r ,   B .   L .   Dee ksha tul u ,   and  P.  Ch andr a,   “ Cla ss ifica t io n  of  Hea rt  Dise a se  Us ing  K -   Nea rest  Neighbor   and  Gene tic  Alg o rit hm , ”  Proce d i a  Technol. ,   vol .   10,   pp .   85 – 94 ,   2 013.   [17]   A.  Kum ar,   R.   Bhat nag ar,   and  S.  Srivasta va ,   “ ARS kNN - A  k - NN   c la ss ifi er  using  m ass  base d  sim il ari t y   m ea sure,”   Proce dia   Comput.   S ci. ,   vol. 46, n o.   Ic ict  2014 ,   pp .   457 – 462,   2015.   [18]   R.   A.  Nugraha en i  and  K.  Mut ij ar sa,   “ Com par at iv e  anal y s is  of  m ac hine   le a rning  K NN ,   SV M,  and  ran dom   fore sts  al gorit hm   for  fa ci a l  expr ession  c la ss ifi c at ion , ”  in   2016  Inte rnatio nal  Seminar  on  Appl ic a ti on  for  Technol ogy  o f   Information  and  Comm unic ati on  ( ISe mant ic) ,   2016,   pp .   163 – 168 .       Evaluation Warning : The document was created with Spire.PDF for Python.