Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   13 ,  No.   3 ,  Ma rch   201 9 , p p.   1136 ~ 1142   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 3 .i 3 .pp 1136 - 1142          1136       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Eva lu atin g  w ind owing - b ased  c on tinu ous S - t ra ns f or m  with   n eura l   n etwork  c lassifi er  for  d ete ctin g a nd   c lassifyi ng  p owe r   q uality   d isturban ces       K.  Daud 1 ,  A.  Farid  Ab idi n 2 ,  A . Puad  Ism ail 3 , M.  Daud  A.   Ha s an 4 , M.  A f f an di  Sh af i e 5 , A. Ism ail 6   1, 2,3,4,5 Facul t y   of Electrical E ng in ee ring ,   Univ ersiti  T eknol ogi   MA RA ,  Malay si a   6 Facul t y   of  Com pute r and  Ma them at ic a l  Sci ence s ,   Univer si t i   Te kn ologi   MA RA,  M al a y si a       Art ic le  In f o     ABSTR A CT   Art ic le   hist or y:   Re cei ved   Oct  7 , 2 018   Re vised Dec  6 ,  2018   Accepte d Dec  13 , 201 8       T he  ai m   of  thi s  pape r  is  to  evalu at e  th e  impleme nta ti on  of  windo wing - base d  Conti nuous  S - Tra nsform   (CST)  te chni qu es,   name l y ,   one - c y cle  an d  hal f - c y c l e   windowing  with  Multi - lay e r  Per ce pt ion  (MLP)  Neura l  Network   cl assifie r .   Both,   the   techni ques  and  cl assifi er  a re  used  to  d et e ct   and  cl assif y   th e  Pow er   Quali t y   D isturbance s  (PQ Ds )  into  one  of   poss ible  c la ss es,   vo lt ag e  sag,   sw el l   and  interrupt  di sturbanc e  sign al.  For  rea l izing  e val ua ti on,   we   pr oposed  the  m et hodolog y   th at   inc lud e  th e  PQ D  gene rat ion ,   th e  sign al   d etec t ion  usin g   windowing - base d  CS T,   the   feature s  ext ra ct ion   from   S - cont our  m at ric es,   PQ D  cl assific ati on  using  MLP  cl assifi er.   The n ,   we  per form   t wo  t y p e  of   assess m ent s.  Firstl y ,   th e  a cc ura c y   assess m ent   of  chose n  class ifi er   in  relati on   to  thr ee  diffe r ent   tra in ing   algorithms .   Seco ndl y ,   the  exec uti on  t ime   compari son  of  the   training  al gorit hm s.  Bas ed  on  assess me nt  result s,     we  outline   seve r al   r ec om m enda tions   for  futur e  w ork.   Ke yw or ds:   Con ti nu ou s  S - t ran s f or m   Mult i  l ay er  p erceptio n  n e ural   n et w ork    Power  q ualit y   Power  q ualit y  d ist urba nce   W i ndowin g  t ec hn i qu e   Copyright   ©   201 9   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 :   K.   Da ud ,    Faculty   of Elec tric al  Engineer ing ,   Un i ver sit i Te knol og i M ARA ,     40450 S hah A l a m , S el ango r,   Ma la ysi a.   Em a il :  ka m aru l395@ uitm .ed u. m y       1.   INTROD U CTION     Power  qu al it y  (P Q )  is  cru c ia l  in  pr ovisi on i ng   util it ie s   fo r  fu l fill ing  the  con s um ers  nee d  [ 1].   Nowa days,  P Q   pro blem   has  beco m ing   a  hu ge  c halle ng e   a s  m or e  co ns um ers  are  dem a nd i ng  f or  the  powe r   qu al it y .  Ele ct ri cal   de vices  vu l ner a ble  to   pow er  qu al it y  or  la ck  of  qual it y  is  m or e  su it able   to  be   incl ud e d  in  the  do m ai n  of  power  ap pea rs  li m it ed.   All  el ect ric  de vices  a r e  dis po se d  to  hav e   a  pro ble m   or   dam age  wh e n  t hey   are  expose d  to  on e  o r  m or e  power   qual it y  iss ues  [ 1] - [ 7].  Ele ct ric  m oto r,   ge ner at or ,  c om pu te r,   com m un ic at io n  equ i pm ent,  or   hous e hold  a pp l ia nce  are  t he  e xam ples  of   el e ct rical   dev ic es  that  has  a   hi gh  cha nces  to   da m ag e   wh e n  e xpos e d  to  PQ  d ist urba nces  ( PQDs) .  To  date ,  t he  as set   qu al it y  of   powe r  is  quit e  exp e ns i ve,   s o  th ere  is  a   need o f  m on it ori ng syst em s that can  detect  P QD act ivit ie s in order  to re duce costs.   To  im pr ove  t he  power  qua li ty   in  the  syst e m ,  there  is   a  nee d  to   de te ct   the  pr e s ence  of   t he  disturba nces,  i den ti fy  the  sources  of  the  pro blem s  and   f i nd   the  so l utio n  to  ov e rc om e   them .  In   pre vious  researc h  a nd   st ud ie s ,  the  re se arch e rs  ty pical ly   us e  m ult iple  appr oach es  t o  detect   an d  cl assify   the  act ivit y  of  PQDs.  Am ong  a ppr oach es   us e d  i n  past   stu dies  are   S - T ran s f or m   [2 ] - [ 5] , [ 8 ] ,  Wa velet   Tra nsfo r m   [ 9 ] ,     Ne ural   Netw ork ,  Discrete  F ourier   Tra nsfo rm   (D FT),  Fa st  Four ie r  T ra ns f or m   (F F T),  an d  Sup port  Vecto r  Ma chine  ( SVM ),   a  com bin at ion   of  any  of  them   or   oth ers .  Most  ap proac hes  de scribe d  befor e  s uper vi sed  P Q   pro blem s  by  changin g  from   one  dom ai n  to  an oth e r  dom ai n  of   m at he m at ic s  wh ic h  pro vid es  a dd it ion al   detai le d  in form at ion .   The  m ai n  scop e  of   the  stu dy  is  cat ego rized   into  two  pa rts   wh ic h  are  detect ion   of  PQ   disturba nce   base d  on  the  use   of   S - Tra nsf or m   m a the m atical   te chn iqu es   to  detect   pow er  qual it y  dist urba nces  an d  Ne ural   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       Evalu atin g  wi ndowi ng - base d con ti nu ous  S - tr an sf orm wi th  ne ural netw ork   cl as sif ie r for ...   ( K. D au d)   1137   Netw ork  nam e ly   Multi  Lay e r  Perce ption   Neural  Netw ork  (ML PNN)  has  bee n  ch ose n  as  a  cl assifi cat ion   m et ho d  of  cl as sific at ion   a nal ysi s  perform ance  f or  P Q  disturba nces.  The   detect ion  of  P Q  disturba nces   ha ve  been   c onduct e d  base d  on   tw o  dif fer e nce  a ppr oach   n am ely;  On e - Cy cl e  W i ndowin g  Te chn i qu e  (O C WT)   a nd   Half - Cy cl e W i ndowin g  Tec hniq ue  ( HC WT).  A  m at he m at i cal   cod es  a re  c reated  a pproac hes  by  us in g  s of t war e  MATLAB ©  t o  fin d  init ia l  per i od,  the   fi na l  per i od,  t he   m agn it ud e  a nd  durati on  of  the  P Q  distu r ban ce .   Fu rt her m or e ,  t his  pa per   will   giv es  a  br ie f  s umm ary  of   an   analy sis  of   th e  PQ   disturba nc es  for  the  detect ion  and  cl assifi cat ion   base d  on  CST  f or  the   di stribu ti on  syst e m   by  us i ng  the  m et ho d  of  OC W T   an d  H C WT     with MLP N N.       2.   PQDs  SI GNA L GENE RA T ION   The  distu r ban c es  sign al   powe r  qu al it y  are  ge ner at e d  base d  on   m at he m atical   m od el ing   program m ing  in  m - file /sc ript  of  MA TLA B©  [ 1 0 ] .  T he re  a re  th ree  ty pes  of   sig nal s  inv ol ved,  na m el y,  sag,   swell ,  and  interr up t.  T he param et ers  require d  to  ge ner a te  the signal s a re th e  real t im e  o f  s ig nal du rati on  a nd am plitu de  of   disturba nce si gnal  volt age . Ta ble 1 s hows  t he  p a ram et ers  associat ed  t o  ea ch  ty pe o f dist urba nce.        T able   1.   Ma t he m at ic al  PQ D  Disturba nce S i gn al s  Mo delin g   Distu rban ces   Mod el equ atio n   Para m eters   Sag   v (t) =1 - * (u(t - t1 ) - u (t - t2 )) * sin t(ɷt+ ϕ)   No te:   α=  R ed u ctio n  level  of rms  volta g e in  p .u.   t = 0.1  :  0.0 0 1  :  0. 1 8   t1  = Time  o f  V s a g   i n itia tio n   t2  = Time  o f  V s a g   r ecover y or  clear a n ce   ϕ = P h a se - a n g le jump   α= 0 .5   t1  =  4 0 m s   t2  =  1 0 0 m s     ϕ  = 90 ̊   Swell   v (t) =1 +* (u(t - t1 ) - u ( t - t2 )) *  sin t(ɷt+ ϕ)   No te:   α=  I n crea sin g  level  o f rms vo lta g e in  p .u.   t = 0.1  :  0.0 0 1  :  0. 1 8   t1  = Time  o f  V s w ell   i n itia tio n   t2  = Time  o f  V s w ell   reco very or  clear a n ce   ϕ = P h a se - a n g le jump   α= 0 .5   t1  =  5 0 m s   t2  =  1 1 0 m s     ϕ  = 45 ̊   Interrup t   v (t) =1 - * (u(t - t1 ) - u (t - t2 )) *  sin tɷ t   No te:   α=  R ed u ctio n  level  of rms  volta g e in  p .u.   t = 0.1  :  0.0 0 1  :  0. 1 8   t1  = Time  o f  V in ter r u p t   in itia tio n   t2  = Time  o f  V in ter r u p t   reco very or  clea ra n ce   α= 0 .95   t1  =  5 0 m s   t2  =  1 1 0 m s       2.1.   PQDs  Sig na l  Det ec tion usin g  O ne - C ycle  Windowi n g  T echnique  (O C WT)   The  cy cl es  accor da nce  with   windowin g  te chn i qu e  of   C onti nuous  S - Tra ns f or m   (CST)  is  us ed  f or   PQDs  detect io n  an d  feat ur e  e xtracti on.  Eac h  cy cl e  of   each sam ple  wind ow  of  inter fer e nc e  wav e f or m   si gn al   i s   analy zed  acco r dan ce  with  ST   con t our  [ 3],   [ 4].   The  detect ion   of   PQD  usi ng   OC WT  is  perform ed  fo r  every   20 m s  (one - cy cl e )  of  ti m e  du r at ion   of  sig nal s.  T he  si gn al   m us t  in  abs olut e  conditi on  to   perform   this  de te ct ion .   Figure  1 - 3  sho ws  detect ion  of  P Q Ds  base d  on  CST   us i ng  OC W T .  T he   re d  li ne   is   repres ent  the   sig nal  l ine  of  PQD  in  an  abs olu te   co nd it io n.  The  blu e  li ne   rep rese nted  de te ct ion   li ne  of  sign al s.  The n,  S - co ntour  m atr ic es  analy ze  the  sign al   us e d  to  extract  the  fea tures  from   the  detect ion,  f or  instance;   i.e  m agn it ud e ,  sta nd a r d  dev ia ti on, m ean, fre quency a nd phase . T hes e featu res  a re t hen use d t o  s uppo rt PQD  cl assifi cat ion   proc ess.           Figure  1 .  O C WT base d on  C ST  –   V oltage  Sag       Figure  2 .  O C WT base d on  C ST  –   V oltage  Sw el l   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,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   1136   –   1142   1138       Figure  3 .  O C WT base d on  C ST  –   I nter rup t       2.2.   PQDs  Sig na l  Det ec tion   u sin g  H alf - C ycle  Windowi n g  T echnique  (H C WT)   HC W T  re pr es ents  a   hal f  durati on  of   on e - cy cl e  for  s uppo rting   t he  detect ion.  A  half - cy cl e  is   determ ined  by   10m s.  Thu s ,  by  us i ng  the  s a m e  PQ Ds  sig nal,  the  HC W T  is  util iz ed  to   lim i t  the  sco pe   of  the  sam ples  fr om   t he   e ntire  disturbance   sig nal.  The n,   CS T  is  a pp li ed   to  c reat e  the  li ne  dete ct ion   wh ic h  produce s   S - c on t our  m at rices , as  s how n i n  Fig ure  4 - 6 .           Figure  4 .  H C WT det ect ion  base d on  C ST  –   Vo lt age   Sag       Figure  5 .  H C WT det ect ion  base d on  C ST  –   Vo lt age   Sw el l           Figure  6 .  H C WT det ect ion  base d on  C ST  –   In te r r up t       2.3.   PQDs Si gnal  Clas sific at i on   u sing Neur al  Net w or k cl as s ifie r   In   t his  pap e r,  Mult i - la ye r  Perce ptron  ( MLP)  is  us e d  as  N N  cl ass ifie r  to  cl assi fy   from   PQ  disturba nces  sign al   [ 1 1 ],   [1 2 ].   An   MLP  co m pr ise s  of   m ulti ple  la ye rs  of   nodes  in  a   dire ct ed  gr a ph ,  wit h  each   la ye r  fu ll y c onnected t o  t he n ext one.  Fig ure   7   s how s the  st ru ct ur e a rc hitec ture of  MLP  f or this  p ape r.        3.   RESU LT S   A ND AN ALYSIS   Fo r  t he  da ta set   pr e par at io n,   100  dataset   is  us ed  a s  in pu t s  to  cl assify   the  volt age  s w el l  in  PQ D s   sign al .  T he  in pu ts  a re  pa rtit i on   i nto   th ree  par ts,  wh ic h  a re  trai ning,  va li dation  an d  te sti ng   dataset s .   Eigh t   hidden  la ye rs  a re u se d  to t rain  the MLPNN a nd   1000  it erati on   is set   for  cl assifi cat ion . F ur therm or e, this  pape r   us es   th ree  dif f eren t  ty pes  of   trai ning  al gor it h m s  fo r   eval uating  the  cl as sific at ion   perf or m ance,   w hic h  are;  Gr a dient  Desc ent  wi th  M ome ntu m   and   A da ptive  LR  ‘t raingd x’   [1 3 ] ,  Le venbe rg - Ma r quar dt  ‘trai nlm ’   [1 2 ] - [1 4 ]  and B FG S  Quasi - New t on ‘ trai nb fg’ [1 2 ],   [1 5 ] .    Table  2   s hows   the  cl assifi cat ion   of   Sam ple  1  us i ng   ML PNN  cl assifi er  ba sed  on  CST  w it h  OC W T .  The  res ults  ha ve  s how n  t ha t  trai ning  al gorithm   Gr adi ent  De scent  with  M om ent um   and   Ad a pt ive  LR   ‘train gdx’  cl as sifie d  98%  of  a ccur at e  cl assifi cat ion .  Me a nwhile   for  Le venberg - Ma rqua rdt   ‘trainlm ’,   the  resu lt   of   P Q  distu rb a nces  cl assifi cat ion   is  100% ,  wh il e  f or   al gor it h m   BFGS  Qu asi - New t on   ‘train bfg’ ;  it   pr ovi de d  97%  of   cl assi ficat ion   acc urat eness.   T her e fore ,  al gorith m   ‘trainl m ’  has  produce d  the  hi gh e r  acc ur acy   of   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       Evalu atin g  wi ndowi ng - base d con ti nu ous  S - tr an sf orm wi th  ne ural netw ork   cl as sif ie r for ...   ( K. D au d)   1139   cl assifi cat ion   com par ed  to  ot her   al gorithm s.  As  for  the  volt age  swell   cl assifi cat ion ,  L evenbe rg - Ma r qu a r dt  ‘trainlm ’  cl assifi ed  100%  of   cl assi ficat ion   accu racy,  m or e  hig he r  com par ed  Gr a dient  Descen t   with   Mom entu m   and   Ad a ptive   L R  ‘train gdx’  a nd  BF GS   Q ua si - Ne wton  ‘tra inbfg ’  wh e re  t hey  pr oduce d  98%  of  accuracy  pe rce ntage.             Figure  7 .  Archi te ct ur e  of  ML P - NN       T able   2 .   Cl assi ficat ion   base d on OC WT  –   S a m ple 1   Ty p e of  PQD   Test Set   Tr ain in g  Algo rithm   traing d x  ( %)   trainl m   (%)   trainb f g  ( %)   Interrup t   10   90   100   90   Sag   40   100   100   9 7 .5   Swell   50   98   100   98   Accurac y   100   98   100   97       Table  3   s hows  the  cl assifi cat ion  of  Sam ple  2  us in g  MLP N N  cl assifi er   wi th  OC WT.  Fro m   the  PQD s   cl assifi cat ion ,  it   was  f ound  that  trai ning  al gorithm   Gr adi ent  Desce nt  w it h  Mom entum  and   Ad a ptive  L R   ‘train gdx’  cl as sifie d  97%  of  accuracy.   Me anwhil e  f or  Le venbe rg - Ma r quar dt  ‘t rainlm ’ ,  the  res ult  of  PQDs   cl assifi cat ion   is  99%,  w hile  f or   al go rithm   B FG S  Qu a si - N e wton  ‘trai nbfg’;  it   pr ovide d  96%  o f  cl assifi cat ion  accurate ness.   The  ‘trainlm ’  pro du ce d  t he  highest  acc ur a cy   of   cl assi ficat ion   c om par ed  to   ot her   al gorithm s.    As  f or  vo lt age  swell   cl assifi cat ion ,  Le ve nb e r g - Ma rquardt  ‘t rainlm ’  cl assified   10 0%  acc urat e  of   cl assifi c at ion,   m or e  hig he r  c om par ed  Gr a di ent  Desce nt  with  Mom entu m   and   A da ptive  LR  ‘trai ngdx’  a nd   BF GS  Qu asi - New t on ‘ trai nbfg’ whe re t hey  pro du ce d 9 7.8 % of acc ur acy   per c e ntage .         T able   3 .  Cl assi ficat ion   base d on OC WT  –   S a m ple 2   Ty p e of  PQD   Test Set   Tr ain in g  Algo rithm   traing d x  ( %)   trainl m   (%)   trainb f g  ( %)   Interrup t   10   100   100   90   Sag   45     9 5 .6   9 7 .8   9 5 .6   Swell   45   9 7 .8   100   9 7 .8   Accurac y   100   97   99   96       Table  4   s hows  the  cl assifi cat ion  of  Sam ple  3  us in g  MLP N N  cl assifi er   wi th  OC WT.  Fro m   the  PQD s   cl assifi cat ion ,  it   was  f ound  that  trai ning  al gorithm   Gr adi ent  Desce nt  w it h  Mom entum  and   Ad a ptive  L R   ‘train gdx’  cl a ssifie d  98%  of  accu rate  c la ssific at ion .   Me anwhil e  f or  Le ve nb e rg - Ma rquardt  ‘tr ai nl m ’,     the  PQDs  cl as sific at ion   is  99%,  wh il e  f or  al go rithm   BFGS  Q uasi - Ne wton  ‘trai nbfg’;  it   pr ovide d  98%  of   accuracy.   S o,  al gorithm   ‘tr ai nl m ’  pro duc ed  t he  higher   accu racy  of  cl assifi cat ion  com par ed   to   othe r   al gorithm s.  As   f or   volt age   s well   cl assifi cat ion ,   al l  ty pe  of  trai ni ng  al go rithm s  pr od uc e d  100%   of  ac cur acy   per ce ntage .        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,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   1136   –   1142   1140   T able   4 .   Cl assi ficat ion   base d on OC WT  –   S a m ple 3   Ty p e of  PQD   Test  Set   Tr ain in g  Algo rithm   traing d x  ( %)   trainl m   (%)   trainb f g  ( %)   Interrup t   10   100   100   100   Sag   50   96   98   96   Swell   40   100   100   100   Accurac y   100   98   99   98       Table  5   s hows   the  c om par iso n  of  accu racy  Sam ple  1  f or  the  cl assifi cat io n  of  P QD s   us i ng  MLP N N   cl assifi er  wit h  dif fer e nt  trai ning  al go rith m s  accord in g  to  HC WT.  F r om   the  analy sis,  trai ni ng  al gorithm   Gr a dient  De sc ent  with  Mom entum   and   A da ptive  LR   ‘tra ingdx’  pr ov i de d  98%  of  an  accuracy  an d  BFGS  Qu asi - Ne wton   ‘train bfg ’  al s o  pr ov i ded   98 %  for  the   cl assifi cat ion   of   PQDs.  Wh il e  cl assifi cat ion   us in g  Leve nb e rg - Ma rquardt   ‘trai nlm ’  a lgo rithm   pro vid e d  the  hi gh est   acc ur ac y  com par ed  th e  oth er s  with  99%  of   correct   cl assifi cat ion   of  PQD s.  As  f or   vo lt a ge  swell   cl assifi cat ion ,  al l  ty pe  of  trai ning  al gorithm s  pr oduc e d  98%  of  acc ura cy  p erce ntage .        T able  5 .  Cl assi ficat ion   base d on HC WT  –   S a m ple 1   Ty p e of  PQD   Test  Set   Tra in in g  Algo rithm   traing d x  ( %)   trainl m   (%)   trainb f g  ( %)   Interrup t   10   90   100   90   Sag   40   100   100   9 7 .5   Swell   50   98   98   98   Accurac y   100   98   99   98       In   Ta ble  6   shows  t he  com par iso n  of  accu racy  Sam ple  2  f or   the  cl as sific at ion   of  P QD s  us in g  MLPN N  cl assi fier  with  dif fere nt  trai ni ng  al gorithm s  base d  on  CST  a cco rd i ng  to  HC WT.   F ro m   the  a na ly sis,  trai ning  al gori thm   Gr adient  Desce nt  with  Mom entu m   and   A da ptive  L R   ‘train g dx ’  pro vid e d  95%  of   a n  accuracy  an d  BFGS  Q ua si - Ne wton  ‘tr ai nbfg’  pro vi ded   96%  f or  the  cl assif ic at ion   of   P QD.    Wh il e  cl assifi c at ion   us in g  Le venbe rg - Ma r quar dt   ‘t rainlm ’  trai ning  al gori thm   pr ovide d  t he  highest  acc ur acy   com par ed  the   oth ers  with  97%  of   c orre ct   cl assifi cat io n  of   P Q Ds.   As  f or   volt ag e  swell   cl assif ic at ion,   Leve nb e rg - Ma rquardt  ‘trai nlm ’  c la ssifie d  100%   of  cl assif ic at ion   accu rac y,  m or e  highe r   com par ed  G ra dient  Desce nt  with  Mom entu m   and   A da ptive  L R  ‘train gdx’  a nd   B FGS  Q ua si - Ne wton  ‘tr ai nbfg’  w he re   they   pro du ce d 9 7.8 % accu racy.       T able   6 .   Cl assi ficat ion   base d on HC WT  –   S a m ple 2   Ty p e of  PQD   Test  Set   Tr ain in g  Algo rithm   traing d x  ( %)   trainl m   (%)   trainb f g  ( %)   Interrup t   10   90   90   90   Sag   45   9 3 .3   9 5 .6   9 5 .6   Swell   45   9 7 .8   100   9 7 .8   Clas sif icatio n  acc u racy   100   95   97   96       In   Ta ble  7   shows  t he  com par iso n  of  accu racy  Sam ple  3  f or   the  cl as sific at ion   of  P QD s  us in g  MLPN N  cl assi fier  with  dif fere nt  trai ni ng  al gorithm s  base d  on  CST  a cco rd i ng  to  HC WT.   F ro m   the  a na ly sis,  trai ning  al gori thm   Gr adient  Desce nt  with  Mom entu m   and   A da ptive  L R   ‘ trai ngdx ’  pro vid e d  97%  of   a n  accuracy  an d  BFGS  Q uas i - Ne wton  ‘tra inbfg ’  al so   pro vid e d  97%   fo r  the  cl assifi cat ion   of   PQ D.    Wh il e  cl assifi c at ion   us in g  Le venbe rg - Ma r quar dt   ‘t rainlm ’  trai ning  al gori thm   pr ovide d  t he  highest  acc ur acy   com par ed  the   oth ers  with  98%  of   c orre ct   cl assifi cat io n  of   P Q Ds.   As  f or   volt ag e  swell   cl assif ic at ion,   Leve nb e rg - Ma rquardt  ‘trai nlm ’  cl assifi ed  97.5%  accu rate  of   cl assifi c at ion ,  higher  com par ed  Gr a dien t   Desce nt  with  Mom entu m   and   A da ptive  L R  ‘train gdx’  a nd   B FGS  Q ua si - Ne wton  ‘tr ai nbfg’  w h e re   they   pro du ce d 9 5% of ac cu racy p e rcen ta ge.   In  re gards  t o  t h e  sam ples  as  sh ow n  i n  Fi gure  8,   t he  highe st  accuracy   of  cl assifi cat ion   f or  in div id ual  disturba nces  is   100%   by  us in g  CST   OC WT   for  S am ple  1,  Sam ple  2  an d  Sam ple  3,   whil e  cl assifi cat ion   by  us in g  CST  H C W T ,  N N  cl assifi er  reac h  98%  f or   Sam ple  1,   100%   for   Sa m ple  2  and  97 . 5%  f or  Sa m ple   3.     On ther  h a nd, Fi gure  9   s hows  the c om par iso n  in  term  o f  th e eff ect ive ness  operati ng ti m e  taken usi ng d i ff e rent   trai ning  al gorithm s  to  com pl et e  the  PQ Ds  cl assifi cat ion .  By   us i ng   ei ght  nodes  of  hidd en  la ye r  for  the  PQ  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       Evalu atin g  wi ndowi ng - base d con ti nu ous  S - tr an sf orm wi th  ne ural netw ork   cl as sif ie r for ...   ( K. D au d)   1141   disturba nces cl assifi cat ion , t he  Lev e nb e r g - Ma rquardt ‘trai nlm ’  al go rithm  co m plete d  the  cl assifi cat ion   proces s  faster c om par e d  to  o t her al gor it h m s an d he nc e i m pr ovem ent in ove rall  ef fici ency.       T able   7 .  Cl assi ficat ion   base d on HC WT  –   S a m ple 3   Ty p e of  PQD   Test  Set   Tr ain in g  Algo rithm   traing d x  ( %)   trainl m   (%)   trainb f g  ( %)   Interrup t   10   100   90   100   Sag   50   98   100   98   Swell   40   95   9 7 .5   95   Clas sif icatio n  acc u racy   100   98   98   97               Figure  8 .  Anal ysi s o f v oltage  swell s classi fic at ion   perform a nce           Figure  9 .  Oper at ing  ti m e o f  P Q dist urba nce  cl assifi cat ion   98 97.8 100 98 97.8 95 100 100 100 98 100 97.5 98 97.8 100 98 97.8 95 0 20 40 60 80 1 0 0 1 2 0 Sam p le  1 Sam p le  2 Sam p le  3 Sam p le  1 Sam p le  2 Sam p le  3 ST  On e  C y cle  W T - ML P NN ST  Half   C y cle  W T - ML PNN P e rc e ntag e   of a c c ura c y   (% ) t r a i n g d x t r a i n l m t r a i n b f g Ave ra g e   C lasssi fic a ti on =  99.1%   Ave ra g e   C lassific a ti on =  97.8% (98.7 % ) 4 1 7 5 2 9 3 1 6 4 1 10 4 1 4 4 1 5 0 2 4 6 8 10 12 tra i ngdx tra i nlm tra i nbf g tra i ngdx tra i nlm tra i nbf g tra i ngdx tra i nlm tra i nbf g S a mpl e  1 S a mpl e  2 S a mpl e  3 T i m e  t ak en   (s eco n d s ) (T y p e  o f  T rai n i n g   A l g o ri t h m ) On e- C y cle  W T Half - C y cle  W T (98.5 % )   (95.8 % )   (100% )   (98% )   (98.5 % )   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,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   1136   –   1142   1142   4.   CONCL US I O N     We  hav e   pres ented  t he  e valuati on  of  t he  pro po se d  m et ho dolo gy  for  de te ct ing   a nd   c la ssifyi ng   of   PQD  sig nals.  The  detect ion   i s  base d  on  CS T  with  ei the r  OC W T   or  HCWT.   Me a nwhi le ,  the  cl assifi c at ion   is   i m ple m ented  us ing   MLP N N.   Fu rt her m or e,  S - co ntour  m at rices  are   util iz ed   to  extract  the  releva nt  featu r es  of  PQDs  t hat  ser ver  as  a   in pu t   for  e valuati ng  the  P QD  cl assi ficat ion .   T hr ee   dif fer e nt  trai ni ng   al gorithm s  we re  us e d  to  eval uate  the  accuracy   of   the  P Q D  cl assifi cat ion .  T he  res ults  ha ve   sh ow n  that,  th e  trai nin g  al g ori thm   of Leve nber g - Ma rquad t  ‘trai nlm ’  ou tpe rform ed  oth e rs  e spe ci al ly  f or  clas sifyi ng  t he vo lt age s well .        ACKN OWLE DGE MENTS     The  a utho r  ac knowle dges  t he   fina ncial   s uppo rt  gi ven  by   Mi nistry  of  Higher   E du cat ion   (MO HE )  Ma la ysi a fo r s ponsori ng this  researc h  i n  the   form  o f gr a nt - in - ai d 600 - RM I /FR GS   5/3 ( 0103 / 2016) .       REFERE NCE S    [1]   C .   S anka r an ,  “ Pow er  Qualit y ,   Unite d   State  of   Am eri ca ,”   CRC   PR ESS   LL C,   200 2.   [2]   K.  Daud ,  et   al . ,   “ Cla ss ifi cation   of  Pow er  Quali t y   Disturb ance   base d  on  Conti nuous  S - Tra nsform - W indowing   Tech n ique   (CST - W T)  and  AN OV A a s a   Fe at ur e S el ection , ”  vo l.  785,   pp .   368 – 37 2,   2015 .   [3]   K.  Daud,   et   al . ,   “ New  W indow ing  Te chn ique   Dete c ti on  of  Sa gs  and  Sw el ls  Based  on  Conti nuous  S - Tra nsform  (CST) , ”  vo l /i ss u e:   2 ( 4 ) ,   2012 .   [4]   C.   Venka t esh,   e t  al . ,   “ Cla ss ific at ion  of  V olt ag e  S ag,   S well   an d  H armonics  us ing  S - T ran sform   base d  M odul ar   N eur al   N et work , ”  ICHQ P  2010   -   14th  In t. Conf .   Har mon.  Qual.   Powe r ,  v o l .   1,   p p.   1 – 7 ,   2010 .   [5]   E.   S y stems ,   “ An   E xper t  S y stem  B ase d  on  S - T ran sform   and  N eur al   N et work  for  A utomati c  C la ss if ic a ti on  of  P ower  Q ual ity   D isturbance s , ”   2009.   [6]   P.  Fei,   et   al . ,   “ A   Novel  Po wer  Quali t y   Disturbances  Dete ction  and  Clas sific at ion  Me t hod , ”  vol.   737 ,     pp.   193 – 198 ,   20 15.   [7]   N.  H.  T.   Huda,   e t  al. ,   “ Pow er  Q u al ity   S ignals  D et ec t ion  using  S - T ran sform , ”  Proc.  2013  IEE E  7th  Int.   Powe r  Eng.  Optim.   Conf .   PEO CO 2013 ,   pp.   552 – 557,   2013 .   [8]   G.  U.  Jin - hong ,   et   a l. , “ Sim ula tion of  Pow er  Qua li t y   Us ing   S - Trans form , ”  vol. 42 9,   pp .   172 – 178 ,   2012.   [9]   Z.   Za n ja n,   “ New Met hod  to  Ana l y z e  Pow er   Qualit y   Phenom ena u sing Wave let  an d  S - Tra nsform   Matri x . ”   [10]   M.  A.  Dandwat e ,   et   al . ,   “ Gene ration  of  Mathe m at i ca l  Mod el s  for  var ious   PQ   Signal s  u sing  MA TL AB , ”     pp.   47 – 51 ,   2014 .   [11]   V.  Nati onal,  e t  al. ,   “ Detect ion  of  Pow er  Quali ty   Disturban ce s  Us ing  W ave le t  Tra nsform   And  Artifi c ia l  Neur a l   Network , ”   pp.   1 – 5,   2014 .   [12]   C.   Eng ,   “ Th e  E ff ec ts of   Tr ai ning   Algorit hm s in  M LP  Network  on   I m age   Cla ss ifica t ion . ”   [13]   H.  P.  Gavin,   “ The   Le venb er g - Marqua rdt  M et hod  for  N onl ine ar  L ea st  S q uar es  C urve - F itting  P roble m s ,”    pp.   1 – 19 ,   2017 .   [14]   M.  T.   Haga n,   et  al. ,   “ Tra in ing  F ee dforward  N e tworks  with  the   Marqua rdt  A lgori thm  -   Neura l  Networks , ”   IE EE  Tr ansacti ons on ,   vol /i ss ue:   5 ( 6 ) ,   pp.   2 – 6 ,   1994 .   [15]   A.  Li kas ,   et   al. ,   “ Tr ai ning   the   R andom   N eur al   N et w ork  using  Q uasi - Newton  M e thods , ”  vol .   1 26,     pp.   331 – 339 ,   20 00.     Evaluation Warning : The document was created with Spire.PDF for Python.