Güç kalitesi bozulmalarının (PQD) doğru ve hızlı bir şekilde tespit edilmesi, elektrik güç sistemlerinin güvenilirliği ve verimliliği açısından ciddi bir öneme sahiptir. Bu çalışmada, güç kalitesi bozulmalarının sınıflandırılması amacıyla zaman–frekans temelli bir yaklaşım önerilmiştir. Bu kapsamda, 15 farklı PQD sınıfına ait sinyaller matematiksel modelleri aracılığıyla üretilmiş ve 12,8 kHz örnekleme frekansı kullanılarak veri kümesi oluşturulmuştur. Üretilen sinyaller, Sürekli Dalgacık Dönüşümü (CWT) yardımıyla skalogram görüntülerine dönüştürülerek derin öğrenme modelleri için uygun bir giriş formatı elde edilmiştir. Sınıflandırma aşamasında transfer öğrenme yaklaşımı kullanılarak AlexNet, SqueezeNet ve ResNet-18 mimarileri eğitilmiştir. Modellerin performansı gürültüsüz, 40 dB ve 30 dB SNR (sinyal gürültü oranı) seviyeleri altında değerlendirilmiştir. Elde edilen sonuçlar, tüm modellerin gürültüsüz durumda yüksek doğruluk oranlarına ulaştığını, ancak gürültü oranının artmasıyla performans farklılıklarının belirgin hale geldiğini göstermiştir. Özellikle ResNet-18 mimarisi, düşük SNR koşullarında dahi yüksek sınıflandırma doğruluğunu koruyarak en başarılı model olmuştur. Çalışma sonuçları, skalogram tabanlı veri üretiminin ve derin öğrenme yöntemlerinin güç kalitesi bozulmalarının sınıflandırılmasında etkili ve güvenilir bir yaklaşım sunduğunu ortaya koymaktadır.
Melih Çoban (2026) studied this question.