Improving the quality of power in electrical networks using artificial intelligence techniques

Abstract

Power quality disturbances encompassing harmonics, voltage sags, voltage swells, and transients pose a growing threat to the reliability, efficiency, and safety of modern industrial electrical networks. Conventional monitoring approaches based on Fourier transform analysis and threshold-based detection have demonstrated fundamental limitations in handling the non-stationary, time-varying, and overlapping nature of real-world disturbance signals, creating a compelling need for intelligent, automated classification systems. This thesis investigates the application and comparative evaluation of five machine learning classifiers K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Gaussian Naive Bayes (GNB), Decision Tree (D-Tree), and Multilayer Perceptron (MLP) to the problem of automatic multi-class power quality disturbance detection and classification. The study is structured in three chapters: Chapter 1 reviews the fundamentals of power quality, the characteristics of the four principal disturbance types, and their impacts on industrial equipment; Chapter 2 examines the theoretical foundations, mathematical formulations, and power quality applications of the five selected classifiers; and Chapter 3 presents a rigorous experimental evaluation of all five classifiers on a real-world dataset of 2,367 labeled samples representing five fault classes (Normal, Sag, Swell, Transient, Harmonic), acquired from the Kaggle platform and split 67%/33% for training and testing. Results demonstrate that the Gaussian Naive Bayes classifier achieves the highest overall accuracy of 99.36%, followed by Decision Tree at 98.85%, SVM at 96.93%, KNN at 86.57%, and MLP at 85.68%. The primary source of classification error across models is the confusion between the Normal and Harmonic classes a physically meaningful challenge arising from the feature-space similarity of low-amplitude harmonic distortions and clean sinusoidal signals. These findings confirm that well-extracted signal features combined with appropriate probabilistic and rule-based classifiers can achieve near-perfect power quality disturbance classification without computationally expensive deep learning architectures, providing a practical and deployable solution for automated monitoring in industrial power systems. ----------------------------------------------------------

تُشكّل اضطرابات جودة الطاقة الكهربائية وتشمل التوافقيات وانخفاضات الجهد المؤقتة وارتفاعاته والعابرات الكهربائية تهديداً متنامياً لموثوقية الشبكات الكهربائية الصناعية الحديثة وكفاءتها وسلامتها. وقد كشفت أساليب المراقبة التقليدية القائمة على تحليل فورييه وأنظمة الكشف ذات العتبات الثابتة عن قصور جوهري في التعامل مع الطابع غير الثابت والمتغير زمنياً والمتداخل لإشارات الاضطرابات الحقيقية، مما أوجد حاجة ملحة إلى أنظمة تصنيف ذكية وآلية. تستقصي هذه الأطروحة تطبيق خمسة مصنّفات للتعلم الآلي وتقييمها المقارن في مسألة الكشف التلقائي متعدد الأصناف عن اضطرابات جودة الطاقة وتصنيفها، وهي: خوارزمية الجيران الأقرب (KNN)، وآلة المتجهات الداعمة (SVM)، ومصنّف بايز الغاوسي البسيط (GNB)، وشجرة القرار (D-Tree)، والشبكة العصبية متعددة الطبقات (MLP). تنقسم الدراسة إلى ثلاثة فصول: يستعرض الفصل الأول أسس جودة الطاقة وخصائص الأنواع الأربعة الرئيسية للاضطرابات وتأثيراتها على المعدات الصناعية؛ ويفحص الفصل الثاني الأسس النظرية والصياغات الرياضية وتطبيقات المصنّفات الخمسة في جودة الطاقة؛ فيما يقدّم الفصل الثالث تقييماً تجريبياً صارماً لجميع المصنّفات على قاعدة بيانات حقيقية مؤلفة من 2367 عينة مصنّفة تمثّل خمسة أصناف من العيوب (طبيعي، انخفاض جهد، ارتفاع جهد، عابر، توافقيات)، تم الحصول عليها من منصة Kaggle وتقسيمها بنسبة 67% للتدريب و33% للاختبار. تُظهر النتائج أن مصنّف بايز الغاوسي البسيط يُحقق أعلى دقة إجمالية بنسبة 99.36%، تليه شجرة القرار بنسبة 98.85%، ثم آلة المتجهات الداعمة بنسبة 96.93%، والجيران الأقرب بنسبة 86.57%، وأخيراً الشبكة متعددة الطبقات بنسبة 85.68%. يتمركز المصدر الرئيسي لأخطاء التصنيف في الالتباس بين الصنفين الطبيعي والتوافقيات وهو تحدٍّ ذو مغزى فيزيائي ينشأ عن تشابه التوافقيات ذات السعة المنخفضة مع الإشارات الجيبية النظيفة في فضاء الخصائص. تُؤكد هذه النتائج أن الخصائص المستخرجة جيداً من الإشارة مقرونةً بالمصنّفات الاحتمالية أو القائمة على القواعد كافية لتحقيق دقة تصنيف شبه مثالية دون الحاجة إلى بنيات التعلم العميق المُكلفة حسابياً، مما يوفر حلاً عملياً وقابلاً للنشر لمراقبة جودة الطاقة الآلية في الشبكات الصناعية. --------------------------------------------------------------------------- Les perturbations de la qualité de l'énergie électrique comprenant les harmoniques, les creux de tension, les surtensions temporaires et les phénomènes transitoires constituent une menace croissante pour la fiabilité, l'efficacité et la sécurité des réseaux électriques industriels modernes. Les approches de surveillance conventionnelles basées sur l'analyse de Fourier et les systèmes de détection à seuil fixe ont démontré des limitations fondamentales dans le traitement de la nature non stationnaire, variable dans le temps et chevauchante des signaux de perturbation réels, créant un besoin pressant de systèmes de classification intelligents et automatisés. Cette thèse étudie l'application et l'évaluation comparative de cinq classificateurs d'apprentissage automatique K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Gaussian Naive Bayes (GNB), Arbre de Décision (D-Tree) et Perceptron Multicouche (MLP) au problème de la détection et de la classification automatique multi-classe des perturbations de qualité de l'énergie. L'étude est structurée en trois chapitres : le Chapitre 1 passe en revue les fondamentaux de la qualité de l'énergie, les caractéristiques des quatre principaux types de perturbations et leurs impacts sur les équipements industriels ; le Chapitre 2 examine les fondements théoriques, les formulations mathématiques et les applications des cinq classificateurs sélectionnés dans le domaine de la qualité de l'énergie ; et le Chapitre 3 présente une évaluation expérimentale rigoureuse des cinq classificateurs sur un ensemble de données réel de 2 367 échantillons étiquetés représentant cinq classes de défauts (Normal, Creux de tension, Surtension, Transitoire, Harmonique), acquis sur la plateforme Kaggle et réparti à 67% pour l'entraînement et 33% pour les tests. Les résultats démontrent que le classificateur Gaussian Naive Bayes atteint la précision globale la plus élevée de 99,36%, suivi de l'Arbre de Décision à 98,85%, SVM à 96,93%, KNN à 86,57% et MLP à 85,68%. La principale source d'erreurs de classification réside dans la confusion entre les classes Normale et Harmonique un défi physiquement significatif résultant de la similarité dans l'espace des caractéristiques entre les distorsions harmoniques de faible amplitude et les signaux sinusoïdaux propres. Ces résultats confirment que des caractéristiques de signal bien extraites, combinées à des classificateurs probabilistes et à base de règles appropriés, permettent d'atteindre une classification quasi parfaite des perturbations de qualité de l'énergie sans recourir à des architectures d'apprentissage profond coûteuses en calcul, offrant une solution pratique et déployable pour la surveillance automatisée dans les réseaux électriques industriels.