The role of artificial intelligence in predictive maintenance for smart meters through anomaly detection
Akıllı sayaçlar için anomaliyet tespiti yoluyla öncelemeli bakımda yapay zekanın rolü
- Tez No: 1018792
- Danışmanlar: DOÇ. DR. EMRULLAH FATİH YETKİN
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Kadir Has Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Siber Güvenlik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, akıllı sayaçlar ve fotovoltaik (PV) sistemler için anomali tespiti ve tahmini yoluyla yapay zekanın (YZ) tahmini bakımdaki rolünü araştırmaktadır. Üç veri seti, gözetimsiz kümeleme, Rastgele Orman sınıflandırması, derin öğrenme (LSTM) ve istatistiksel modeller (SARIMAX, Prophet) kullanılarak analiz edilmiştir. Çözüm, neredeyse doğru tahmin (kısa vadeli LSTM için %12-13 MAPE, PV enerjisi için %17 18 MAPE) ve neredeyse kusursuz anomali kategorizasyonu (ROC-AUC = 0,999; F1 0,87-1,0'a kadar) elde etmiştir. Enerji kesintileri, tepe baskılaması ve invertör düşük performansı gibi anomaliler, kural tabanlı tanılama ve permütasyon tabanlı özellik önem analizi yoluyla eyleme geçirilebilir bakım içgörülerine dönüştürülmüştür. Bu sonuçlar, YZ destekli anomali tespitinin, reaktif onarımlardan proaktif, veri odaklı müdahalelere geçiş yaparak bakım verimliliğini nasıl önemli ölçüde artırabileceğini, kesinti süresini nasıl azaltabileceğini ve şebeke güvenilirliğini nasıl artırabileceğini göstermektedir.
Özet (Çeviri)
This thesis investigates the role of artificial intelligence (AI) in predictive maintenance for smart meters and photovoltaic (PV) systems through anomaly detection and forecasting. Three datasets were analyzed using unsupervised clustering, Random Forest classification, deep learning (LSTM), and statistical models (SARIMAX, Prophet). The solution achieved near-accurate forecasting (12–13% MAPE for short-term LSTM, 17 18% MAPE for PV energy) and nearly flawless anomaly categorization (ROC-AUC = 0.999; F1 up to 0.87–1.0). Anomalies including energy shortages, peak suppression, and inverter underperformance were translated into actionable maintenance insights through rule-based diagnostics and permutation-based feature importance analysis. These results demonstrate how AI-driven anomaly detection can significantly improve maintenance efficiency, reduce downtime, and enhance grid reliability by shifting from reactive repairs toward proactive, data-driven interventions.
Benzer Tezler
- Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques
Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması
RAGHAD MOHAMMED KHORSHEED
- Esnek üstyapılarda makine öğrenmesi yöntemleri ile pürüzlülük tahmini
Roughness estimation in flexible pavements using machine learning methods
HÜSEYİN ÇUHA
- Yapay zeka tabanlı bara diferansiyel koruma sistemi
Artificial intelligence based busbar differential protection system
EMRE ÖZDEMİR
Yüksek Lisans
Türkçe
2025
Sakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Demiryolu taşımacılığında enerji verimliliği için enerji depolama sistemi teknolojilerinin analizi
Analysis of energy storage system technologies forenergy efficiency in rail transportation
HASAN SAİM ÜNAL
Yüksek Lisans
Türkçe
2025
İstanbul Teknik ÜniversitesiRaylı Sistemler Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Güç transformatörleri sfra tarama frekans cevabı analizi sonuçlarının yapay zeka uygulamaları ile karşılaştırılması
Comparison of power transformer sfra sweep frequency response analysis results with artificial intelligence applications
HAKAN ÇUHADAROĞLU
