Yapay zekâ algoritmaları ile elektrik dağıtım şebekeleri arıza yeri ve bakım/onarım-yatırım gereksinim tahminlemesi
Electricity distribution networks fault location and maintenance/repair-investment requirements estimation with artificial intelligence algorithms
- Tez No: 920648
- Danışmanlar: DR. ÖĞR. ÜYESİ METE YAĞANOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 81
Özet
Çalışmanın ilk kısmında T.C. Enerji Piyasası Düzenleme Kurumu mevzuatlarında yer alan ve elektrik dağıtım şirketi veri ambarlarından elde edilen Tablo-1 Kesintiler verisi içerisindeki ham veriler kaynak veri seti olarak kullanılmış, yapay zeka regresyon algoritmaları ile kesinti süresi tahminlemesi gerçekleştirilmiştir. Çalışmanın ikinci kısmında ise T.C. EPDK mevzuatlarında yer alan nicel matematiksel yaklaşımlar ile Tablo-1 Kesintiler verisinden elde edilen Tablo-5 Ortalama Sistem Kesinti Sıklığı/Frekansı İndisi (OKSIK) - Ortalama Sistem Kesinti Süresi İndisi (OKSURE) verisi içerisindeki ham veriler kaynak veri seti olarak kullanılmış, yapay zeka regresyon algoritmaları ile ortalama kesinti sıklığı ve ortalama kesinti süresi tahminlemesi gerçekleştirilmiştir. Yöntem: Tablo-1 Kesintiler veri seti üzerinden kesinti süresi tahminlemesi safhasında; veri setini modele hazırlama için uygulanan muhtelif veri ön işleme adımları sonrasında Light Gradient Boosting Machine Regression (LGBMR), eXtreme Gradient Boosting Regression (XGBR), Support Vector Regression (SVR), Random Forest Regression (RFR), Category Boosting Regression (CBR), K-Nearest Neighbors Regression (kNNR), Decision Tree Regression (DTR), Linear Regression (LR), Multi Layer Perceptron Regression (MLPR) olmak üzere 9 farklı regresyon modeli uygulanmıştır. Hiperparametre optimizasyonları haricinde, uygulanan modellerin diğer çalışmalardan en büyük farkı katar (string) veriler için etiketleme amacıyla kullanılan LabelEncoder fonksiyonunun, ondalık sayısal (float) veriler üzerine uygulanması ile normal sayısal (integer) veriler elde edilmesi, veri ön işleme adımlarına farklı bir yaklaşım kazandırılması ile sayısal verilerde düzleştirme uygulaması olmuştur. Tablo-5 Kesinti Süreleri ve Sıklığı veri seti üzerinde gerçekleştirilen OKSIK ve OKSURE tahminlemesi safhasında ise mevcut veri setine dönemsel reel hava durumu verileri eklenmiş olup uygulanan muhtelif veri ön işleme adımları sonrasında LGBMR, XGBR, SVR, RFR, CBR, kNR, DTR, LR olmak üzere 8 farklı regresyon modeli uygulanmıştır. Veri seti üzerinde yer alan 2 farklı çok sınıflı değerleri ayrı ayrı sınıf modeline dahil edilmiş olup toplamda 8 farklı model için 16 adet regresyon çalışması gerçekleştirilmiştir. Her iki uygulamada da regresyon modellerine ait performanslar, 8 ayrı performans değerlendirme kriteri ile karşılaştırılmıştır. İlgili performans parametreleri; doğruluk (accuracy), ortalama mutlak hata (mean absolute error), ortalama karesel hata (mean squared error), karesel ortalamanın karekökü (root mean square error), belirleme katsayısı (R2), ortalama mutlak yüzde hatası (mean absolute percentage error), maksimum hata (maximum error), açıklanan varyans puanı (explained variance score) şeklindedir. Bulgular: Tablo-1 üzerindeki çalışmalar sonucunda en başarılı doğruluk oranları LGBM Regressor ile 97,931% ve MLP Regressor ile 98,793% olarak elde edilmiştir. Tablo-5 üzerindeki çalışmalarda ise en iyi doğruluk oranları, LGBM Regressor ile %93,3 ve XGB Regressor ile %95,8 olarak elde edilmiştir. Modeller üzerinde uygulanan hiperparametre optimizasyonları haricinde uygulanan modellerin diğer çalışmalardan en büyük farkı katar (string) veriler için etiketleme amacıyla kullanılan LabelEncoder fonksiyonunun, ondalık sayısal (float) veriler üzerine uygulanması ile normal sayısal (integer) veriler elde edilmesi, veri ön işleme adımlarına farklı bir yaklaşım kazandırılması ile sayısal verilerde düzleştirme uygulaması olmuştur. Sonuç: Bu çalışmada elde edilen başarı oranının yüksekliği doğrultusunda, farklı derin öğrenme modelleri kapsama dahil edilebilir. Bu doğrultuda, bakım-onarım ve yatırım-tesis faaliyetleri sezgisel yöntemlerden uzaklaştırılarak daha etkin bir şekilde gerekli noktaya gerekli olduğu zamanda gerçekleştirilecektir. Elektrik enerjisi tedariki kaliteli ve kesintisiz bir şekilde son kullanıcı noktasındaki abonelere ulaştırılarak, memnuniyet seviyesi de artırılacaktır.
Özet (Çeviri)
In the first part of the study, the raw data in Table-1 Outages data, which is included in the T.C. Energy Market Regulatory Authority regulations and obtained from the electricity distribution company data warehouses, was used as the source data set, and outage duration estimation was carried out with artificial intelligence regression algorithms. In the second part of the study, with the quantitative mathematical approaches in T.C. EMRA legislation, Table-5 Average System Interruption Frequency Index OKSIK (SAIFI System Average Interruption Frequency Index) obtained from Table-1 Interruptions data. Duration Index) data was used as the source data set, and average outage frequency and average outage duration were estimated with artificial intelligence regression algorithms. Method: Table-1 During the outage duration estimation phase based on the outages data set; After various data pre-processing steps to prepare the data set for the model, 9 different regression models were applied: LGBMR, XGBR, SVR, RFR, CBR, kNNR, DTR, LR, MLPR. Apart from hyperparameter optimizations, the biggest difference of the applied models from other studies is that the LabelEncoder function, which is used for labeling for string data, is applied to decimal numeric (float) data to obtain normal numeric (integer) data, giving a different approach to data pre-processing steps. There has been a flattening practice in numerical data. In the OKSIK and OKSURE estimation phase performed on Table-5 Interruption Durations and Frequency data set, periodic real weather data was added to the existing data set and after various data pre-processing steps, LGBMR, XGBR, SVR, RFR, CBR, kNR, DTR, LR were obtained. 8 different regression models were applied. Two different multi-class values on the data set were included separately in the class model, and a total of 16 regression studies were carried out for 8 different models. In both applications, the performances of the regression models were compared with 8 separate performance evaluation criteria. Relevant performance parameters; accuracy, mean absolute error, mean squared error, root mean square error, R2, mean absolute percentage error, maximum error error) is the explained variance score. Findings: As a result of the studies on Table-1, the most successful accuracy rates were obtained as 97.931% with LGBM Regressor and 98.793% with MLP Regressor. In the studies on Table-5, the best accuracy rates were obtained as 93.3% with LGBM Regressor and 95.8% with XGB Regressor. Apart from the hyperparameter optimizations applied on the models, the biggest difference between the applied models and other studies is that the LabelEncoder function, which is used for labeling for string data, is applied to decimal numerical (float) data to obtain normal numerical (integer) data, a different approach to data pre-processing steps. With the introduction of data, there has been a flattening application in numerical data. Results: In line with the high success rate obtained in this study, different deep learning models can be included in the scope. In this direction, maintenance-repair and investment-facility activities will be moved away from intuitive methods and will be carried out more effectively to the required point and when necessary. Electrical energy supply will be delivered to subscribers at the end user point in a quality and uninterrupted manner, and the satisfaction level will also be increased.
Benzer Tezler
- Fault diagnosis in smart grids using artificialintelligence techniques
Akilli şebekelerde yapay zeka teknikleriyleariza teşhisi
AHMED SAMI KHAIRULLAH ALHANAF
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN HÜSEYİN BALIK
PROF. DR. MURTAZA FARSADI
- Yapay zeka tabanlı bara diferansiyel koruma sistemi
Artificial intelligence based busbar differential protection system
EMRE ÖZDEMİR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Enerji dağıtım şebekeleri için adaptif aşırı akım röle koordinasyonu tasarımı
Adaptive overcurrent relay coordination design for energy distribution networks
KEMAL UĞUR
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSüleyman Demirel ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CELAL FADIL KUMRU
- Blokzinciri ve yapay zekâ teknolojisi ile elektrik dağıtım şebekesine tüketici bağlantı taleplerinin değerlendirilmesi
Evaluation of consumer connection demand to the electricity distribution network using blockchain and artificial intelligence technology
MUHAMMET YEMEN BOYACI
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiVan Yüzüncü Yıl ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. DOĞAN ÇELİK
- A novel artificial intelligence based energy management system for microgrids
Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi
NECATİ AKSOY
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ