Yüksek gerilim enerji iletim hatlarında arıza tespiti ve tahmini: klasik ve yapay zeka tabanlı veri analitiği yöntemlerinin karşılaştırmalı analizi
Comparative analysis of traditional and artificial intelligence-based data analytics methods for fault detection and prediction in high voltage power transmission lines
- Tez No: 955010
- Danışmanlar: PROF. DR. HÜSEYİN DEMİREL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 79
Özet
Bu çalışma, yüksek gerilim enerji iletim hatlarında arızaların daha doğru tespiti ve erken tahmini için yapay zekâ (YZ) ve veri analitiği yöntemlerinin kullanımını ele almaktadır. Enerji iletim altyapılarının karmaşıklığı, klasik arıza tespit yaklaşımlarının yetersiz kalmasına yol açmakta ve YZ tabanlı yöntemlerin önemini artırmaktadır. Çalışmada öncelikle yüksek gerilim hatlarının bileşenleri ve arıza türleri kapsamlı şekilde incelenmiştir. Bu alanda 26 akademik çalışma analiz edilerek, önerilen modelin yenilikçi yönleri ve YZ'nin enerji sektöründeki hızlı yükselişi vurgulanmıştır. Vaka çalışması bölümünde, önerilen modelin sahada arıza sınıflandırma, erken uyarı üretme ve operatöre karar desteği sağlama yeteneği gösterilmiş, çizelge ve grafiklerle sonuçlar desteklenmiştir. Çalışmada verilen uygulama önerisinde LSTM, CNN, YSA, GRU, SVM ve Anomali tespiti (anomaly detection) gibi YZ algoritmaları kullanılmış; SCADA, PMU, termal görüntüler ve hava durumu verileri üzerinde test edilmiştir. Önerilen model, %96 doğruluk, %90 kestirim başarısı ve alarm süresini 4 dakikadan 25 saniyeye düşürme gibi başarılı sonuçlar sağlayacağı ön görülmüştür. Ayrıca planlı bakım süreçlerinde %70'e yakın iyileşme sağlanmış ve modelin esnek yapısı sayesinde farklı ağlarda kolay entegrasyon imkânı sağlayacağı ön görülmüştür. Çalışma, elde edilen bulguların analizine dayanarak, geliştirilen sistemin klasik yöntemlere karşı üstünlüklerini ve sektörel uygulanabilirliğini ortaya koymuştur. Sonuçta, bu çalışma, literatüre akademik katkı sağlamakla birlikte, enerji sektörünün dijitalleşme sürecine katkı sunacak yenilikçi ve ölçeklenebilir bir çözüm önermektedir.
Özet (Çeviri)
This study explores the use of artificial intelligence (AI) and data analytics methods for more accurate fault detection and early prediction in high-voltage energy transmission lines. The complexity of transmission infrastructure has rendered traditional fault detection approaches insufficient, thereby increasing the importance of AI-based methods. The components and fault types of high-voltage lines are examined in detail within the study. A total of 26 academic studies were analyzed, highlighting the innovative aspects of the proposed model and the rapid rise of AI in the energy sector. In the case study section, the proposed model demonstrated its ability to classify faults, generate early warnings, and provide decision support to operators in field applications. The results were supported by tables and graphs. The proposed application utilized AI algorithms such as LSTM, CNN, ANN, GRU, SVM, and anomaly detection, tested on SCADA, PMU, thermal imaging, and weather data. The model is projected to achieve a 96% accuracy rate, 90% predictive success, and reduce alarm response time from 4 minutes to 25 seconds. Additionally, it is expected to provide nearly 70% improvement in planned maintenance processes and, due to its flexible architecture, enable seamless integration across different networks. Based on the analysis of the obtained findings, the study demonstrates the superiority and practical applicability of the developed system over conventional methods. In conclusion, this study offers not only an academic contribution to the literature but also proposes an innovative and scalable solution that supports the digitalization process of the energy sector.
Benzer Tezler
- Yüksek gerilim enerji iletim hattındaki arızaların dalgacık paket dönüşümü ve ortak vektör yaklaşımıyla sınıflandırılması
The classification of faults in high voltage energy transmission line by using wavelet packet transform and common vector approach
MEHMET YUMURTACI
Doktora
Türkçe
2014
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik Eğitimi Ana Bilim Dalı
DOÇ. DR. GÖKHAN GÖKMEN
PROF. DR. OSMAN KILIÇ
- Single phase autoreclosing in 735 KV transmission system
735 KV iletim sisteminde tek fazlı otomatik tekrar kapama
KAVEH SALEHGHADIMI
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER USTA
- Karma iletim hatlarında mesafe koruma rölesi çalışmasının incelenmesi ve çalışma başarımlarının yükseltilmesi
Investigation of distance protection relay operation in mixed transmission lines and improving operation performans
SERKAN BUDAK
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHADIR AKBAL
- Arc-based modeling, condition monitoring and failure detection of on-load tap-changers
Yük altında kademe değiştiricilerin ark tabanlı modellenmesi, durum izlenmesi ve arıza tespiti
BEHNAM FEIZIFAR
Doktora
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER USTA
- Detection and classification of faults on the dc side of photovoltaic systems using logistic model tree algorithm
Lojistik model ağacı algoritması ile fotovoltaik sistemlerin dc tarafındaki hataların tespiti ve sınıflandırılması
BOĞAÇ OĞUZ TOĞAY
Yüksek Lisans
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DOÇ. DR. COŞKUN FIRAT