Elektrik dağıtım şebekelerinde meteorolojik veriler ve şebeke durum verileri kullanılarak derin öğrenme tabanlı kesinti sayısı tahmini
Deep learning based outage number estimation in electricity distribution networks using meteorological data and network status data
- Tez No: 972166
- Danışmanlar: DOÇ. DR. YUNİS TORUN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sivas Cumhuriyet Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Modern toplumların işleyişinin temelini oluşturan ve adeta ekonomik ve sosyal hayatın can damarı olan elektrik dağıtım şebekeleri, doğaları gereği karmaşık ve dinamik sistemlerdir. Bu sistemlerin sürekliliği, endüstriyel üretimin devamlılığından günlük yaşamın konforuna kadar her alanda hayati bir rol oynar. Ancak, bu kritik altyapılar, %80'i hava durumu kaynaklı olmak üzere çeşitli faktörlerin tetiklediği kesintilere karşı oldukça hassastır. Yaşanan bu kesintiler, sadece anlık bir aydınlatma sorunundan ibaret kalmayıp, endüstriyel üretimin durması, ticari faaliyetlerin aksaması ve toplumsal düzenin bozulması gibi ciddi sosyoekonomik sonuçlar doğurmaktadır. Geleneksel olarak elektrik dağıtım şirketleri tarafından benimsenen yönetim anlayışı, büyük ölçüde reaktif bir temele dayanır; yani bir arıza meydana geldikten sonra tespit edilir ve müdahale ekipleri sorunu çözmek için sahaya yönlendirilir. Bu yaklaşım, her ne kadar sorunu çözse de, kesintinin yarattığı olumsuz etkileri önlemede yetersiz kalmaktadır. İşte bu noktada, reaktif yönetim anlayışının ötesine geçerek, sorunlar ortaya çıkmadan önce onları öngörmeyi ve önlem almayı hedefleyen proaktif bir stratejiye duyulan ihtiyaç her geçen gün artmaktadır. Bu tez çalışması, tam da bu ihtiyaca cevap vermek üzere, Sivas ili merkez ilçesindeki elektrik dağıtım hatlarında meydana gelebilecek kesinti sayısını meteorolojik verilere bağlı olarak günler öncesinden iyi bir doğrulukla tahmin eden yenilikçi ve proaktif bir çözüm sunmaktadır. Literatürdeki araştırmalar incelendiğinde, güç kesintisi tahminine yönelik çalışmaların genellikle kesinti olup olmayacağını veya kesintinin ne kadar süreceğini tahmin etmeye odaklandığı görülmektedir. Bu araştırma, kesinti sayısını tahmin ederek, dağıtım şirketlerine arıza müdahale ekiplerini ve kaynaklarını en çok ihtiyaç duyulacak bölgelere önceden yönlendirme imkânı tanıyan, böylece operasyonel verimliliği ve şebeke direncini artıran özgün bir model geliştirmeyi hedeflemektedir. Bu hedefe ulaşmak için, iki güçlü derin öğrenme tekniğini birleştiren yenilikçi bir hibrit mimari tasarlanmıştır. Bu mimarinin ilk bileşeni, mekânsal verileri işlemedeki üstün yeteneğiyle bilinen Evrişimli Sinir Ağları'dır (CNN). CNN, modelin belirli bir alandaki yıldırım yoğunluğu gibi meteorolojik verilerdeki uzamsal desenleri ve ilişkileri çıkarmasını sağlamıştır. Mimarinin ikinci temel taşı ise, zaman serisi verilerinin analizinde uzmanlaşmış olan Uzun Kısa Süreli Bellek (LSTM) ağlarıdır. LSTM, modelin bir“hafıza”yeteneği kazanarak, hava durumu koşullarındaki veya şebeke verilerindeki değişimler gibi zamana bağlı, ardışık ve karmaşık verileri anlamlandırmasına olanak tanımıştır. Bu iki yapının hibrit bir modelde birleştirilmesiyle, hem“nerede”(CNN ile mekânsal analiz) hem de“nasıl bir süreçle”(LSTM ile zamansal analiz) sorularına eş zamanlı olarak cevap verebilen, bütüncül bir tahmin yeteneği geliştirilmiştir. Modelin yüksek analitik performansı, çok kaynaklı ve heterojen verileri içeren entegre bir veri setine dayanmaktadır. Bu veri seti, meteorolojik ve şebeke verileri olmak üzere iki ana bileşenden oluşmaktadır. Meteorolojik değişkenler; sıcaklık, rüzgâr hızı, yağış miktarı, kar/buz birikimi ve elektrik kesintileriyle doğrudan korelasyonu bilinen yıldırım yoğunluğu verilerini kapsamaktadır. Şebeke verileri ise, geçmiş bakım kayıtları ile daha önce meydana gelmiş kesintilere ait ayrıntılı arıza raporlarından derlenmiştir. Modelin eğitimi amacıyla 2020-2023 dönemine ait veriler kullanılırken, modelin gerçek dünya performansını test etmek ve valide etmek için 2024 yılı verileri test seti olarak ayrılmıştır. Yapılan değerlendirmeler sonucunda, önerilen hibrit CNN-LSTM modelinin, tek başına çalışan LSTM (R²=0.55) ve CNN (R²=0.51) modellerinden daha üstün bir performans gösterdiğini kanıtlamıştır. Modelin ulaştığı 0.68 Ortalama Mutlak Hata (MAE), %14.53 Simetrik Ortalama Mutlak Yüzde Hata (SMAPE) ve 0.56 R-kare (R²) metrik sonuçları, tahminlerinin güvenilir ve tutarlı olduğunu göstermektedir. Modelin başarısının ötesinde, yapılan özellik önem analizi, sahadaki pratik tecrübeleri bilimsel verilerle doğrulayan çok değerli bulgular sunmuştur. Bu analize göre, kesintileri tetikleyen en etkili faktörlerin sırasıyla“son 24 saatteki maksimum rüzgâr hızı”,“yıldırım düşme yoğunluğu”ve“bir hattaki son bakımdan bu yana geçen gün sayısı”olduğu görülmüştür. Bu sonuç, şiddetli hava olaylarının birincil risk faktörü olduğunu teyit ederken, aynı zamanda düzenli ve proaktif bakım faaliyetlerinin kesintileri önlemedeki hayati rolünün altını çizmektedir. Nihayetinde bu çalışma, farklı disiplinlerden gelen veri kaynaklarının, gelişmiş bir derin öğrenme mimarisiyle entegre edilmesinin, elektrik dağıtım şirketlerine somut operasyonel avantajlar sunarak kesinti yönetiminde reaktif yaklaşımdan proaktif bir stratejiye geçişi mümkün kılabileceğini kanıtlamaktadır. Bu model sayesinde dağıtım şirketleri, arıza müdahale ekiplerini ve gerekli teçhizatı riskli bölgelere önceden konuşlandırabilir, sınırlı kaynaklarını en verimli şekilde tahsis edebilir ve riskli hatlardaki bakım çalışmalarına öncelik vererek şebekenin genel direncini artırabilir. Bu durum yalnızca operasyonel maliyetleri düşürmekle kalmayacak, aynı zamanda kesinti sürelerini ve sıklığını azaltarak hem endüstriyel tüketiciler hem de mesken aboneleri için hizmet kalitesini ve müşteri memnuniyetini önemli ölçüde iyileştirecektir.
Özet (Çeviri)
Electricity distribution networks, which form the foundation of modern societies and are the lifeblood of economic and social life, are inherently complex and dynamic systems. The continuity of these systems plays a vital role in everything from the continuity of industrial production to the comfort of daily life. However, these critical infrastructures are highly susceptible to outages triggered by various factors, 80% of which are weather-related. These outages are not merely temporary lighting problems; they also have serious socioeconomic consequences, such as the cessation of industrial production, the disruption of commercial activities, and the disruption of social order. The management approach traditionally adopted by electricity distribution companies is largely reactive; that is, a fault is detected after it occurs, and response teams are dispatched to the field to resolve the problem. While this approach solves the problem, it falls short of preventing the negative impacts of the outage. At this point, the need for a proactive strategy that goes beyond reactive management and aims to anticipate and take precautions before problems arise is increasing daily. This thesis proposes an innovative and proactive solution that addresses this need by accurately predicting the number of outages that may occur on electricity distribution lines in the central district of Sivas province, days in advance, based on meteorological data. An examination of existing literature reveals that power outage prediction studies generally focus on predicting whether an outage will occur (binary classification) or how long an outage will last. This research aims to develop a unique model that predicts the nüme of outages and allows distribution companies to pre-route fault response teams and resources to the areas where they are most needed, thereby improving operational efficiency and grid resilience. To achieve this goal, an innovative hybrid architecture combining two powerful deep learning techniques was designed. The first component of this architecture is a Convolutional Neural Network (CNN), known for its superior ability to process spatial data. The CNN enabled the model to extract spatial patterns and relationships in meteorological data, such as lightning intensity in a given area. The second cornerstone of the architecture is Long Short-Term Memory (LSTM) networks, which specialize in analyzing time-series data. LSTMs provide the model with a“memory”capability, enabling it to interpret temporal, sequential, and complex data, such as changes in weather conditions or network data. By combining these two structures in a hybrid model, a holistic forecasting capability has been developed that simultaneously addresses both“where”(spatial analysis with CNN) and“how”(temporal analysis with LSTM) questions. The model's high analytical performance is based on an integrated dataset containing multi-source, heterogeneous data. This dataset consists of two main components: meteorological and grid data. Meteorological variables include temperature, wind speed, precipitation, snow/ice accumulation, and lightning intensity data known to be directly correlated with power outages. Grid data was compiled from historical maintenance records and detailed fault reports from previous outages. Data from the 2020-2023 period was used for model training, while data from 2024 was reserved as a test set to test and validate the model's real-world performance. Evaluations demonstrated that the proposed hybrid CNN-LSTM model outperformed standalone LSTM (R²=0.55) and CNN (R²=0.51) models. The model's metric results of 0.68 Mean Absolute Error (MAE), 14.53% Symmetric Mean Absolute Percentage Error (SMAPE), and 0.56 R-squared (R²) demonstrate that its predictions are reliable and consistent. Beyond the model's success, the feature importance analysis yielded invaluable findings that validated practical field experience with scientific data. According to this analysis, the most influential factors triggering outages were, respectively,“maximum wind speed in the last 24 hours,”“lightning strike intensity,”and“number of days since the last maintenance on a line.”This result confirms that severe weather events are the primary risk factor, while also underscoring the vital role of regular and proactive maintenance activities in preventing outages. Ultimately, this study demonstrates that integrating data sources from various disciplines with an advanced deep learning architecture offers tangible operational advantages to electricity distribution companies, enabling them to transition from a reactive approach to a proactive strategy in outage management.
Benzer Tezler
- 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
- Endüstriyel mikro şebekelerde dinamik enerji yönetim modeli önerisi ve örnek uygulama
A dynamic energy management model proposal for energy management in industrial microgrids and a case study
ZEYNEP BEKTAŞ
Doktora
Türkçe
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU
- Elektrik güç sistemlerinde transformatörlerin yaşlanması koşulları altında verimlilik artışı amaçlı işletim koşullarının iyileştirilmesinin araştırılması
Research on improving the operational conditions of the transformers in the electric power system under ageing studies
BANU ÖZTÜRK UÇAR
Doktora
Türkçe
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA BAĞRIYANIK
- Forecasting of produced output electricity in photovoltaic power plants
Foto-voltaik güç santrallarında elektrik üretim tahmini
TARANEH SAADATI
Doktora
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DOÇ. DR. BURAK BARUTÇU
- Akıllı şebekelerde depolama sistemlerine sahip rüzgar enerji santrallerinde üretim tahmini ve sisteme katılım miktarının belirlenmesi
Prediction and penetration of wind energy with storage system analysis
BETÜL AKYÜREK
Yüksek Lisans
Türkçe
2015
Enerjiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. BELGİN TÜRKAY