Geri Dön

Performance analysis, anomaly detection and predictive maintenance studies using deep learning methods in power plants

Elektrik üretim santrallerinde derin öğrenme metodlarını kullanarak performans analizi, anomali tespiti ve kestirimci bakım çalışmaları

PDF İndir

  1. Tez No: 992306
  2. Yazar: KERİM EMRE AKSAY
  3. Danışmanlar: PROF. DR. MEHMET TÜMAY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Anomali tespiti, Derin öğrenme, Enerji santralleri, Kestirimci bakım sistemleri, Yapay zeka, Anomaly detection, Deep learning, Power plants, Predictive maintenance systems, Artificial intelligence
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez, elektrik santrallerinde performans analizi, anomali tespiti ve kestirimci bakım uygulamalarında kullanılmak üzere makine öğrenmesi tekniklerinin, özellikle de derin öğrenme yaklaşımlarının potansiyelini kapsamlı biçimde incelemektedir. Güç üretim sistemlerinin giderek artan karmaşıklığı ile kesintisiz ve yüksek verimlilikte işletme gereksinimleri, geleneksel bakım yöntemlerini yetersiz kılmıştır. Bu bağlamda, ekipman güvenilirliğini artırmak ve plansız duruş sürelerini en aza indirmek amacıyla akıllı, veri odaklı modelleme yaklaşımları geliştirilmiştir. İlk aşamada, gerilim trafoları ve güç trafolarına yönelik durum izleme sistemleri tasarlanmış ve uygulanmıştır. Bu sistemler sayesinde ekipman sağlığı sürekli olarak takip edilmiş, periyodik manuel kontrollerin yerini gerçek zamanlı izleme almıştır. Tolerans eşikleri tanımlanarak ve otomatik alarm sistemleri oluşturularak operasyonlara ara vermeden arızaların erken tespiti sağlanmıştır. İkinci aşamada, hidroelektrik santrallerdeki en kritik ekipmanlardan biri olan jeneratörler üzerine odaklanılarak derin öğrenme tabanlı anomali tespiti modelleri geliştirilmiştir. Aktif ve reaktif güç verilerine dayanarak uyartım akımını tahmin eden derin öğrenme modellerini de içeren üç ayrı model eğitilmiştir. Tahmin edilen ve gerçek uyartım akımı arasındaki fark, jeneratör iç arızalarının belirlenmesi için bir gösterge olarak kullanılmıştır. Model performansı RMSE, MAE, R² ve MAPE gibi metriklerle değerlendirilmiş ve modellerin performansları kıyaslanmıştır. Elde edilen sonuçlar, derin öğrenme yöntemlerinin doğrusal olmayan sistem davranışlarını modellemede ve erken aşama anomalileri tespit etmede önemli avantajlar sunduğunu ortaya koymaktadır. Bu çalışma, derin öğrenme modellerinin hidroelektrik santrallerden elde edilen gerçek saha verilerine doğrudan uygulanmasıyla literatürdeki bir araştırma boşluğunun giderilmesine değerli bir katkı sunmakta ve gerçek dünya uygulamaları için pratik çıkarımlar sağlamaktadır. Ayrıca, önerilen modellerin bakım yönetim sistemlerine entegre edilmesiyle gerçek zamanlı arıza tespiti ve proaktif bakım planlamasının gerçekleştirilmesi mümkün hale gelmektedir. Genel olarak, bu araştırma enerji sektöründe varlık yönetiminin yapay zeka ile dijital dönüşümüne katkıda bulunmakta ve elektrik santrali operasyonlarında güvenilirlik, sürdürülebilirlik ve verimliliğin artırılmasına yönelik pratik çözümler sunmaktadır. Gelecekteki araştırmalar, bu çerçevenin termal veya rüzgar santralleri gibi diğer enerji üretim teknolojilerine genişletilmesi, modelin yorumlanabilirliğini ve öngörü gücünü artırmak için açıklanabilir yapay zeka (XAI) tekniklerinin entegre edilmesi ve dijital ikiz platformlarının geliştirilmesinin ilerletilmesiyle sistem analizinin ve optimizasyonunun daha da güçlendirilmesi yönünde odaklanabilir.

Özet (Çeviri)

This thesis comprehensively investigates the potential of machine learning techniques, particularly deep learning approaches, for use in performance analysis, anomaly detection, and predictive maintenance applications in electric power plants. The increasing complexity of power generation systems, along with the growing need for continuous and highly efficient operation, has rendered traditional maintenance methods inadequate. In this context, intelligent and data-driven modeling approaches have been developed to enhance equipment reliability and minimize unplanned downtimes. In the first phase, condition monitoring systems were designed and implemented for voltage transformers and power transformers. Through these systems, the health of critical equipment was continuously monitored, replacing periodic manual inspections with real-time tracking. By defining tolerance thresholds and establishing automated alarm mechanisms, early fault detection was achieved without interrupting operations. In the second phase, deep learning-based anomaly detection models were developed by focusing on generators, which are among the most critical components in hydroelectric power plants. Three separate models were trained, including deep learning models designed to predict excitation current based on active and reactive power data. The deviation between the predicted and actual excitation current was used as an indicator for identifying potential internal faults within the generator. The performance of the models was evaluated using RMSE, MAE, R², and MAPE metrics, and deep learning models demonstrated superior accuracy compared to linear regression methods. The results reveal that deep learning methods offer significant advantages in modeling nonlinear system behaviors and detecting early-stage anomalies. This study makes a valuable contribution to bridging a research gap by applying deep learning models directly to field data from hydroelectric power plants, offering practical insights for real-world applications. In addition, the proposed models can be integrated into maintenance management systems (MMS) to enable real-time fault detection and proactive maintenance scheduling. Overall, this research contributes to the digital transformation with artificial intelligence of asset management in the energy sector and provides practical solutions to improve reliability, sustainability and efficiency in power plant operations. Future research may extend this framework to other power generation technologies, such as thermal or wind plants, and incorporate explainable AI (XAI) techniques to enhance model interpretability and predictive insight, while advancing the development of digital twin platforms to further strengthen system analysis and optimization.

Benzer Tezler

  1. Tez No

    949054

    Core network anomaly detection using the LSTM model and comparison with various unsupervised learning methods

    Telekomünikasyon merkezi şebekelerinde LSTM model ile anomali tespiti ve bazı denetimsiz öğrenme metotları ile kıyaslanması

    SAMED ÇALIK

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Büyük Veri ve İş Analitiği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN

  2. Tez No

    998845

    Yüksek gerilim ekipmanlarında termal görüntülemeye dayalı olarak anomali tespiti için yapay zeka yöntemlerinin geliştirilmesi

    Development of artificial intelligence methods for anomaly detection based on thermal imaging in high voltage equipment

    MEHMET BURAK TUNÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Elektrik ve Elektronik MühendisliğiKaramanoğlu Mehmetbey Üniversitesi

    Mühendislik Bilimleri Ana Bilim Dalı

    DOÇ. DR. MUHAMMET FATİH ASLAN

  3. Tez No

    995537

    Türkiye enerji piyasasının makine öğrenmesi uygulamasıyla düşük-karbon salımına geçişte ajan temelli modellenmesi

    Turkish energy market agent-based modeling for low-carbon transition with machine learning application

    BURAK GÖKÇE

    Doktora

    Türkçe

    Türkçe

    2026

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimi ve Teknolojileri Ana Bilim Dalı

    PROF. DR. GÜLGÜN KAYAKUTLU

  4. Tez No

    550448

    Lityum iyon bataryalarda parça ömür kestirimi

    Calculating remaining useful life of lithium-ion batteries

    FERHAT MAÇİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. SALMAN KURTULAN

  5. Tez No

    702145

    Makine öğrenmesi kullanılarak endüstriyel pres makinesi için kestirimci bakım uygulaması

    Predictive maintenance application for industrial press machine using machine learning

    ERKUT YİĞİT

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiKocaeli Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET ZEKİ BİLGİN

Geri Dön