Makine öğrenmesi kullanarak iletim hatlarında arıza türünün ve yerinin belirlenmesi
Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi · 23.06.2026 · (Advanced Online Publication)
DOI: 10.65206/pajes.1910296 ↗Kurz gefasst
Fachartikel in der Zeitschrift Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, online erschienen am 23.06.2026. Verfasst von Zeyneb Bayrak und 1 weiteren Autor:innen. Die Arbeit nennt 40 Literaturangaben.
Abstract (Originalsprache)
Günümüzde hızla artan enerji talebi ile birlikte, enerjinin kesintisiz ve sürdürülebilir bir şekilde sağlanabilmesi zorunlu hale gelmiştir. Bu durum, iletim hatlarında meydana gelen arızaların hızlı ve doğru teşhis edilerek oluşan anormalliklerin giderilmesinin önemini artırmaktadır. Meydana gelen arızaların teşhisinde geleneksel yöntemler bazı durumlarda yetersiz kalabilmektedir. Bu nedenle yapay zekâ tabanlı yöntemlerin kullanılması büyük önem kazanmıştır. Bu çalışmanın amacı, enerji iletim hatlarında oluşabilecek arızaların türünün ve yerinin tespitinde farklı makine öğrenmesi modelleri oluşturularak, performanslarının karşılaştırılması ve bunun sonucunda en güvenilir modeli belirlemektir. Bu analizlerle, modellerin performanslarının farklı işletme koşullarında da tutarlı olması hedeflenmiştir. Bu amaçla, MATLAB/Simulink ortamında 400kV bir iletim hattı modeli çeşitli arıza türü ve yeri için simüle edilmiş ve problemlerin gereksinimlerine göre arızaların üç faz gerilim, üç faz gerilim, sıfır bileşen akımı (I₀), zaman ve konum bilgilerden oluşan kapsamlı bir veri setleri elde edilmiştir. Arıza türünün tespitinde destek vektör makinası (SVM) ve karar ağacı (DT) algoritmaları kullanılırken arıza yeri tespitinde, k-en yakın komşu (KNN) regresyon ve rastgele orman regresyon algoritmaları kullanılmıştır. Bu algoritmalarla oluşturulan modellerin performansı, sınıflandırma ve regresyon problemi için ayrı ayrı metriklerle değerlendirilmiştir. Arıza türü tespiti sonuçlarına göre, her iki model de %99’un üzerinde doğruluk değerlerine ulaşmış; SVM modeli %99,70 doğruluk oranına ulaşırken, Karar Ağacı %99,81 doğruluk oranı ile en yüksek başarıyı yakalayan model olmuştur. Arıza yeri tespitinde ise ortalama mutlak hata (MAE) değerlerinde belirgin farklar gözlemlenmiştir. KNN regresyon modeli 0,416 km ortalama mutlak hata sergilerken, Rastgele Orman Regresyonu 0,114 km gibi oldukça düşük bir hata payı ile arıza konumunu çok daha hassas bir şekilde belirlemiştir. Değerlendirme sonucunda, oluşturulan model performansları başarılı ve güvenilir sonuçlar verirken sınıflandırma probleminde karar ağacının doğruluk oranının daha yüksek olduğu, yer tespitinde ise rastgele orman algoritmasının daha yavaş fakat daha az hatalı sonuçlar verdiği sonucuna varılmıştır. Modellerin farklı senaryolar altındaki genelleme yeteneğini değerlendirmek üzere; arıza direnci, hat parametreleri ve faz farkı değişimleri analiz edilmiştir. Sonuçlar, önerilen yapının değişken işletme koşulları altında bile yüksek hassasiyet, güvenilirlik ve kararlılık sunduğunu ortaya koymuştur. Bu elde edilen sonuçlar doğrultusunda, doğru öznitelik seçiminin ve problemin yapısına uygun model tercihinin sistem genel başarısı üzerindeki önemi vurgulanmıştır. Böylelikle, enerji iletim hatlarında arıza yönetim ve bakım süreçlerine entegre edilebilecek güvenilir bir çerçeve sunulmuştur.
Zitieren
APA
Bayrak, Z., & Arsoy, A. B. (2026). Makine öğrenmesi kullanarak iletim hatlarında arıza türünün ve yerinin belirlenmesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. https://doi.org/10.65206/pajes.1910296
Vancouver
Bayrak Z, Arsoy AB. Makine öğrenmesi kullanarak iletim hatlarında arıza türünün ve yerinin belirlenmesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. 2026. doi:10.65206/pajes.1910296
BibTeX
@article{Bayrak2026,
author = {Bayrak, Zeyneb and Arsoy, Ayşen Basa},
title = {Makine öğrenmesi kullanarak iletim hatlarında arıza türünün ve yerinin belirlenmesi},
journal = {Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi},
year = {2026},
number = {Advanced Online Publication},
doi = {10.65206/pajes.1910296}
}
EUVIMED