Elektrik dağıtım şebekesinde meydana gelen elektrik kesintilerine ait kalite parametrelerinin makine öğrenimi ile ölçülmesi: Diyarbakır ili Çınar ve Ergani ilçelerine ait performans ölçümü
Yükleniyor...
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Dicle Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Elektrik enerjisinin, üretim noktasından tüketim noktasına güvenilir, kaliteli ve kesintisiz bir şekilde taşınması gerekmektedir. Elektrik enerjisinin tüketiciye ulaşmadan hemen önceki dağıtım şebekesi bölümünde, birçok nedenden dolayı arıza meydana gelmektedir. Bu sebepler arasında elektriksel, mekanik, atmosferik, dış müdahaleler, ekonomik ömrünü tamamlama ve yanlış manevralar öne çıkmaktadır. Arızalar sonucu oluşan elektrik kesintilerinde iletişim, ulaşım ve güvenlik sistemleri aksaklığa uğrar; elektriğin çok önemli olduğu hastaneler, havalimanları ve sınır karakollarında istenmeyen sorunların ve toplumsal olayların yaşanmasına neden olabilir. Elektrik kesinti nedenlerinin iyi bilinmesi sayesinde doğru analiz yapılarak olumsuz etkilerinin azaltılması sağlanabilir. Diyarbakır ili Çınar ve Ergani ilçelerinde elektrik enerjisinin tüketiciye ulaşmasını sağlayan elektrik dağıtım şebekesinin büyük bölümü havai hatlardan oluşmaktadır. Havai hatlardan oluşan elektrik dağıtım şebekesi, hava şartlarından doğrudan etkilenmektedir. Bu durum doğrudan arıza sayı ve süresini de etkilemektedir. Bu nedenle, elektrik arızalarının hava şartlarından ne kadar etkilendiğinin bilinmesi sağlıklı bir performans ölçümü için önemlidir. Bu çalışmada, Diyarbakır ili Çınar ve Ergani ilçelerinde elektrik dağıtım şebekesi arızalarında oluşan tedarik sürekliliği kalite parametrelerinin hava koşullarına göre tahmin edilebilirliği, makine öğrenimi modelleri kullanılarak incelenmiştir. Makine öğrenimi modelleri; günlük maksimum sıcaklık, minimum sıcaklık, sıcaklık farkı, yağış miktarı ve rüzgâr hızı öznitelikleri kullanılarak eğitilmiştir. Bu çalışmada kullanılan veriler, makine öğrenimi derin öğrenme modelleri arasında yer alan LSTM'e ve karar ağacı modelleri olarak XGBoost, CatBoost, LightGBM ve Rastgele Orman'a dayalı olarak 3 farklı strateji ile eğitilmiştir. 3 stratejinin ortalaması göz önüne alındığında CatBoost modelinin diğer yöntemlere kıyasla daha başarılı olduğu tespit edilmiştir. CatBoost modelinin, 3 strateji için elde ettiği ortalama doğruluk performansları sırasıyla %75,1; %80,07; %78,49 olduğu gözlemlenmiştir. CatBoost modeli sayesinde elektrik dağıtım şebekesinin hava şartlarına olan hassasiyeti ölçülebilmektedir. Önerilen bu model sayesinde performans karnelerinin daha sağlıklı hesaplanması, elektrik kesintilerinin hangi hava koşullarına daha fazla hassasiyet gösterdiğinin tespiti ve bu tespit sayesinde daha etkin bakım, onarım ve yatırım stratejilerinin belirlenmesi hedeflenmiştir. Ayrıca, hava koşullarından bağımsız olarak meydana gelen arıza sayı ve sürelerindeki artışların tespit edilmesi de amaçlanmıştır.
The reliable, high quality, and uninterrupted transmission of electrical energy from the point of generation to the point of consumption is essential. In the distribution network section, which is located, just before electricity reaches the consumer, various faults occur due to miscellaneous reasons. Among these reasons, electrical, mechanical, atmospheric, external interventions, completion of economic life, and incorrect maneuvers stand out. Interruptions in electrical power supply due to faults can disrupt communication, transportation, and security systems; they can also lead to unwanted problems and social incidents in critical facilities such as hospitals, airports, and border posts where electricity is crucial. Proper understanding of the causes of power outages can lead to reduced adverse effects through accurate analysis. A significant portion of the electrical distribution network providing electricity to consumers in the Çınar and Ergani districts of Diyarbakır province consists of overhead lines. The distribution network composed of overhead lines is directly affected by weather conditions, thereby directly influencing the number and duration of faults. Therefore, knowing to what extent electrical faults are affected by weather conditions is important for a healthy performance assessment. In this study, the predictability of supply continuity quality parameters in electrical distribution network faults in the Çınar and Ergani districts of Diyarbakır province based on weather conditions is investigated using machine learning models. Machine learning models are trained using features such as daily maximum temperature, minimum temperature, temperature difference, precipitation amount, and wind speed. The data utilized in this study were trained based on deep learning models such as Long Short-Term Memory (LSTM) and decision tree models including XGBoost, CatBoost, LightGBM, and Random Forest. In the study, it is found that the CatBoost model is more successful compared to other methods. The average accuracy performances achieved by the CatBoost model for the three strategies were observed to be 75.1%, 80.07%, and 78.49%, respectively. Through the CatBoost model, the sensitivity of the electrical distribution network to weather conditions can be measured. With this proposed model, the aim is to calculate performance scores more accurately, identify which weather conditions are more sensitive to power outages, and determine more effective maintenance, repair, and investment strategies based on this identification. Additionally, detecting increases in fault numbers and durations independent of weather conditions is also aimed.
The reliable, high quality, and uninterrupted transmission of electrical energy from the point of generation to the point of consumption is essential. In the distribution network section, which is located, just before electricity reaches the consumer, various faults occur due to miscellaneous reasons. Among these reasons, electrical, mechanical, atmospheric, external interventions, completion of economic life, and incorrect maneuvers stand out. Interruptions in electrical power supply due to faults can disrupt communication, transportation, and security systems; they can also lead to unwanted problems and social incidents in critical facilities such as hospitals, airports, and border posts where electricity is crucial. Proper understanding of the causes of power outages can lead to reduced adverse effects through accurate analysis. A significant portion of the electrical distribution network providing electricity to consumers in the Çınar and Ergani districts of Diyarbakır province consists of overhead lines. The distribution network composed of overhead lines is directly affected by weather conditions, thereby directly influencing the number and duration of faults. Therefore, knowing to what extent electrical faults are affected by weather conditions is important for a healthy performance assessment. In this study, the predictability of supply continuity quality parameters in electrical distribution network faults in the Çınar and Ergani districts of Diyarbakır province based on weather conditions is investigated using machine learning models. Machine learning models are trained using features such as daily maximum temperature, minimum temperature, temperature difference, precipitation amount, and wind speed. The data utilized in this study were trained based on deep learning models such as Long Short-Term Memory (LSTM) and decision tree models including XGBoost, CatBoost, LightGBM, and Random Forest. In the study, it is found that the CatBoost model is more successful compared to other methods. The average accuracy performances achieved by the CatBoost model for the three strategies were observed to be 75.1%, 80.07%, and 78.49%, respectively. Through the CatBoost model, the sensitivity of the electrical distribution network to weather conditions can be measured. With this proposed model, the aim is to calculate performance scores more accurately, identify which weather conditions are more sensitive to power outages, and determine more effective maintenance, repair, and investment strategies based on this identification. Additionally, detecting increases in fault numbers and durations independent of weather conditions is also aimed.
Açıklama
Anahtar Kelimeler
Elektrik dağıtım şebekesi arızaları, Diyarbakır, Makine öğrenimi, Derin öğrenme, Karar ağacı, Electricity distribution network outages, Machine learning, Deep learning, Decision tree
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Topkaç, E. (2024). Elektrik dağıtım şebekesinde meydana gelen elektrik kesintilerine ait kalite parametrelerinin makine öğrenimi ile ölçülmesi: Diyarbakır ili Çınar ve Ergani ilçelerine ait performans ölçümü. Yayımlanmamış yüksek lisans tezi, Dicle Üniversitesi, Diyarbakır.
