Makine Öğrenmesi Algoritmaları ile Elektrik Dağıtım Şebekeleri Arıza Tahmini

Authors : Ali Geyikoğlu, Mete Yağanoğlu

Pages : 73-98

Doi:10.31466/kfbd.1482179

View : 99 | Download : 108

Publication Date : 2025-03-15

Article Type : Research Paper

Abstract :Elektrik dağıtım şebekelerinde arıza; kaliteli ve sürekli enerji akışını engelleyici faktörler olarak tanımlanmaktadır. Arızanın meydana gelmesi sonrasında Elektrik Dağıtım Şirketleri, bakım-onarım ve yatırım çalışmaları ile düzeltici faaliyetler gerçekleştirmektedir. Meydana gelen arızalar ve sonrası düzeltici faaliyetler ile teknik kalite parametreleri sistemlerce oluşturulmaktadır. Ancak ortaya çıkan teknik veriler, herhangi bir tahminleme altyapısında kullanılmamakta, düzeltici faaliyetler genel olarak yorum ve taleplere istinaden gerçekleştirilmektedir. Bu çalışmada, sezgisel yaklaşımların önüne geçmek amacıyla, elektrik dağıtım şirketi operatörlerinin saha faaliyetleri sonrası sistemler tarafından örneklenerek kayıt altına alınan Aras EDAŞ’a ait Kesinti Süreleri ve Sıklığı verileri ile ilgili dönemlere ait Aras EDAŞ işletme sorumluluk sahasındaki 7 ile esas meteorolojik veriler kullanılmıştır. Veri seti içerisinde yer alan öznitelikler ve sınıflar üzerinde veri ön işleme, öznitelik seçimi, öznitelik çıkarımı gerçekleştirilmiştir. Regresyon işlemleri ile tahminleme gerçekleştirilecek hale gelen veri setleri %80’i eğitim ve %20’si test verisi olacak şekilde; Hafif Gradyan Artırma Makinesi (LGBM), Aşırı Gradyan Artırma (XGB), Destek Vektör, Rastgele Orman, Kategorik Artırma, k-En Yakın Komşu, Karar Ağacı, Lineer olmak üzere 8 farklı regresyon modeline tabi tutulmuştur. Veri seti üzerinde yer alan iki farklı bağımlı değişkene ait çok sınıflı değerler ayrı ayrı sınıf modeline dahil edilmiş olup toplamda 8 farklı model için 16 adet regresyon çalışması gerçekleştirilmiştir. En iyi model yapısına ulaşabilmek amacıyla hiperparametre optimizasyonu uygulanmıştır. Birincil çok sınıflı regresyon tahmini için en iyi model doğruluğu LGBM Regressor ile %93,305 olarak elde edilirken, ikincil çok sınıflı tahmin için en iyi model doğruluğu XGB Regressor ile %95,812 olarak elde edilmiştir.
Keywords : Elektrik dağıtım şebeke arızası, Makine öğrenmesi, Regresyon, Tahmin