Dağıtım şebekelerinde teknik olmayan kayıpların makine öğrenme yöntemleriyle analizi

İnsan nüfusu dünya üzerinde sürekli artış eğilimi göstermektedir. Bu artış beraberinde insan hayatında da bazı ihtiyaçları doğurmaktadır. Dünyanın gelişmişlik düzeyiyle birlikte elektriğe olan ihtiyaç doğru oranda artmaktadır. Gelişmişlik düzeyi yüksek olan toplumlarda elektrik tüketimi kullanımı daha fazla olduğu kabul edilir. Ancak elektrik tüketimi ve kullanımı fazla olmasına rağmen teknik olmayan elektrik kaybının yüksek olması düşündürücü boyuttadır. Elektrik şebeke sistemlerinin karşılaştığı önemli sorunlardan biri, enerji hırsızlığı nedeniyle meydana gelen kayıplardır; bu durum, teknik olmayan kayıp olarak bilinir. Bu beklenmedik kayıplar, şebeke altyapısının sürdürülebilirliğini ve güvenilirliğini ciddi şekilde tehdit eder. Enerji alt yapı sistemlerinin, sağlıklı ve daha verimli bir biçimde çalışması teknik olmayan kayıplarla doğru orantılıdır. Enerji hırsızlığını tespit etmek ve önlemek, istikrarlı bir enerji arzını sağlamak için kritik öneme sahiptir. Teknik olmayan kayıpların azaltılması, daha sağlıklı enerji akışını sağladığı gibi maliyet açısında da ciddi öneme sahiptir. Bu tez, enerji sektöründe karşılaşılan teknik olmayan kayıpların azaltılmasını ve dağıtım şebekelerinin daha verimli, sürdürülebilir ve sağlıklı bir şekilde çalışmasını hedeflemektedir. Tez deki amaç doğrultusunda, günümüzün popüler ve etkili yaklaşımlarından biri olan derin öğrenme yöntemleri kullanılarak, farklı kayıp türlerinin sınıflandırılması gerçekleştirilmiştir. Çalışma, hem mevcut kayıp tiplerinin doğru bir şekilde tanımlanmasını hem de enerji kayıplarını en aza indirerek enerji sektörüne katkı sağlamayı amaçlayan yenilikçi bir yaklaşım sunmaktadır. Tez çalışmasında, kayıp verilerinin, önerdiğimiz yöntem kullanılarak derin öğrenme mimarileri üzerinde değerlendirilmesi, çalışmaya önemli bir yenilik katmakta ve bu bağlamda alanında yapılan ilk çalışma olma niteliği taşımaktadır. Bu yenilikçi yaklaşım, hem enerji sektöründe teknik olmayan kayıpların tespiti ve azaltılmasına yönelik literatüre katkı sunmakta hem de derin öğrenme yöntemlerinin elektrik şebekesi analizlerinde etkin bir şekilde kullanılabileceğini göstermesi bakımından öncü bir çalışma olarak öne çıkmaktadır. Çalışmada veri seti iki boyutlu olarak derin öğrenme mimarilerinde değerlendirilmiştir. İki boyutlu verileri Derin öğrenme yöntemlerinden Evrişimsel Sinir Ağı (ESA) ile %97,50 Uzun Kısa Süreli Bellek (UKSB) modeli ile %64,17 sınıflandırma doğruluğu elde edilmiştir. Ayrıca derin öğrenme mimarilerinden elde edilen sonuçlar konvansiyonel (K-NN, DVM) yöntemler ile karşılaştırılmıştır. Çalışmada en iyi sonucu ESA modeli ile elde edildiği görülmüştür. Anahtar kelimeler: Teknik Olmayan Kayıplar, Dağıtım Sistemleri, Kaçak Elektrik Tespiti, Sınıflandırma, Derin Öğrenme