Güç transformatörleri sfra tarama frekans cevabı analizi sonuçlarının yapay zeka uygulamaları ile karşılaştırılması

Elektrik enerjisi, günümüzde vazgeçilmez bir kaynak haline gelmiş ve kullanımı her geçen gün artmaktadır. Aydınlatma ile başlayan bu süreç, elektrik motorlarının bulunmasıyla sanayide, ev eşyalarında, iklimlendirme sistemlerinde, ulaşımda ve tıbbi cihazlarda kendini göstermiştir. Elektrikli araçların yaygınlaşmasıyla elektrik enerjisi, kara yolu ulaşımında da kritik bir rol üstlenmiştir. Türkiye'de kişi başı elektrik tüketimi, yüzyılın başında birkaç kWh bile değilken, bugün 3900 kWh seviyelerine ulaşmıştır. Yenilenebilir enerji kaynaklarının artışıyla, elektrik en çevre dostu enerji kaynağı haline gelmiştir. Elektrikli araçların kullanımındaki artış, elektrik talebini de belirgin ölçüde artırmıştır. Artan enerji talebi, transformatörlerin üzerindeki yükü artırmış ve yeni test ve bakım yöntemlerinin geliştirilmesi ihtiyacını ortaya çıkarmıştır. Bu bağlamda, yapay zekâ ve makine öğrenimi teknikleri, transformatörlerin test sonuçlarını daha hızlı ve hatasız analiz etmek için büyük bir potansiyele sahiptir. Transformatörlerin uzun ömürlü ve güvenilir çalışabilmesi için arızaların doğru sınıflandırılması kritik öneme sahiptir. SFRA testi, transformatörlerin frekans yanıtlarını analiz ederek, olası arızaları erken tespit etmede etkili bir yöntemdir. Bu çalışma, transformatörlerde elektriksel, mekanik ve termal arızaların tespitine odaklanmakta ve bu tür arızaların sistem performansı üzerindeki etkisini incelemektedir. Yapay zekâ ve makine öğrenimi algoritmaları, SFRA verilerini analiz ederek insan kaynaklı hataları ortadan kaldırmakta ve daha hızlı, doğru sonuçlar elde edilmesine olanak tanımaktadır. Bu teknolojiler, büyük veri kümelerini işleyerek norm dışı sapmaları, eğilimleri ve olası arıza belirtilerini tespit edebilmekte; SFRA testlerinden elde edilen veriler ışığında transformatörlerin durumunu gerçek zamanlı olarak değerlendirebilmektedir. Bu sayede, olası arızalar erken tespit edilerek önleyici bakım önlemleri alınmakta ve transformatörlerin arıza riski en aza indirilmektedir. Ayrıca, yapay zekâ sistemleri, farklı transformatörler arasında karşılaştırmalar yaparak tipik performans eğrilerini ve anormallikleri belirleyebilme yeteneğine sahiptir. SFRA testleri sonuçları genellikle bode diyagramları ile grafik ve tablolara dökülerek sunulmakta olup, on binlerce satırlık sayısal veri içermektedir. Bu durum, sonuçların yorumlanmasını ve karşılaştırılmasını zorlaştırmakta, insan hatası riskini artırmaktadır. Bu çalışmada, SFRA verilerinin yapay zekâ ve makine öğrenimi yöntemleri ile bir arada kullanılması hedeflenmiştir. Bu amaçla bir test düzeni kurulmuş ve SFRA verileri toplanarak sayısallaştırılmış, ardından düzenlenip analiz edilebilir hale getirilmiştir. Bu çalışmanın en önemli noktalarından bir tanesi olarak transformatör durumları üç etiket altında incelenmiştir: çekirdek arızalı, sargı kayması arızalı ve sağlıklı transformatör. Çalışmada altı farklı makine öğrenimi algoritması denenmiştir: Lojistik Regresyon, Rastgele Ormanlar, En Yakın Komşu, Destek Vektör Makineleri, Karar Ağaçları ve Gradient Boosting. Tüm algoritmalar matematiksel performans parametreleri ile değerlendirilmiş ve çoklu sınıflandırma görevlerinde en verimli algoritma olan Gradient Boosting Classifier (GBC) tercih edilmiştir. GBC algoritması, geniş veri setlerinden öğrenerek arıza tahminlerini yüksek doğrulukla gerçekleştirmiş ve transformatörlerin sağlık durumlarını değerlendirmede etkili sonuçlar vermiştir. Bu algoritma, arıza tespiti ve yerinin belirlenmesinde üstün performans göstermekte ve veri analizinde hız ve doğruluk açısından önemli avantajlar sağlamaktadır. Çalışmanın sonuçlarını değerlendirmek amacıyla hata matrisi analizi yapılmış; ayrıca Learning Curve, Calibration Curve, Gain Chart, Cumulative Accuracy Profile ve KS istatistiği gibi performans grafikleri oluşturulmuştur. Her bir transformatör durumu (çekirdek arızalı, sargı kayması arızalı, sağlıklı transformatör) için karşılaştırma grafikleri sunulmuş ve sonuçlar detaylı şekilde incelenmiştir. Yapay zekâ algoritmalarının performans parametreleri de GBC algoritması için hesaplanmış ve çalışmanın başarısı matematiksel olarak ortaya konmuştur. Bu çalışma, özellikle makine öğrenimi ve yapay zekâ tekniklerini SFRA testi ile entegre bir şekilde kullanarak transformatörlerin arızalı ve sağlıklı durumlarının teşhisinde yenilikçi bir yaklaşım sunmaktadır. Gradient Boosting algoritması, arızaların tespiti ve sınıflandırılmasında yüksek performans sergileyerek bu alandaki potansiyelini kanıtlamıştır.