Elektrik şebekesindeki güç kalite bozukluklarını tanımlamak için hibrit bir YZ çerçevesi

Elektriğinizin sağlığı neden önemlidir

Çoğumuz duvardaki prizden gelen elektriğin pürüzsüz ve sabit olacağını, telefon şarj cihazlarından fabrika robotlarına kadar her şeyi sessizce besleyeceğini varsayarız. Gerçekte, modern şebekelerdeki gerilim ve akım; güneş panellerinin, elektronik cihazların ve ağır makinelerin devreye girip çıkmasıyla sık sık sallanır, düşer ve yükselir. Güç kalite bozuklukları olarak bilinen bu küçük ama sık meydana gelen aksaklıklar ekipmanı aşırı ısıtabilir, dijital kontrol sistemlerini yanıltabilir ve hassas cihazların ömrünü kısaltabilir. Bu çalışma, hibrit bir yapay zeka aracının —aynı anda birden fazla bozukluk olsa bile— bu olayları hızla tespit edip sınıflandırarak aydınlatmayı açık tutmaya ve elektronikleri korumaya nasıl yardımcı olduğunu açıklıyor.

Günlük elektrikte gizli sekte

Elektrik gücünün sabit frekansta düzgün, sinüzoidal bir dalga formunu takip etmesi beklenir. Pratikte ise değişken hızlı sürücüler, telefon şarj cihazları ve yenilenebilir enerji sistemlerindeki güç elektroniği gibi doğrusal olmayan cihazlar tarafından sürekli olarak saptırılır. Bunlar gerilimin kısa süreli düştüğü çöküşler (sags), yükseldiği şişmeler (swells), ışıklarda titremeye neden olan flicker, keskin geçici bozulmalar (transientler) ve dalga formunu bozarak harmoniklerin eklenmesi gibi farklı bozukluklara yol açar. Bu olaylar örtüştüğünde —örneğin harmoniklerle karışmış bir çöküş ya da birden çok türün aynı anda görülmesi— geleneksel izleme araçları bunları ayırt etmekte zorlanır. Oysa doğru kombinasyonu belirlemek, kaynağın arızalı bir cihaz mı, şebeke hatası mı yoksa bir tasarım sorunu mu olduğuna karar vermek için kritiktir.

Dağınık sinyalleri kullanışlı parmak izlerine dönüştürmek

Yazarlar sistemlerini ardışık aşamalarda kurar; böylece her adım ham sinyali daha temiz bilgiye dönüştürür. Önce, gerilim sinyalinin frekans içeriğinin zaman içinde nasıl değiştiğini gösteren Stockwell Dönüşümü adı verilen matematiksel bir mercek uygularlar. Bu, örneğin bir transientten kaynaklanan kısa süreli yüksek frekanslı gürültü patlamalarını veya harmoniklerden gelen tekrarlayan bantları vurgulayan bir zaman-frekans haritası oluşturur. Bu haritalardan ortalama güç, tepe değerler ve şekil ölçüleri gibi basit sayısal tanımlayıcılar hesaplanır. Öğrenme algoritmasını gereksiz verilerle boğmamak için daha sonra hangi özelliklerin bozukluk türleri arasındaki farklarla daha güçlü ilişkili olduğunu tutan istatistiksel bir filtre olan khi-kare testi uygulanır.

Örüntüleri tanımayı öğrenen hafızaya dayalı bir YZ eğitimi

Seçilen bu özellikler, ardışık verilerle başa çıkmada yetkin bir tür tekrarlayan sinir ağı olan Uzun Kısa Süreli Bellek (LSTM) ağına girdi olarak verilir. Her anı izole şekilde inceleyen daha basit modellerin aksine, bu ağ bir bozukluğun zaman içindeki evrimini yakalayan dahili bir belleği korur. Araştırmacılar ağı normal işletme, altı tekil bozukluk türü ve çok sayıda çift, üçlü ve hatta dörtlü kombinasyon dahil olmak üzere 18 sınıf sinyal üzerinde eğitirler. Standart formüller ve IEEE 9 baralı ile 33 baralı olmak üzere iki kıyaslama güç sistemi ayrıntılı simülasyonları kullanılarak 18.000 örnek sinyal üretilir. Testi gerçekçi kılmak için ayrıca farklı düzeylerde rastgele gürültü ekleyerek gerçek şebekelerin dağınık koşullarını taklit ederler.

Yöntemi sanal ve gerçek zamanlı şebekelerde uygulamak

Eğitimin ardından hibrit sisteme çeşitli zorluklar sunulur. Sentetik sinyallerde tekil bozukluklarda %99’un üzerinde, dört farklı sorun aynı anda ve gürültü varlığında bile %96’nın üzerinde doğrulukla çoğu vakayı doğru sınıflandırır. Yazarlar daha sonra yalnızca simülasyonun ötesine geçerek ayrıntılı yazılım modellerinde ve OPAL-RT adlı gerçek zamanlı çalışan bir donanım içerisinde şebeke modelleri çalıştıran bir platformda bozukluklar oluşturur. Bu daha zorlu testlerde yöntem hâlâ yaklaşık %99 ortalama doğruluk elde eder ve literatürde rapor edilen geleneksel bir sinir ağı ile çeşitli önceki teknikleri geride bırakır. Kritik olarak, ölçüm gürültüsü eklendiğinde bile sağlamlığını korur.

Günlük enerji kullanıcıları için bunun anlamı

Ortalama kişi için bu çalışma, şebekeyi sessizce izleyip yalnızca bir sorunun varlığını değil, aynı zamanda tam olarak hangi tür olduğunu —aynı anda birden fazla sorun olsa bile— hızla bildirebilecek daha akıllı izleme cihazlarına işaret ediyor. Elektrik işletmeleri ve büyük enerji kullanıcıları, yenilenebilir kaynaklar ve elektronik yüklerin artan karışımını veriyle boğulmadan izlemek için bu tür araçları kullanabilir. Yöntem hâlâ büyük eğitim setlerine dayanmakta ve şebekeler geliştikçe yeni bozukluk türlerine uyum sağlaması gerekecek olsa da, gelişmiş sinyal analizini hafızaya dayalı YZ ile birleştirmenin gerçek zamanlı olarak elektriğimizin sağlığı hakkında daha net ve güvenilir bir görüntü sağlayabileceğini gösteriyor.

Atıf: Debnath, R., Majumder, A., Jain, A.K. et al. A hybrid AI framework for identification of power quality disturbances in electrical network. Sci Rep 16, 15758 (2026). https://doi.org/10.1038/s41598-026-35376-x

Anahtar kelimeler: güç kalitesi, elektrik şebekesi, yapay zeka, sinyal analizi, bozukluk tespiti