Çift Gauss modeli‑KAN füzyonuna dayalı kapasitif gerilim trafosu ölçüm bozulumu için trend tahmin yöntemi

Şebekenin “termometrelerini” izlemenin önemi

Modern elektrik şebekeleri, çok yüksek voltajları ölçülebilir ve faturalandırılabilir daha güvenli seviyelere indiren özel cihazlara dayanır. Bunların arasında kapasitif gerilim trafoları (CVT’ler) yüksek gerilim hatlarının iş atlarıdır. Ancak yıllar içinde, tıpkı yavaşça kalibrasyonu bozulan bir banyo terazisi gibi, bu cihazların ölçümleri de sessizce kayabilir. Bu makale, bir CVT’nin ölçüm sağlığını sürekli değerlendiren ve doğruluğunun ne zaman bozulacağını tahmin eden yeni bir yöntem sunuyor; bu sayede şebeke işletmecileri hatalar maliyetli anlaşmazlıklara veya kararlılık sorunlarına yol açmadan önce bakım planlayabilir.

Bu gerilim gözlemcileri neden yavaşça etkinliğini kaybeder

CVT’ler, yüzlerce kilovoltluk seviyeleri metreler ve koruma sistemlerinin işleyebileceği sinyallere dönüştürmek için kapasitör dizileri ve bir transformatör kullanır. Kompakt, göreceli olarak ucuz ve çok yüksek gerilimler için uygun olmaları cazibesidir. Ancak iç yapıları sabit değildir: sıcaklık dalgalanmaları, yaşlanan yalıtım ve değişen yükler iç bileşenleri ideal değerlerinden uzaklaştırır. Bu olduğunda gerçek şebeke gerilimi ile bildirilen düşük gerilim çıkışı arasındaki oran kayar. Oran hatası dar toleransın ötesine geçerse, ölçümler gerçeği yansıtmaz; bu da enerji ticareti, arıza analizi ve otomatik koruma sistemlerinin güvenilirliğini zedeler.

Geleneksel kontroller neden yeterli değil

Günümüzde birçok dağıtım şirketi hâlâ periyodik çevrimdışı kontrollere güvenir. Ağır referans ekipmanı bir trafo merkezine getirilir, hatlar kısa süreliğine servisten çıkarılır ve her CVT bir standarda karşı test edilir. Teoride bunun birkaç yılda bir yapılması gerekir; pratikte ise programlama çatışmaları ve hantal cihazların taşınması lojistiği nedeniyle sıklıkla gecikir. Bu arada şebekenin canlı veri akışları gürültülü ve sürekli değişen işletme koşullarından etkilenir; bu da yavaş bir ölçüm kaymasını gözle veya basit istatistiklerle görmekte zorluk çıkarır. Ayrıntılı devre modellerine dayanan veya genel amaçlı makine öğrenmesi yaklaşımları ise ya hassas iç parametrelere ihtiyaç duydukları için ya da dalgalanmalar ve sınırlı eğitim verisi nedeniyle yanıltıldıkları için zorluk yaşadı.

Her trafo için tek bir sağlık puanı

Bu karmaşayı çözmek için yazarlar önce her CVT’nin ham gerilim sinyalini Performans Durumu (SOP) adını verdikleri kompakt bir performans puanına sıkıştırıyor. Sinyali yavaş değişen eğilimler ve hızlı salınımlara ayıran bir matematiksel araç olan dalgacık dönüşümü uygularlar. En büyük düşük frekanslı bileşene odaklanıp bunu sağlıklı bir CVT’den alınan bir temel değere karşılaştırarak cihaz bozuldukça azalan tek bir sayı elde ederler. Araştırma ekibinin, bir fazın oran hatasını kasıtlı olarak artırıp diğerlerini normal seviyede tuttuğu laboratuvar testlerinde, SOP eğrisi hata büyüdükçe düzgün biçimde düştü; bu da bu indeksin rastgele gürültünün çoğunu filtreleyerek uzun vadeli bozulmayı izlediğini gösterdi.

Pürüzsüz sürüklenmeyi titreşimden ayırmak

Bu sağlık puanı bile tamamen pürüzsüz değildir: şebeke koşulları ve ölçüm kusurları hâlâ iniş çıkışlar ve dalgacıklar ekler. Araştırmacılar bu nedenle SOP eğrisini yavaşça değişen bir “omurga” ile bir dizi küçük, keskin bileşene ayıran ikinci bir ayrıştırma yöntemi uygular. Omurga doğruluğun genel düşüşünü yakalarken, dalgalanan parçalar kısa vadeli iniş çıkışları tanımlar. Bu ayrım, ekibin farklı davranışlara farklı tahmin araçları uyarlamasına ve her şeyi tek bir modele zorlamamasına olanak sağlar.

Birlikte çalışan iki akıllı araç

Pürüzsüz omurga için yazarlar, özellikle desen tamamen doğrusal olmadığında CVT’nin zaman içindeki ince değişimlerini takip etmek üzere iki çan eğrisinin toplamından oluşan esnek bir eğri olan çift Gauss modelini kullanır. Titreşimli bileşenler içinse Kolmogorov–Arnold ağı (KAN) adı verilen daha yeni bir sinir ağı türü uygularlar. Standart derin öğrenme modellerinden farklı olarak KAN, yapı taşları olarak ayarlanabilir eğri parçalarını kullanır; bu sayede nispeten az örnekten karmaşık desenleri aşırı uyum yapmadan öğrenmeye yardımcı olur. Üç fazlı çevrimiçi test sistemi kullanılarak dikkatle tasarlanmış bozulma deneylerinde eğitilen birleşik yaklaşım, çift‑Gauss omurgayı ve KAN’ın tahmin ettiği dalgalanmaları toplayarak gelecekteki SOP değerlerini yeniden oluşturur.

Daha akıllı bir şebeke için anlamı

Kafa kafaya yapılan testlerde çift Gauss modeli ve KAN füzyonu, klasik sinir ağlarından ve diğer makine öğrenmesi tekniklerinden daha tutarlı şekilde CVT sağlığını daha doğru tahmin etti. Tahmin edilen ve gerçek SOP değerleri arasındaki hatalar küçüktü ve yöntem hem uzun vadeli doğruluk kaymasını hem de daha ince ölçekli dalgalanmaları yakaladı. Şebeke işletmecileri için bu, erken uyarı sağlayan bir göstergeye dönüşür: bir trafoyun kaydığı ortaya çıkana kadar planlı bir kesintiyi veya fatura anlaşmazlığını beklemek yerine, SOP eğilimlerini gerçek zamanlı izleyip bir cihaz belirgin biçimde düşüşe geçtiğinde bakımı planlayabilirler. Enerji sistemleri daha otomatik ve veri odaklı hale geldikçe, şebekenin kendi ölçüm cihazlarının bu tür akıllı izlenmesi, güvenilir, kendi farkında altyapı yolunda önemli bir adımdır.

Atıf: Du, B., Diao, Y., Zhou, F. et al. Trend prediction method for capacitive voltage transformer measurement deterioration based on double Gaussian model-KAN fusion. Sci Rep 16, 11785 (2026). https://doi.org/10.1038/s41598-026-35455-z

Anahtar kelimeler: kapasitif gerilim trafosu, durum izleme, öngörücü bakım, zaman serisi tahmini, enerji şebekesi ölçümü