Dağıtım şebekelerinde sıfır yanlış pozitif adacık (islanding) algılama için bir topluluk melez ve açıklanabilir Yapay Zeka (XAI) çerçevesi

Neden elektriğin güvenliğini korumak gerçekten önemli

Çatılara daha fazla güneş paneli, küçük rüzgâr türbinleri ve diğer yerel enerji kaynakları eklendikçe elektrik şebekemiz daha temiz hâle geliyor ama aynı zamanda daha karmaşıklaşıyor. Bu yeni ortamda en ciddi tehlikelerden biri “adacıklaşma” (islanding) —bir bölge ana şebekeden ayrıldıktan sonra yerel olarak üretmeye devam ettiğinde oluşan durumdur. Bu makale, adacıklaşmayı hızlı ve güvenilir biçimde tespit etmeyi; aynı zamanda müşterileri rahatsız eden ve şebekeye yük bindiren gereksiz kesintilerden kaçınmayı amaçlayan akıllı, iki aşamalı bir yapay zeka sistemini tanıtıyor.

Bir mahallenin kendi başına ada hâline gelmesi

Ana enerji hattının bakım veya bir arıza nedeniyle kesildiğini düşünün, ancak çatı güneş panelleri yerel hatlara elektrik göndermeye devam ediyor. İşçiler hattın ölü olduğunu zannederken gerçekte hat canlı olabilir ve şebeke yeniden eşzamanlı bağlandığında ekipman zarar görebilir. Bu güvenlik riskleri nedeniyle uluslararası kurallar, yerel jeneratörlerin adacıklaşmış bölgeyi iki saniye içinde enerjilendirmeyi durdurmasını şart koşar. Geleneksel koruma cihazları gerilim veya frekanstaki değişimleri izler ya da şebekeyi kasıtlı olarak rahatsız ederek tepkisini ölçer; ancak bu yöntemler bazı adacıklaşma vakalarını kaçırır veya motor çalıştırma ya da kondansatör anahtarlama gibi zararsız olaylar sırasında gereğinden fazla tetiklenir. Dağıtım şirketleri tehlikeli adaları kaçırmak ile gereksiz kesintilere yol açmak arasında zor bir denge kurmak zorunda kalır.

Daha akıllı öğrenme araçlarına neden ihtiyaç var

Araştırmacılar, veriden doğrudan örüntüleri öğrenerek adacıklaşmayı diğer arızalardan ayırmak için makine öğrenimine yöneldi. Önceki çalışmalar, adacıklaşma olup olmadığını basit evet/hayır şeklinde yanıtlayan tek modeller (ör. sinir ağları veya karar ağaçları) kullandı. Sorun şu ki, “hayır” kategorisi arızalar, anahtarlama işlemleri, normal şebeke davranışı gibi ölçümlerde benzer görünen çok çeşitli durumları kapsar. Tek bir modeli daha hassas yapmaya çalışmak adacıklaşmayı kaçırma olasılığını düşürür, ancak genellikle yanlış alarm sayısını artırır. Aynı şekilde, gereksiz tetiklemeleri önlemek için ayarlandığında gerçek bir adacığı gözden kaçırma olasılığı yükselir. Ayrıca bu modellerin birçoğu yorumlanması zor olduğundan, şebeke mühendisleri kritik koruma görevlerinde onlara güvenme konusunda tereddüt yaşar.

Şebeke için iki aşamalı bir bekçi

Yazarlar farklı bir strateji öneriyor: koruma görevini birlikte çalışan iki ayrı aşamaya bölmek. Birinci aşamada, yalnızca normal şebeke davranışı üzerinde eğitilmiş bir “Isolation Forest” algoritması her zaman açık bir bekçi gibi davranır. Görevi çok basittir—gelen ölçümler sıradışı göründüğünde bayrak kaldırmak. Bu aşama son derece hassas olacak şekilde ayarlanır, böylece adacıklaşmanın ince belirtileri de dahil neredeyse her sapma erken yakalanır. Böyle bir anormallik algılanmadıkça ikinci aşama devreye girmez. İkinci aşamada güçlü bir “XGBoost” modeli daha ince bir inceleme yapar; yalnızca olayın adacıklaşma olup olmadığına karar vermekle kalmaz, aynı zamanda olayı adacıklaşma, arıza, kondansatör anahtarlama, motor çalıştırma ve rutin yük değişimleri gibi birkaç kategoriye sınıflandırır. Modelin bu farklı imzaları ayrı ayrı öğrenmesi sayesinde sistem, dikkatini gevşetmeden yanlış tripleri önlemede çok daha başarılı olur.

Siyah kutunun içini açıklamalarla görmek

Bu otomatik karar vericisine güven sağlamak için çerçeve aynı zamanda SHAP adlı bir açıklama aracını kullanır. Her olay için SHAP, frekanstaki değişimin hızı, gücün ne kadar hızlı kaydığı veya gerilimin ne kadar bozulduğu gibi farklı özelliklerin kararı adacıklaşmaya doğru mı yoksa ondan uzaklaştırmaya mı ittiğini hesaplar. Gerçek zamanlı olarak sistem, operatörlerin bir kesicinin neden açılması veya kapalı tutulması emri verildiğini görebilmeleri için en önemli birkaç katkıyı kaydeder. Test ve ayarlama sırasında daha ayrıntılı SHAP grafikleri, örneğin bir kondansatör anahtarlama olayının adacıklaşmayı taklit ettiği durumlarda modelin nerede karıştığını tespit etmeye yardımcı olur. Bu bulgular, sistemin tasarımında uyarlanabilir bir güven eşiğinin belirlenmesine yol gösterdi: örüntüler belirsiz göründüğünde kesme için daha güçlü kanıt talep edilir, kanıt açık ve tutarlı olduğunda eşik biraz gevşetilebilir.

Yeni sistemin performansı nasıl

Takım, yaklaşımını yüzlerce adacıklaşma ve adacıklaşma olmayan olayı içeren herkese açık bir simüle edilmiş mikro şebeke veri seti üzerinde test etti. Gerilim ve akım verilerinin kısa pencerelerinden yedi fiziksel olarak anlamlı özellik çıkardıktan sonra her iki aşamayı eğitip ayarladılar ve önceden görülmemiş olgular üzerinde performansı değerlendirdiler. Basamaklı sistem, testte adacıklaşma olaylarının yüzde 96’sını tespit etti; yani testte çok az ada gözden kaçtı ve yanlış alarm oranını yaklaşık yüzde 2,7’de tuttu. Toplam doğruluk yüzde 96,8’e ulaştı ve yöntem tek model makine öğrenimi temelleri ile geleneksel eşik tabanlı melez şemayı geride bıraktı. Gerçekçi ölçüm gürültüsü eklendiğinde bile performans çöküş yerine kademeli olarak azaldı ve işlem süresi şebeke standartlarının gereken süresinin oldukça altında, on milisaniyenin altındaydı.

Günlük güvenilirlik için bunun anlamı

Uzman olmayanlar için temel mesaj şudur: makale, yenilenebilir enerji açısından zengin modern bir şebekenin korunmasında “her iki dünyanın en iyisini” elde etmenin pratik bir yolunu sunuyor. Önce “bir şey tuhaf mı oluyor?” diye sorup sonra “tam olarak ne oluyor?” diye sormak suretiyle sistem, her tehlikeli adacığı yakalama ile gereksiz kesintilerden kaçınma arasındaki geleneksel ödünleşmeyi bertaraf eder. Ek açıklama katmanı mühendislerin her trip komutunun arkasındaki mantığı görmesini sağlar ve siyah kutu bir algoritmayı inceleyip geliştirebilecekleri bir araca dönüştürür. Çalışma simüle verilere dayansa ve gerçek dünyadaki ölçümlerde doğrulanması gerekecek olsa da, çatı güneşi, küçük rüzgâr çiftlikleri ve diğer dağıtık jeneratörlerin günlük enerji sistemlerimize daha güvenli, daha güvenilir entegrasyonuna işaret ediyor.

Atıf: Shahade, S.K., Jawadekar, A.U. & Shahade, A.K. An ensemble hybrid and explainable AI (XAI) framework for zero false-positive islanding detection in distribution networks. Sci Rep 16, 13460 (2026). https://doi.org/10.1038/s41598-026-43913-x

Anahtar kelimeler: islanding algılama, dağıtık üretim, makine öğrenimi, enerji sistemi koruması, açıklanabilir yapay zeka