Bu çalışma, üç fazlı elektrik dağıtım sistemindeki arızaları MATLAB/Simulink ortamında üretilen gerilim ve akım sinyallerinden otomatik olarak tanıyabilen ve ardından kesici kontrolünü tetikleyebilen bir derin öğrenme sistemi geliştirmektedir. Sistem; normal çalışma ile birlikte AG, BG, CG, AB, BC, CA, ABG, BCG, CAG, ABC ve ABCG olmak üzere toplam 12 çalışma/arızalanma durumunu ayırmaktadır. Altı temel üç fazlı gerilim-akım sinyali yalnız başına kullanılmak yerine faz farkları, simetrik bileşenler, RMS zarfları ve değişim hızı bilgileriyle zenginleştirilerek 30 özellik kanalına dönüştürülmektedir. Bu özellikler 64 örneklik, yani 1 kHz örnekleme hızında 64 ms'lik pencereler hâlinde çok ölçekli derin artık CNN'e verilmektedir.

Önerilen mimari üç farklı zaman ölçeğinde çalışan 1D evrişim kolları, Squeeze-and-Excitation kanal dikkati ve dilasyonlu artık blokları birleştirmektedir. Kaynakta 1.963 test penceresinin tamamının 12 sınıflı arıza türü sınıflandırmasında doğru tanındığı ve %100,00 test doğruluğu elde edildiği bildirilmektedir. Daha geniş altı fiziksel arıza kategorisinde ise 1.963 pencerenin üçü yanlış sınıflandırılmış ve doğruluk %99,85 olarak raporlanmıştır. Aynı veri üzerinde temel CNN %61,31, temel LSTM ise %56,70 doğruluk verirken önerilen ağ %100,00'a ulaşmıştır. Bununla birlikte bütün eğitim ve test verileri MATLAB/Simulink simülasyonlarından türetilmiştir; gerçek dağıtım şebekesi ölçümleriyle saha doğrulaması yapılmamıştır. Bu nedenle sonuçlar gerçek elektrik şebekelerinde aynı performansın elde edileceği biçiminde yorumlanmamalıdır.

Çalışmanın çözmeye çalıştığı problem nedir?

Geleneksel koruma röleleri kısa devre veya aşırı akım meydana geldiğinde kesicinin açılmasını sağlayabilir; ancak yalnız büyüklük eşiklerine dayanan koruma yaklaşımı her zaman hangi fazların arızaya katıldığını ayrıntılı biçimde sınıflandırmaz. Akıllı şebekelerde dağıtık güneş üretimi, batarya sistemleri, rüzgâr üretimi ve değişken yüklerin artması da işletme koşullarını daha dinamik hâle getirmektedir.

Çalışma bu soruna iki kademeli yaklaşmaktadır. İlk kademe, gerilim ve akım dalga biçimlerinden arıza türünü derin öğrenmeyle belirlemektedir. İkinci kademe ise sınıflandırıcının sonucunu kesici kontrol mantığına bağlayarak arızalı hattın otomatik izole edilmesini ve geçici arıza ortadan kalkarsa yeniden enerjilendirilmesini hedeflemektedir.

Çalışmanın başlığındaki “predictive” ifadesi dikkatli yorumlanmalıdır. Sunulan yöntem arızayı oluşmadan önce tahmin eden bir kestirim modeli değildir. CNN, arıza başladıktan sonra oluşan gerilim-akım örüntüsünü içeren 64 ms'lik pencereler üzerinden arızayı sınıflandırmaktadır. Dolayısıyla burada gerçekleştirilen temel işlem arıza sonrası hızlı tespit ve sınıflandırmadır.

MATLAB/Simulink dağıtım sistemi nasıl kurulmuş?

Simulink modeli elektrik enerjisinin dağıtım hattındaki fiziksel akış sırasına göre oluşturulan bir dizi temel bileşenden meydana gelmektedir. Kaynağın Şekil 1’inde bu yapı üç fazlı kaynak, transformatör, pi-kesit hat, programlanabilir üç fazlı arıza bloğu, RLC yük ve ölçüm noktalarıyla gösterilmektedir.

MATLAB betiği Simulink modelini otomatik olarak açmakta, ilgili arıza sınıfına ait Three-Phase Fault parametrelerini değiştirmekte, simülasyonu çalıştırmakta, altı gerilim-akım kanalını almaktadır. Değerler 120 V / 50 A tabanına normalize edilmekte, küçük miktarda rastgele gürültü eklenmekte ve sonuç CSV dosyasına kaydedilmektedir.

Hangi arızalar sınıflandırılıyor?

Çalışmada normal durumla birlikte toplam 12 sınıf vardır:

• No Fault: Arıza yok
• AG, BG, CG: Tek faz-toprak arızaları
• AB, BC, CA: Faz-faz arızaları
• ABG, BCG, CAG: İki faz-toprak arızaları
• ABC: Üç fazlı arıza
• ABCG: Üç faz-toprak arızası

Aynı sınıflar daha üst düzey fiziksel anlamda altı kategori altında da değerlendirilmiştir: No Fault, Single Line-to-Ground (SLG), Line-to-Line (LL), Double Line-to-Ground (DLG), Three-Phase ve Three-Phase-to-Ground.

Neden yalnız ham gerilim ve akım kullanılmamış?

Yazarlar, CNN'in elektrik mühendisliğinde zaten bilinen temel fiziksel ilişkileri sıfırdan öğrenmesini beklemek yerine güç sistemi teorisinden türetilen özellikleri doğrudan modele vermeyi tercih etmektedir. Başlangıçtaki altı Va, Vb, Vc, Ia, Ib ve Ic kanalı çeşitli dönüşümlerle toplam 30 giriş kanalına genişletilmektedir.

Fazlar arası farklar, örneğin Va−Vb veya Vb−Vc gibi büyüklüklerle faz asimetrisini görünür hâle getirmektedir. Faz-faz kısa devrelerinde bu kanalların davranışı arızaya katılan faz çiftine göre değişmektedir.

Simetrik bileşenler üç fazlı sistemi pozitif, negatif ve sıfır bileşenlere ayırmaktadır. Özellikle sıfır bileşen toprak bağlantılı arızalar, negatif bileşen ise dengesizlik hakkında fiziksel bilgi sağlamaktadır.

RMS zarfları 16 örneklik kayan pencereyle hesaplanmaktadır. Böylece temel AC salınımının yerine gerilim veya akım genliğinin zaman içerisindeki değişimi daha görünür hâle gelmektedir.

Gradyan kanalları ardışık örnekler arasındaki değişimi ölçerek arızanın başladığı ve temizlendiği andaki ani geçişleri vurgulamaktadır.

Kaynak burada terminolojik bir matematiksel tutarsızlık içermektedir. Metin “altı ham kanala beş ek altı-kanallı grup” ifadesini kullanmasına rağmen bunun toplamı 36 olur. Ayrıntılı açıklamada ise ham sinyallere ek olarak dört grup — faz farkı, simetrik bileşen, RMS ve gradyan — tanımlanmaktadır. Bu yapı 6 + 24 = 30 kanalla uyumludur.

64 ms'lik pencere neden önemli?

Ağın girişi 64 zaman örneği × 30 özellik kanalıdır. Örnekleme hızı 1 kHz olduğundan bir pencere 64 ms'lik sinyal kesitini temsil eder.

Bu kısa pencere, hızlı geçici olayları yakalamak için yeterince küçük tutulurken farklı ölçeklerde çalışan evrişim çekirdekleri sayesinde hem keskin arıza başlangıçları hem de daha yavaş RMS/genlik değişimleri birlikte analiz edilmektedir.

Çok ölçekli CNN nasıl kurulmuş?

Modelin ilk kısmında aynı giriş sinyali üç paralel 1D CNN koluna gönderilmektedir. Her kolda iki Conv1D katmanı ve bir skip connection bulunmakta, ancak kullanılan çekirdek genişliği farklılaşmaktadır.

Üç dalın sonuçları birleştirildiğinde 144 özellik kanalı oluşmaktadır.

Squeeze-and-Excitation dikkati ne yapıyor?

144 kanal doğrudan bir sonraki katmana gönderilmek yerine Squeeze-and-Excitation (SE) mekanizmasından geçirilir. Global average pooling ile her kanal tek değere indirgenir ve oluşan 144 elemanlı temsil:

144 → 36 → 144

şeklindeki küçük bir darboğaz ağından geçer. ReLU ve sigmoid etkinleştirmelerinden sonra her kanal için bir önem katsayısı elde edilir.

Böylece model her arıza penceresinde aynı özelliklere eşit ağırlık vermek zorunda değildir. Örneğin toprak bağlantılı bir olayda sıfır-sekansla ilişkili özelliklerin ağırlığının artırılması teorik olarak mümkün hâle gelir.

Dilasyonlu residual bloklar neden kullanılıyor?

SE katmanını üç residual blok izlemektedir. Bunların dilasyon oranları sırasıyla:

1 → 2 → 4

olarak verilmiştir. Her blok iki dilasyonlu Conv1D katmanı kullanır; katman başına 128 filtre, kernel boyutu 3, batch normalization, ReLU ve %10 dropout uygulanır.

İlk residual blokta 144 kanalı 128'e eşlemek için 1×1 projeksiyon bulunur. Dilasyon sayesinde parametre sayısını aynı oranda büyütmeden daha geniş zaman bağlamına erişilmektedir.

Sınıflandırma başlığı iki sonucu aynı anda üretiyor

Residual blokların ardından max pooling ve 64 filtreli ek Conv1D katmanı uygulanır. Global average pooling ile global max pooling paralel çalıştırılır ve sonuçları 128 boyutlu bir temsilde birleştirilir.

Bunu 256 ve 128 nöronlu iki dense katman izler. Dropout oranları sırasıyla %30 ve %20'dir. Ağın sonunda iki ayrı softmax çıkışı vardır:

• 12 nöron: Tam arıza türü
• 6 nöron: Arızanın fiziksel kategorisi

Toplam model boyutu kaynakta 528.182 parametre olarak verilmektedir.

“Öz-iyileşen” kontrol gerçekte nasıl işliyor?

Kaynağın denetleyicisi beş durumlu sonlu-durum mantığına dayanmaktadır. Normal işletmede her yeni 64 örneklik pencere CNN'e gönderilir. En yüksek tahmin bir arızaya işaret ediyor ve güven düzeyi %75'i aşıyorsa sistem Faulty durumuna geçer.

Arızalı besleyici belirlendikten sonra kesiciye açma komutu gönderilir. Çalışmada tipik kesici açma süresi 30–50 ms olarak kabul edilmektedir. Kesici açıldığında sistem Isolated durumundadır.

Daha sonra 5 saniyelik ölü süre uygulanır. Ardından Reclosing durumuna geçilerek kesici yeniden kapatılır. Yeni izleme penceresinde arıza görülmezse Normal durumuna dönülür.

Arıza yeniden görülürse açma-kapama işlemi en fazla üç kez tekrarlanır. Üç başarısız yeniden kapama girişiminden sonra sistem kilitlenir ve insan müdahalesi istenir.

Arıza izolasyon süresi nasıl hesaplanmış?

Bu süre arıza izolasyonu içindir. Yeniden kapama aynı 120–160 ms aralığında gerçekleşmez; ayrıntılı yöntem açık biçimde 5 saniyelik ölü süre tanımlamaktadır.

Türkiye açısından doğrudan ne söylenebilir?

Çalışmanın dağıtım modeli ve bütün veri üretimi simülasyon ortamında gerçekleştirilmiş, Hindistan’daki araştırma kurumu tarafından hazırlanmıştır. Türkiye'deki gerçek dağıtım şebekelerinden ölçülmüş arıza verisi kullanılmamıştır. Bu nedenle %100 sınıflandırma doğruluğu veya 120–160 ms izolasyon hesabı Türkiye şebekeleri için doğrudan performans göstergesi değildir.

Yöntem başka bir şebekeye uygulanacaksa ilgili gerilim seviyeleri, hat empedansları, topraklama sistemi, yük ve dağıtık üretim koşullarıyla yeni veri üretimi veya tercihen gerçek saha verileri üzerinde yeniden eğitim ve bağımsız doğrulama gerekir.

Çalışma ne söylüyor, ne söylemiyor?

Kaynağın desteklediği sonuçlar

• Simulink tabanlı üç fazlı dağıtım sistemi üzerinde 12 çalışma/arızalanma sınıfı üretilebilmiştir.
• Fizik tabanlı özelliklerle 30 kanallı CNN girişi oluşturulmuştur.
• Önerilen model 1.963 test penceresinin tamamında 12 sınıflı arıza türünü doğru sınıflandırmıştır.
• Altı sınıflı arıza doğası sınıflandırmasında %99,85 doğruluk raporlanmıştır.
• Temel CNN ve LSTM modelleri aynı deneyde önerilen mimarinin oldukça gerisinde kalmıştır.
• Modelin CPU üzerindeki çıkarım süresi kaynakta 15–25 ms olarak verilmiştir.
• Sınıflandırıcı bir sonlu-durum kesici kontrol mantığıyla birleştirilmiştir.

Kaynağın kanıtlamadığı sonuçlar

• Model gerçek dağıtım şebekesinden alınmış saha arızalarıyla doğrulanmamıştır.
• %100 test doğruluğu gerçek şebekede %100 doğruluk anlamına gelmez.
• Yöntem arızayı gerçekleşmeden önce tahmin ettiğini göstermemektedir.
• Yüksek empedanslı arızaların güvenilir biçimde tanındığı gösterilmemiştir.
• Model gerçek bir ARM, FPGA veya koruma rölesi üzerinde donanımsal saha testiyle doğrulanmamıştır.
• Kesicinin gerçek şebekede uçtan uca 120–160 ms içinde çalıştığını gösteren fiziksel deney sunulmamıştır; bu değer işlem bileşenlerinin kaynakta verilen sürelerinin toplamıdır.
• Yeniden kapama 200 ms içerisinde tamamlanmamaktadır; ayrıntılı kontrol algoritması yeniden kapamadan önce 5 saniye beklemektedir.

Çalışmanın Yöntemi ve Bulguları

Veri üretim düzeni

Ham örnek ve toplam pencere sayısında kaynak içi uyuşmazlık bulunduğundan bu iki değer tek bir kesin sayı olarak yukarıdaki tabloya konulmamıştır. Ayrıntı Kaynak ve Yöntem Notu’nda açıklanmaktadır.

Eğitim ayarları

Test sonuçları

Şekil 3’te verilen 12×12 karmaşıklık matrisi tamamen diyagonal görünmektedir. Kaynak bunu 1.963 test penceresinin tamamının doğru sınıflandırılması olarak açıklamaktadır:

Sayfa 6’daki Şekil 8 daha ayrıntılı incelendiğinde altı kategorili sınıflandırmadaki üç hatanın SLG sınıfından Three-Phase-G sınıfına gerçekleştiği görülmektedir. Matriste 458 SLG örneği doğru sınıflandırılmış, üç örnek yanlış kategoriye atanmıştır. Diğer gösterilen kategoriler matriste diyagonal üzerindedir.

Basit modellerle karşılaştırma

Kaynağın ablation karşılaştırmasında temel CNN %61,31, temel LSTM %56,70 test doğruluğu elde ederken önerilen model %100,00'a ulaşmıştır. Yazarlar bu farkı çok ölçekli kernel yapısı, SE kanal dikkati ve dilasyonlu residual blokların birlikte kullanılmasına bağlamaktadır.

Ancak bu karşılaştırma, bileşenlerin her birinin etkisini ayrı ayrı kaldıran tam faktöriyel bir ablation tablosu değildir. Kaynak iki basit baseline ile önerilen bütünleşik mimariyi karşılaştırmaktadır. Bu nedenle yalnız bu sonuçlardan SE bloğunun veya herhangi tek bir bileşenin tek başına ne kadar doğruluk kazandırdığı nicel olarak çıkarılamaz.

Eğitim davranışı

Kaynak, doğrulama doğruluğunun 22. epoch civarında %100 seviyesine ulaştığını ve eğitim/doğrulama kayıp eğrilerinin birbirine yakın ilerlediğini bildirmektedir. Tüm eğitim işleminin Core i7 CPU üzerinde yaklaşık 12,5 dakika sürdüğü belirtilmiştir.

Bu gözlem yazarlar tarafından ezberleme görülmediğine işaret olarak yorumlanmıştır. Bununla birlikte yalnız eğitim ve doğrulama eğrilerinin yakınlığı bağımsız gerçek-saha genellemesini kanıtlamaz.

Test kümesinin bağımsızlığı konusunda önemli metodolojik sınır

Kaynak, 64 örneklik pencerelerin 8 örnek stride ile oluşturulduğunu ve daha sonra eğitim, doğrulama ve test bölünmesi yapıldığını belirtmektedir; ancak bölmenin CSV dosyası veya bağımsız Simulink koşusu bazında gruplanıp gruplanmadığını açıklamamaktadır.

64 örneklik pencerelerin yalnız 8 örnek kaydırılması nedeniyle ardışık pencereler büyük ölçüde örtüşmektedir. Eğer aynı simülasyon kaydından gelen örtüşen pencereler farklı veri bölümlerine dağıtıldıysa bunlar birbirinden tamamen bağımsız gözlemler olmayabilir. Metin bu ihtimali doğrulayacak veya dışlayacak yeterli ayrıntı vermediğinden, %100 test başarısının özellikle bağımsız feeder/saha genellemesi açısından dikkatli yorumlanması gerekir.

Benzer biçimde, 10 saniyelik arıza kayıtlarında arıza yalnız 3–7 saniye arasında uygulanmaktadır. Kaynak, arıza başlamadan önceki ve temizlendikten sonraki normal bölümlerin pencere etiketlemesinde nasıl ele alındığını ayrıntılı olarak açıklamamaktadır. Bu nedenle bu bölgelerin sınıflandırma veri setindeki etiket mantığı kaynak üzerinden kesin biçimde doğrulanamamaktadır.

Gerçek dünyaya geçişte yazarların belirttiği sonraki adımlar

Çalışmanın sonuç bölümünde gerçek feeder ölçümleriyle doğrulama açık biçimde gelecekteki çalışma olarak belirtilmektedir. Ayrıca yüksek empedanslı arızalar, PMU veri akışları, FPGA tabanlı düşük gecikmeli uygulama, şebekeler arası transfer learning ve yüksek güneş/rüzgâr penetrasyonunda değişen arka plan akımlarının etkisi gelecekte incelenmesi gereken konular arasında sayılmaktadır.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Deep Learning Based Predictive Fault Detection and Self-Healing Control Strategy for Smart Power Grids Using MATLAB Simulation

Yazarlar ve özgün sıralama: Khaire Ashwini; Mali Saurabh; Jadhav Siddharth; Malgavi Rohit; Pawar Harish.

Kurum: Department of Electrical Engineering, K. K. Wagh Institute of Engineering, Education and Research, Nashik, Maharashtra, India.

Sorumlu yazar: PDF’de ayrı bir “corresponding author” işareti veya beyanı bulunmamaktadır.

Eş birinci/eş katkı: Yüklenen sürümde eş katkı beyanı bulunmamaktadır.

Kaynak türü: MATLAB/Simulink tabanlı elektrik dağıtım sistemi simülasyonu ve derin öğrenme arıza sınıflandırma çalışması.

Yayın durumu: Yüklenen çalışma hakem değerlendirmesinden geçmemiş bir SSRN preprintidir. Bulgular bu yayın aşaması dikkate alınarak değerlendirilmelidir.

Platform: SSRN.

SSRN kayıt numarası: 7101863.

DOI: 10.2139/ssrn.7101863.

SSRN yayımlanma tarihi: 11 Temmuz 2026.

Hakemli sürüm: Bibliyografik doğrulamada aynı çalışmaya ait doğrulanmış ayrı bir hakemli dergi sürümü tespit edilmemiştir.

Yöntem: MATLAB/Simulink ve Simscape Electrical tabanlı sentetik üç fazlı dağıtım sistemi arıza verisi; fizik tabanlı özellik mühendisliği; Multi-Scale Deep Residual 1D CNN; Squeeze-and-Excitation kanal dikkati; dilasyonlu residual katmanlar; çift softmax sınıflandırma ve sonlu-durum öz-iyileşen kesici kontrol mantığı.

Verinin niteliği: Eğitim ve test sinyalleri gerçek dağıtım feeder ölçümleri değil, MATLAB/Simulink simülasyonundan oluşturulmuş sentetik verilerdir.

Kaynak içi tutarsızlık 1 — ham örnek sayısı: MATLAB/Simulink modeli bölümünde 60 CSV’nin toplam 108.255 zaman alanı örneği içerdiği yazılırken Sonuçlar bölümünde aynı veri için 108.316 ham örnek bildirilmektedir. Kaynak bu 61 örneklik farkı açıklamamaktadır.

Kaynak içi tutarsızlık 2 — pencere sayısı: Eğitim ayrıntıları bölümünde 13.084 pencere yazılırken Sonuçlar bölümünde 13.004 pencere belirtilmektedir. Ayrıca verilen 9.119 eğitim + 2.022 doğrulama + 1.963 test sayılarının toplamı 13.104'tür. Böylece kaynakta toplam pencere sayısı için üç farklı sayı bulunmaktadır. Bunlar sessizce tek bir değere dönüştürülmemiştir.

Kaynak içi tutarsızlık 3 — 30 özellik kanalı: Metin altı ham kanaldan “beş ek altı-kanallı grup” üretildiğini ve sonucun 30 kanal olduğunu söylemektedir; bu ifade matematiksel olarak 36 kanal verir. Ancak ayrıntılı yöntem yalnız dört ek grup — faz farkları, simetrik bileşenler, RMS zarfları ve gradyanlar — tanımlamaktadır. Altı ham kanal ile dört adet altı-kanallı grubun toplamı 30'dur. Makalede mimarinin açıkça kullandığı giriş şekli 64×30 olarak verildiğinden kaynak içindeki sözel hata ayrıca belirtilmiştir.

Kaynak içi tutarsızlık 4 — 200 ms ve yeniden kapama: Özet, kesicinin açılması, arkın sönmesinin beklenmesi ve otomatik yeniden kapamanın 200 ms içerisinde gerçekleştiği izlenimini vermektedir. Ayrıntılı kontrol bölümünde ise 120–160 ms yalnız arıza başlangıcından izolasyona kadar geçen süre olarak hesaplanmakta ve yeniden kapamadan önce açıkça 5 saniyelik ölü süre uygulanmaktadır. Bu nedenle “200 ms” değeri yeniden kapama süresi olarak kullanılmamıştır.

Kaynak içi sonuç ayrıntısı: Şekil 8’de altı kategorili arıza doğası karmaşıklık matrisinde 1.963 test penceresinin üçü SLG’den Three-Phase-G kategorisine yanlış atanmıştır. Bu, kaynakta bildirilen yaklaşık %99,85 doğrulukla uyumludur. Buna karşılık 12 arıza türü için Şekil 3’teki matris tüm 1.963 örneğin diyagonal üzerinde olduğunu göstermektedir.

Bağımsız test sınırı: Kaynak, 64 örneklik ve 8 stride'lı örtüşen pencerelerin eğitim/doğrulama/test bölünmesinin dosya veya bağımsız simülasyon koşusu bazında gruplanıp gruplanmadığını belirtmemektedir. Bu nedenle aynı temel zaman serisine ait yüksek ölçüde benzer pencerelerin farklı bölümlere düşüp düşmediği kaynak üzerinden doğrulanamamaktadır.

Etiketleme sınırı: Arıza simülasyonlarında 10 saniyelik kayıt içinde arıza 3–7 saniye arasında aktiftir. Kaynak, bu kayıtların arıza öncesi ve sonrası bölümlerinden üretilen pencerelerin etiketleme politikasını ayrıntılı olarak açıklamamaktadır.

Saha doğrulaması: Yazarlar gerçek feeder ölçümleriyle doğrulamayı gelecekteki çalışma olarak tanımlamaktadır. Bu nedenle mevcut sonuçlar MATLAB/Simulink ortamındaki sentetik veri performansını göstermektedir.

Bilimsel içerik sınırı: Bu Verianla makalesindeki ağ mimarisi, veri üretimi, eğitim parametreleri, sonuçlar ve kontrol mantığı yalnız yüklenen çalışmadan alınmıştır. Dış kaynak yalnız başlık, yazar listesi, SSRN kayıt tarihi, DOI ve yayın durumunun bibliyografik doğrulaması amacıyla kullanılmıştır.