Araştırma, kontrollü bir nokta–düzlem yüksek gerilim deney düzeneğinde hava, transformatör mineral yağı ve emprenye kâğıt ortamlarında oluşturulan kısmi deşarjlardan akım, gerilim ve piezoelektrik akustik sinyaller toplamış ve bu sinyallerden çıkarılan özelliklerle Random Forest (RF) ile Gradient Boosting (GB) sınıflandırıcılarını karşılaştırmıştır. Çalışmadaki en yüksek genel doğruluk akustik sensör veri setinde RF ile %96,51 olarak elde edilmiştir; aynı veri setinde GB %95,87 doğruluk vermiştir. Akım veri setinde RF %94,60, gerilim veri setinde ise %91,43 doğruluğa ulaşmıştır. Bununla birlikte deneyler kontrollü laboratuvar koşullarında ve yalnız üç yalıtım ortamında yapılmıştır; gerçek işletmedeki transformatörler üzerinde saha doğrulaması sunulmamaktadır.

Çalışmanın sonuçları sensör türünün sınıflandırma başarısını belirgin biçimde etkilediğini göstermektedir. RF modeli üç veri setinin tamamında GB'den daha yüksek genel doğruluk vermiştir. En belirgin performans akustik veride görülürken gerilim sensörü verisindeki iki model arasındaki fark daha küçüktür. Akustik veri için RF'nin precision, recall, F1-score, specificity ve accuracy değerleri sırasıyla %96,51, %96,56, %96,48, %98,27 ve %96,51 olarak raporlanmıştır.

Bu sonuç “akustik sensör tek başına bütün kısmi deşarj tanı problemlerini çözer” anlamına gelmemektedir. Araştırma, belirli elektrot geometrisi ve kontrollü yalıtım ortamlarında üretilen veriyle yapılmıştır. Ayrıca makale çoklu sensör yaklaşımını vurgulasa da yayımlanan performans tablosunda akım, gerilim ve akustik sensörler ayrı veri setleri halinde değerlendirilmiştir; üç sensörden alınan özelliklerin tek bir birleşik füzyon modeliyle elde edilmiş ayrı bir performans sonucu verilmemiştir.

Türkiye açısından yöntem, güç transformatörlerinin durum izleme sistemlerinde elektriksel ve akustik ölçümlerin makine öğrenmesiyle birlikte değerlendirilmesine yönelik uygulanabilir bir araştırma çerçevesi sunmaktadır. Ancak çalışmadaki %96,51 doğruluk doğrudan Türkiye'deki saha transformatörleri için beklenen başarı oranı olarak kullanılamaz. Gerçek uygulamada sensör yerleşimi, elektromanyetik ve mekanik gürültü, transformatör tasarımı, yağ ve kâğıt yaşlanması, deşarj geometrisi ve işletme koşulları altında yeniden eğitim ve bağımsız saha doğrulaması gerekir.

Kısmi deşarj neden izleniyor?

Çalışma, güç transformatörlerinin güvenilirliğinin yalıtım sisteminin durumuyla yakından ilişkili olduğu fikrinden hareket etmektedir. Yazarlar kısmi deşarjı, yalıtım malzemesinde oluşan yerel dielektrik bozulma olarak tanımlamakta ve bu olayların zamanında tespit edilmemesi halinde daha ağır yalıtım arızalarına ilerleyebileceğini belirtmektedir.

Transformatörlerde mineral yağ ile selülozik elektrik yalıtım kâğıdı birlikte kullanılabildiğinden, aynı tür elektriksel olay farklı dielektrik ortamlarda farklı akım, gerilim ve akustik özellikler gösterebilir. Araştırmanın temel sorusu bu farklılıkların makine öğrenmesi tarafından hava, mineral yağ ve kâğıt olarak ayırt edilip edilemeyeceğidir.

Deney düzeneği nasıl oluşturuldu?

Deney sistemi ayarlanabilir 220 V, 50 Hz AC kaynak, koruma devresi, kaynakta oranı 600 olarak verilen bir yüksek gerilim transformatörü, akım sınırlama direnci, gerilim bölücü, ölçüm direnci, osiloskop, bilgisayar ve piezoelektrik akustik sensörden oluşmaktadır.

Test hücresi Plexiglas ve Bakelite kullanılarak 11,4 × 6,9 × 11,6 cm³ boyutlarında hazırlanmıştır. Hücre içinde nokta–düzlem elektrot sistemi bulunur. Nokta elektrodunun eğrilik yarıçapı 50 µm, düzlem elektrodunun çapı 2,5 cm ve elektrot aralığı 2,5 mm'dir.

Ölçüm direnci 50 Ω olarak verilmiştir. Osiloskop girişini korumak amacıyla bu dirence ters paralel diyotlar bağlanmıştır. Sistem elektromanyetik girişimi azaltmak için Faraday kafesi içine alınmış ve kaynakta topraklama direnci 0,92 Ω olarak raporlanmıştır.

Piezoelektrik sensör test hücresinin dışında, deşarj noktasının yüksekliğiyle eşleşecek şekilde konumlandırılmıştır. Böylece aynı olay sırasında akım, gerilim ve akustik kanallar osiloskop üzerinden eş zamanlı kaydedilmiştir.

Kaynakta zaman çözünürlüğü konusunda ne belirtiliyor?

Çalışma, kayıtların “0,5 µs time shifting” ile gerçekleştirildiğini ve kaçak akım ya da gerilim düşümünün başladığı anın \(t=0\) olarak kabul edildiğini belirtmektedir. Bunun tam olarak örnekleme aralığı, ekran zaman kayması veya başka bir kayıt parametresi olup olmadığı açıklanmamaktadır. Ayrıca osiloskop örnekleme hızı ve bant genişliği ayrı olarak verilmemiştir.

Bu ayrıntı önemlidir; çünkü çalışma hava ortamındaki ilk akım tepesini yaklaşık 20 ns ölçeğinde yorumlamaktadır. Kaynak, “0,5 µs time shifting” ifadesi ile bu 20 ns çözünürlüğün teknik ilişkisini açıklamamaktadır. Bu nedenle burada söz konusu değer sessizce bir örnekleme periyodu olarak yorumlanmamıştır.

Üç yalıtım ortamında hangi sinyaller gözlendi?

Şekil 3–5, hava, mineral yağ ve emprenye kâğıtta kaydedilen akım, gerilim ve akustik sinyallerin farklı genlikler ve sönümlü salınım profilleri gösterdiğini ortaya koymaktadır.

Bu sayılar ilgili şekillerde işaretlenen tepe değerleridir. Farklı deney gerilimleri ve dielektrik ortamlar söz konusu olduğundan, yalnız maksimum genliklere bakarak ortamların genel dielektrik dayanım sıralaması çıkarılmamalıdır.

Havadaki deşarj için hız nasıl hesaplandı?

Çalışmada hava ortamındaki ilk güçlü akım tepesinin yaklaşık 20 ns sürdüğü kabul edilmekte ve deşarjın bu anda 2,5 mm'lik elektrot aralığını geçtiği varsayılmaktadır. Kaynakta kullanılan ilişki:

\[ v=\frac{d}{t} \]

şeklindedir. \(d\) elektrotlar arasındaki mesafeyi, \(t\) ise deşarjın bu mesafeyi kat ettiği varsayılan süreyi göstermektedir.

Kaynağın sayısal hesabı:

\[ v= \frac{2.5\times10^{-3}} {20\times10^{-9}} = 12.5\times10^{4}\ \mathrm{m/s} = 125\ \mathrm{km/s} \]

olarak verilmiştir. Bu değer doğrudan optik olarak ölçülmüş bir deşarj ilerleme hızı değil; sinyal tepe zamanının 2,5 mm'lik boşluğun köprülenme süresini temsil ettiği varsayımına dayanan hesaplamadır.

Sinyal neden sönümlü salınım şeklinde modelleniyor?

Araştırmacılar akım sinyalinin güçlü ilk tepenin ardından sönümlü sinüzoidal yapıya dönüştüğünü belirterek şu ampirik ifadeyi kullanmaktadır:

\[ v=r+b\sin(c\,t+d)\exp(f\,t) \]

Kaynağın açıklamasına göre \(f\) sönümlemeyi kontrol eder; \(r\) ve \(b\) genliği, \(c\) ve \(d\) ise salınımın frekans/faz özelliklerini etkiler. Çalışmada bu denklemin katsayıları üç ortam için ayrı ayrı sayısal olarak raporlanmamıştır; dolayısıyla model burada deneysel bir sinyal biçimi açıklaması olarak kullanılmaktadır.

Veri seti nasıl bölündü?

Şekil 2 eğitim için %70, test için %30 ayrımını göstermektedir. Tablo I ise her sensör ve yalıtım ortamı için gerçek örnek sayılarını vermektedir.

Buna göre akım sensörü veri seti 736 eğitim ve 315 test örneği; gerilim ve akustik veri setlerinin her biri 735 eğitim ve 315 test örneği içermektedir.

Kaynak, bağımsız doğrulama seti, çapraz doğrulama, rastgele tohum, veri bölme algoritması veya aynı fiziksel deşarj olayına ait ilişkili örneklerin eğitim ve test grupları arasında nasıl ayrıldığını açıklamamaktadır. Bu eksikler, raporlanan doğruluğun farklı veri bölmelerinde ne ölçüde değişeceğinin değerlendirilmesini sınırlar.

Özellik çıkarımı nasıl yapıldı?

Yöntem şemasında sinyaller önce gürültü giderme işlemine alınmakta, ardından zaman ve frekans alanındaki özellikler çıkarılmakta ve sınıflandırıcıya aktarılmaktadır. Bununla birlikte kaynak, kullanılan denoising algoritmasının adını ve parametrelerini veya çıkarılan özelliklerin tam listesini vermemektedir.

Burada bir kaynak içi anlatım farkı da bulunmaktadır: özet bölümü yalnız time-domain feature extraction ifadesini kullanırken yöntem bölümü açık biçimde hem time-domain hem frequency-domain özelliklerden söz etmektedir. Makalenin yöntem kısmı daha ayrıntılı olduğu için iki alanın da kullanıldığı aktarılmış; fakat bu farklılık bibliyografik/metodolojik not olarak korunmuştur.

Random Forest nasıl karar veriyor?

Random Forest, rastgele veri ve özellik alt kümelerinde birden fazla karar ağacı eğiterek bunların çoğunluk oyunu kullanmaktadır. Kaynakta nihai sınıf:

\[ \hat{y}=\operatorname{mode}\{h_t(x)\}_{t=1}^{T} \]

ile gösterilmektedir. \(h_t(x)\), \(t\). karar ağacının \(x\) örneği için verdiği tahmin; \(T\) ise ağaç sayısıdır.

Ancak çalışmada kullanılan gerçek ağaç sayısı, maksimum derinlik, özellik seçme stratejisi veya diğer RF hiperparametreleri raporlanmamaktadır.

Gradient Boosting nasıl kullanıldı?

Gradient Boosting'de ağaçlar paralel ve bağımsız biçimde değil, önceki modelin hatalarını azaltacak şekilde ardışık olarak oluşturulur. Çalışmada nihai sınıf:

\[ \hat{y}=\operatorname{sign}(F_M(x)) \]

şeklinde ifade edilmiştir. \(F_M(x)\), \(M\) boosting iterasyonu sonunda elde edilen ensemble fonksiyonudur. Ancak öğrenme oranı, ağaç derinliği, boosting iterasyon sayısı ve kayıp fonksiyonunun gerçek deney ayarları kaynakta ayrıntılı verilmemektedir.

Başarı hangi ölçütlerle değerlendirildi?

Çalışma accuracy, precision, recall, F1-score ve specificity kullanmaktadır:

\[ Accuracy=\frac{TP+TN}{N} \]

\[ Precision=\frac{TP}{TP+FP} \]

\[ Recall=\frac{TP}{TP+FN} \]

\[ F1=2\times\frac{Precision\times Recall}{Precision+Recall} \]

\[ Specificity=\frac{TN}{TN+FP} \]

Burada \(TP\) doğru pozitif, \(TN\) doğru negatif, \(FP\) yanlış pozitif ve \(FN\) yanlış negatif örnek sayılarını temsil etmektedir. Üç sınıflı problemde bu metriklerin sınıflar arasında hangi makro/mikro ağırlıklandırmayla birleştirildiği kaynakta ayrıca açıklanmamıştır.

Çalışmanın desteklediği ve desteklemediği sonuçlar

Çalışmanın Yöntemi ve Bulguları

RF ve GB'nin genel performansı

Tablo II'deki genel sonuçlar RF'nin her üç sensör veri setinde de GB'den daha yüksek doğruluk verdiğini göstermektedir. RF–GB accuracy farkı akım verisinde 3,49 yüzde puanı, gerilim verisinde 0,95 yüzde puanı ve akustik veride 0,64 yüzde puanı düzeyindedir.

Neden akustik veri öne çıkıyor?

Çalışmanın kendi test düzeninde akustik veri, iki ensemble model için de en yüksek genel doğrulukları vermiştir. RF'de akustik accuracy %96,51 iken akımda %94,60 ve gerilimde %91,43'tür. GB'de aynı sıralama %95,87, %91,11 ve %90,48'dir.

Akustik sensör, test hücresinin dışında deşarj bölgesi yüksekliğinde konumlandırılmış piezoelektrik algılayıcıdır. Şekil 3–5'te üç ortamın akustik sinyallerinin tepe genliği ve sönüm davranışlarında görünür farklılıklar vardır. Çalışma bu farklılıkların sınıflandırma için yararlı olduğunu savunmaktadır.

Karışıklık matrislerinde neden dikkatli olmak gerekiyor?

Şekil 7–9, hava, mineral yağ ve kâğıt sınıfları için normalize edilmiş karışıklık matrisleri sunmaktadır. Matrisler genel olarak yüksek doğru sınıflandırma oranları gösterse de, şekillerin çevresindeki bazı sınıf bazlı yüzdeler ile açıklama metninde verilen yüzdeler bire bir eşleşmemektedir.

Örneğin akım veri seti için metin RF'nin kâğıtta %94,2 sınıflandırma doğruluğu verdiğini söylerken Şekil 8'in ana matrisindeki ilgili diyagonal hücre farklı bir değer göstermektedir. Akustik veri için metinde verilen sınıf recall değerleri de Şekil 9'daki diyagonal değerlerle tam örtüşmemektedir. Bu nedenle bu Verianla açıklaması sınıf bazlı tartışmada kesin yüzdeleri yeniden üretmek yerine, açık ve tutarlı biçimde tablolaştırılmış Tablo II genel metriklerini temel almaktadır.

Literatür karşılaştırması nasıl yorumlanmalı?

Bu tablo RF yönteminin bazı karşılaştırma çalışmalarından daha yüksek doğruluk verdiğini gösterirken bütün satırlardan daha yüksek olmadığını da açıkça ortaya koymaktadır: kaynakta aktarılan CNN sonucu %98 ve bilayered neural network sonucu %96,97'dir.

Daha önemlisi, bu çalışmalar aynı veri seti, sensör, sınıflandırma hedefi veya deney protokolünü kullanmamaktadır. Dolayısıyla Tablo III kontrollü bir head-to-head benchmark değildir. Farklı yayınlardan alınmış doğrulukların bağlamsal karşılaştırmasıdır ve küçük yüzde farklarından kesin algoritma üstünlüğü çıkarılmamalıdır.

Modelin gerçek saha uygulamasına geçişindeki eksikler

Çalışma gelecekte veri setinin genişletilmesini ve gerçek zamanlı izleme uygulamalarının geliştirilmesini önermektedir. Mevcut deneyde gerçek işletmedeki transformatörlerden sürekli çevrimiçi veri kullanılmamıştır.

Ayrıca RF ve GB'nin hiperparametreleri, özellik listesinin tamamı, gürültü giderme algoritmasının ayrıntıları, rastgele veri bölme yöntemi, çapraz doğrulama, güven aralığı veya farklı rastgele başlangıçlar altında performans değişkenliği raporlanmamaktadır. Bu ayrıntılar modelin bağımsız olarak yeniden üretilmesi ve genellenebilirliğinin değerlendirilmesi açısından önemli sınırlardır.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Experimental Evaluation of Ensemble Learning Models for Partial Discharges Detection in Transformer Insulation Mediums

Başlık notu: Özgün başlıkta “Partial Discharges Detection” ifadesi bu biçimde kullanılmıştır. Bibliyografik sadakat nedeniyle başlık sessizce dilbilgisel olarak değiştirilmemiştir.

Yazarlar: Ryad Haridi, Hocine Moulai, Hakim Azizi, Abdelmoumene Hechifa, Said Djaballah ve Kaissa Hamouimeche.

Yazar sırası: Kaynak sürümündeki sıra aynen korunmuştur.

Eş birinci yazar/eş katkı: Kaynakta eş katkı beyanı bulunmamaktadır.

Sorumlu yazar: Hocine Moulai; kaynakta iletişim adresi hmoulai@usthb.dz olarak verilmiştir.

Kurumlar: LCDEP Laboratory, Faculty of Electrical Engineering, Algiers; Ziane Achour University, Djelfa; UDERZA Unit, University of El Oued ve LGMM Laboratory, University of 20 August 1955-Skikda; Hassiba Benbouali University, Chlef; Electrical Engineering Faculty, Mouloud Mammeri University, Tizi-Ouzou, Algeria.

DOI: 10.2139/ssrn.6932264

Platform: SSRN.

Resmî kayıt:https://ssrn.com/abstract=6932264

SSRN kayıt tarihi: 13 Haziran 2026.

Kaynak türü ve hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu yayın aşaması dikkate alınarak değerlendirilmelidir.

Nihai hakemli dergi/yayınevi: İncelenen kaynakta belirtilmemektedir.

Lisans: Açık yeniden kullanım lisansı kaynakta belirtilmemektedir.

Finansman: İncelenen sürümde ayrı finansman beyanı bulunmamaktadır.

Çıkar çatışması: İncelenen sürümde ayrı competing-interest beyanı bulunmamaktadır.

Veri erişilebilirliği: İncelenen sürümde ayrı data-availability beyanı bulunmamaktadır.

CRediT/yazar katkıları: İncelenen sürümde ayrı CRediT katkı bildirimi bulunmamaktadır.

Deney geometrisi: Nokta–düzlem elektrot sistemi; nokta elektrodu eğrilik yarıçapı 50 µm, düzlem elektrodu çapı 2,5 cm ve elektrot aralığı 2,5 mm. Test hücresi 11,4 × 6,9 × 11,6 cm³ olarak raporlanmıştır.

Yalıtım ortamları: Hava, transformatör mineral yağı ve emprenye kâğıt. Kâğıt bölümü kaynakta “paper 0.1 mm of width” şeklinde tanımlanmıştır; 0,1 mm değerinin geometrik olarak kalınlık mı yoksa başka bir boyut mu olduğu ayrıca açıklanmamıştır.

Ölçüm kanalları: Akım, gerilim ve piezoelektrik akustik sinyal.

Makine öğrenmesi: Random Forest ve Gradient Boosting.

Veri bölünmesi: Yöntem şeması yaklaşık %70 eğitim / %30 test ayrımını göstermektedir. Ayrı doğrulama seti veya çapraz doğrulama raporlanmamıştır.

Kaynak içi özellik çıkarımı notu: Özet yalnız zaman alanı özelliklerinden söz ederken yöntem bölümü zaman ve frekans alanı özelliklerinin birlikte çıkarıldığını belirtmektedir. Spesifik özelliklerin ayrıntılı listesi kaynakta verilmemektedir.

Çoklu sensör notu: Çalışma çoklu sensör yaklaşımını vurgulamaktadır; ancak Tablo II'de performans akım, gerilim ve akustik veri setleri için ayrı ayrı raporlanmıştır. Üç modaliteyi tek bir feature-fusion modelinde birleştiren ayrı bir sonuç sunulmamaktadır. Bu nedenle %96,51 değeri “üç sensörün birleşik füzyon doğruluğu” olarak yorumlanmamalıdır.

Lokalizasyon notu: Metin PD kaynağı ve oluşum ortamının belirlenmesinden söz etmektedir; yayımlanan sınıflandırma etiketleri hava, mineral yağ ve kâğıttır. Ayrı bir uzamsal lokalizasyon hedefi, koordinat tahmini veya lokalizasyon hata metriği raporlanmamaktadır.

Karışıklık matrisi notu: Şekil 7–9'un bazı sınıf bazlı değerleri ile bunları açıklayan metindeki yüzdeler arasında uyuşmazlıklar vardır. Bu nedenle Verianla makalesindeki temel performans sayıları kaynakta açık biçimde verilen Tablo II üzerinden aktarılmıştır; belirsiz sınıf yüzdeleri sessizce uzlaştırılmamıştır.

Bilimsel kapsam sınırı: Sonuçlar kontrollü laboratuvar deneylerine, tek nokta–düzlem elektrot geometrisine, üç yalıtım ortamına ve kaynakta açıklanan eğitim/test veri setlerine aittir. Gerçek saha transformatörlerinde aynı sınıflandırma performansı, erken arıza önleme başarısı veya gerçek zamanlı operasyonel güvenilirlik doğrudan doğrulanmamıştır.

İçerik temeli: Bu Verianla açıklaması incelenen çalışmanın deney düzeneği, sinyal grafikleri, yöntem şeması, veri dağılımı, denklemleri, performans tabloları, karışıklık matrisleri, tartışması ve sonuçlarına dayanmaktadır. Bibliyografik kimlik doğrulaması dışında dış kaynaklardan yeni bilimsel bulgu eklenmemiştir.