bakım planlama - Ödev Yaptırma & Danışmanlık Merkezi

Elektrik Elektronik Mühendisliği Ödev Yaptırma: Yenilenebilir Enerji Tahmininde Makine Öğrenmesi

İçerik Üreticisi — Mon, 20 Oct 2025 07:00:33 +0000

Güneş ve rüzgâr, elektriğin yeni “yakıtı”. Fakat benzini depoya koyar gibi güneşi depoya koyamıyoruz; bulut bir anda geldiğinde fotovoltaik (PV) üretim düşüyor, türbin sahasında rüzgâr yön değiştirdiğinde rampalar yaşanıyor, şebeke dengeleme birimlerinin başı dertten kurtulmuyor. Yenilenebilirin payı büyüdükçe, tahmin bir “rapor kalemi” olmaktan çıkıp işletmenin sinir sistemi hâline geliyor: gün öncesi piyasaya teklif, gün içi dengeleme, yedek/ikincil frekans kapasitesi tahsisi, pil–hidro–gaz hibritlerinin zamanlaması, talep tarafı katılımı ve bakım planlama… Bütün bunlar iyi bir kestirim olmadan savruluyor.

1) Tahmin Ufukları ve Karar Bağlamı: Nowcasting’ten Portföy Planına

Enerji tahmini tekil bir problem değildir; zaman ufku ve karar türü problem tanımını değiştirir.

Nowcasting (0–2 saat): Bulut hareketi, rüzgâr kesiti, rampaların yakalanması. SCADA + kamera/satellit + radar verisi önem kazanır.
Kısa vadeli (2–24 saat): Gün içi dengeleme, pil zamanlaması, ikincil frekans rezervi. NWP modelleri (hava tahmini) + ML birleşimi etkili.
Gün öncesi (24–48 saat): Piyasa teklifleri ve ekipman planı. NWP’ye daha fazla ağırlık, portföy seviyesinde belirsizlik yönetimi.
Orta–uzun vadeli (haftalar–aylar): Bakım, finansal koruma, PPA stratejileri; iklim sinyali ve istatistiksel mevsimsellik.

Örnek olay: Bir PV santral işletmecisi, nowcasting ufkunda kamera tabanlı bulut izleme ile invertör seviyesinde rampaları şebeke kodu limitleri içinde yumuşatırken, gün öncesi için NWP + gradyan artırmalı ağaç karışımı kullandı; dengesizlik cezası belirgin düştü.

2) Veri Ekolojisi: Neyi Toplayıp Neyi Tutacağız?

İyi tahmin, veri hijyeni ile başlar.

SCADA/ölçüm: AC güç, DC akım/gerilim, inverter durumu, türbin pitch/yaw, rüzgâr kesiti, rotor hızı.
Meteoroloji: NWP grid değerleri (GHI/DNI, bulutluluk, rüzgâr hızı-yönü, sıcaklık), yer istasyonları.
Görüntü/radar/satellit: Bulut hareketi, opaklık, gölge hızı; rüzgâr sahalarında LIDAR/SODAR.
Takvim/operasyon: Arıza/derating, bakım pencereleri, kar/buzlanma, kirlenme.
Topoloji: PV dizi konumları, eğim-yönelim, gölge potansiyeli; türbin yerleşim/hatlar.

Pratik: “Topla ve unut” yok; veri sözlüğü, zaman damgası standardı ve birim uyumu şart. Dakikalık veriyi saatliğe “güvenli aşağı örnekleme” ile dönüştürüp hem ham, hem işlenmiş katmanı saklayın.

3) Temizlik ve Dışlama: Sensör Gerçekliği ile Barışmak

SCADA verisinde sıçrama, eksik örnek, doyum, sıfıra yapışma gibi hatalar olağandır.

Kurallar: Fiziksel limit kontrolleri (ör. 0 ≤ güç ≤ kurulu güç), art arda aynı değer eşikleri, rüzgâr yokken yüksek üretim gibi imkânsızlıklar.
İmputasyon: Kısa eksikler için son değer taşıma değil; komşu inverter/türbin korelasyonu veya kısa pencereli istatistikle doldurma.
Etiketleme: Bakım/arıza anlarını modelin öğrenmesine karıştırmayın; maskeyle dışlayın.

Örnek: Kar yağışında PV kısa süre 0’a çakılı kaldı; model bunu mevsimsel kalıp sandı. O günler “kar kaplı” etiketiyle ayrıldı; genel hata %15 azaldı.

4) Özellik (Feature) Mühendisliği: Modelin Gördüğü Dünya

Zaman tabanlı: Saat, gün, mevsim, tatil/hafta sonu; güneş açısı, hava kütlesi.
Meteoroloji türevleri: Rüzgârın yön–hız vektörü, bulut örtüsü değişimi, CAPE/kararlılık ipuçları.
Mekânsal toplulaştırma: NWP grid’lerinden istasyon çevresi için mesafe ağırlıklı özetler.
Gecikme/otoregresyon: Son 15–60 dakikadaki üretim, eğim ve türevler; rampaların ipuçları.
Sahaya özgü: Kirlenme indeksi (soiling), panel sıcaklığı, buzlanma risk skoru.

Uygulama: Bir rüzgâr portföyünde, “komşu türbin gecikmeli hız” ve “yaw hata açısı” eklenince kısa vadeli RMSE anlamlı düştü.

5) Model Aileleri I – Ağaç Tabanlı Yöntemler (RF, XGBoost, LightGBM)

Ağaç tabanlı yöntemler doğrusal olmayan ilişkileri iyi yakalar, özellik etkileşimleriyle güçlü çalışır ve hızlı prototipsağlar. Eksik veriye görece sağlam, yorumlanabilirliği (özellik önemleri, SHAP sezgileri) yüksektir. Gün öncesi ve saatlik ufukta çoğu PV/rüzgâr problemi için sağlam bir taban çizgisi oluşturur.

Örnek: 100 MW PV sahasında, yalnız NWP + takvim + güneş açısı ile LightGBM modeli MAPE’yi %8 seviyelerine çekti; daha sofistike derin modelleri denemek artık değiyor mu sorusu iş hedefiyle tartıldı.

6) Model Aileleri II – Zaman Serisi Derin Öğrenme (LSTM/GRU, Temporal Fusion Transformer)

LSTM/GRU ardışık bağımlılıkları yakalarken, Temporal Fusion Transformer (TFT) çoklu girdi/çoklu ufuk, dikkate dayalı seçicilik ve belirsizlik çıktılarıyla öne çıkar. Özellikle nowcasting + kısa vadede rampaları ve rejim değişimleriniyakalamada etkili olabilirler. Veri hacmi ve düzenli etiketleme burada kritiktir.

Vaka: Bulut hızlı hareketliyken PV üretiminde 10–15 dakikalık rampalar yaşanıyordu. LSTM + radar hareket vektörleri ile 15 dakika ufukta MAE %12 iyileşti; pilin şarj–deşarj komutu daha düzgünleşti.

7) Model Aileleri III – Mekânsal Öğrenme (GNN, ConvLSTM, U-Net)

Portföy veya geniş sahalarda mekânsal korelasyon önemlidir. Graf sinir ağları, istasyonları düğüm–komşuluk ilişkileriyle temsil ederek “yakın komşu hava” bilgisini modele taşır. Kamera/satellit ile bulut haritalarında U-Net/ConvLSTM yapıları nowcasting’te anlamlı avantaj sağlar.

Örnek: Bölgesel PV portföyünde istasyonlar arası graf kuruldu; GNN + LightGBM hibriti, yalnız istasyon bazlı modellere göre gün içi WAPE’de %6 daha iyi performans verdi.

8) Olasılıksal Tahmin: Ortalama Yetmez, Bant Lazım

Operasyon tek bir sayı değil, dağılım ister: “%90 olasılıkla şu bantta olacağız” demek yedek/pil planlaması için kritik.

Kantil regresyonu: Pinball kaybı ile p10–p50–p90 tahminleri.
CRPS ve kalibrasyon: Kalibrasyon eğrileri, güven bantlarının gerçek kapsama oranı.
Ansambl: Birden fazla modelden dağılım üretip karışım oluşturma.

Uygulama: Gün öncesi piyasada p50’ye göre teklif verirken p10–p90 bandı rezerve yönlendirmede kullanıldı; dengesizlik maliyeti dalgalanması azaldı.

9) Değerlendirme Metrikleri: Yanılgıları Doğru Ölçmek

MAE/RMSE/WAPE/MAPE: Kullanışlı ama ölçek ve sıfıra yakın değerlerde hassasiyet farklarına dikkat.
Pinball/CRPS: Olasılıksal çıktıların niteliği.
Ramp yakalama metrikleri: Ani değişimlerde gecikme ve kaçırma.
İş metriği: Dengesizlik maliyeti simülasyonu, rezerv kullanım verimliliği—model seçiminde bazen en kritik ölçü budur.

Pratik: Zaman serisi zaman temelli çapraz doğrulama ile değerlendirilmeli; “geleceği eğitime sızdıran” rasgele karışımlar sahte umut üretir.

10) Veri Kaçağı ve “Çok İyi” Sonuçların Şüpheli Cazibesi

En büyük tuzak: özellik sızıntısı. Gün öncesi modeli, gün içi gerçekleşmeden türetilmiş bir özelliği “yanlışlıkla” kullanır, sonuçlar parıldar, canlıda çöker.

Zaman pencereleri: Özellikler yalnız geçmişe bakmalı.
Lag doğru seçilmeli: NWP’nin yayın saati ve “gecikmeli” erişimi hesaba katılmalı.
Operasyonel gerçeklik: Canlıda erişemeyeceğiniz hiçbir özelliği eğitime koymayın.

Örnek: Rüzgâr hızının “yer ölçümü” canlıda gecikmeli geliyordu. Eğitimi anlık veriye göre yapmak canlı performansı bozuyordu; veri akışına uygun gecikmeli versiyonla eğitim tekrarlandı, saha ile uyum sağlandı.

11) Nowcasting için Görsel İstihbarat: Kamera, Radar, Uydudan Bulut Takibi

PV nowcasting’in altın anahtarı çoğu zaman gökyüzü görüntüsü ve radar/uydu verileridir.

Bulut vektörleri: Optik akış ile bulut hareketi; kısa ufukta PV rampalarını öngörür.
Opaklık ve gölge: Bulutun kalınlığı–gölge hızı; inverter seviyesinde kısmi gölgelenme modellemesi.
Radar reflektivitesi: Yağış–bulut türü ayrımı ve optik uyuşmazlıkları gidermek için füzyon.

Vaka: Kamera + radar füzyonu ile 0–30 dakika PV kestirimi iyileşti; pil kontrolörünün SOC salınımları azaldı.

12) Rüzgârda Aerodinamik İpuçları: Yaw/Pitch ve Wake Etkileri

Rüzgâr türbinleri birbirini uyandırır (wake). Arazide akış özgül, türbinin yaw/pitch kararları üretimi etkiler.

Yerel LIDAR: Kısa vadeli hız/profil kestirimi.
Wake özellikleri: Yukarı rüzgâr türbin güç/rotor hızından aşağı türbin üretimini besleyen gecikmeli özellikler.
Buzlanma/derating: Sensörlerden buzlanma skorları; model girişine “rejim göstergesi” olarak.

Uygulama: Wake bilgisi eklendiğinde aşağı türbin MAE’si %10 düştü; bakım pencerelerinde “rejim bayrakları” ile model şoklanmadı.

13) Net Yük Tahmini: Çatı Üstü PV’nin Gölgesinde Talep

Şebeke işletmecileri için asıl hedef çoğu zaman net yük: Tüketim − dağıtık üretim. Bina/şebeke talebini klasik yöntemlerle, PV’yi yukarıda anlattığımız yollarla tahmin ederek birlikte optimize etmek gerekir. Ev–işyeri PV yaygınlaştıkça, sayaç ters akışları ve arka besleme durumları dikkate alınmalıdır.

Örnek: Bir bölgede çatı PV yoğunluğu yüksek olduğundan, öğlen talep çukuruna doğru pil şarj pencereleme yapıldı; akşam tepeye doğru kontrollü deşarj programıyla pik kesildi.

14) Pil ve Hibritlerde Tahmin→Karar: Modeli Yalnız Bırakmayın

Tahmin tek başına değer üretmez; karar ile birleşince anlam kazanır.

MPC/örnek tabanlı optimizasyon: Olasılıksal banttan senaryolar üretip pil–gaz–hidro hibritini yönetin.
Ceza fonksiyonları: Eksik/ fazla üretim maliyeti asimetriktir; piyasa ve şebeke kuralları modele yansıtılmalı.
Rezerv tahsisi: p10–p90 bandına göre yukarı–aşağı rezerv planı.

Vaka: 50 MWh pil, p50’ye göre değil, p25/p75 bant genişliğine göre riske duyarlı çalıştırıldı; dengeleme geliri arttı.

15) Drifti İzlemek: Model Eskiyor, Hava Değişiyor

Mevsim, saha kirlenmesi, ekipman degradasyonu, NWP güncellemeleri… Dağılım kayması kaçınılmaz.

Model izleme: Aylık metrikler, kalibrasyon eğrileri, rampa hataları.
Veri sürümü: NWP versiyon değişimi ile performans atladı mı düştü mü—kayıt altına alın.
Yeniden eğitim politikası: Kayma eşiği aşılınca tetiklenen periyodik/olay tetiklemeli yeniden eğitim.

Pratik: “Canary model” ile yeni modeli küçük bir portföyde dener, sonra kademeli yayarsınız.

16) MLOps ve Saha Mimarisı: Jupyter’den Trafo Merkezine

Veri boru hattı: ETL/ELT, kalite kontrolleri, özellik üretimi, sürümlü datasetler.
Model kayıt–versiyon: Eğitim meta verisi, kullanılan NWP sürümü, özellik listesi.
Gerçek zaman servisi: REST/gRPC/Message Queue; gecikme bütçesi nowcasting’te dakikalar değil, saniyeler.
Kenar (edge) dağıtım: Trafo merkezinde düşük gecikmeli kestirim için hafif modeller ve güvenli güncelleme.

Örnek: Nowcasting servisi, radar güncellemesini aldıktan 30 saniye içinde yeni kestirimi yayımladı; invertör kontrol katmanı bunu doğrudan ramp limitine yansıttı.

17) Güvenlik, Esneklik ve Etik: “Kestirim” Bir Operasyonel Varlıktır

Siber güvenlik: Veri akışları ve model sunucuları imzalı/şifreli.
Dayanıklılık: NWP kesildiğinde “degrade mod” (yalnız SCADA+otoregresif).
Şeffaflık: İşletmeciye modelin “neden”i anlatılabilmeli; ağaç tabanlı yöntemlerin açıklanabilirliği burada işe yarar.
Adil ve güvenli işletme: Tahmin hataları yük atma/gerilim olayları yaratmayacak şekilde korumalarla çevrilsin.

18) Saha Öyküleri: Üç Kısa Vaka

A—PV Portföyü, Gün Öncesi
Problem: Tahmin hatası geceleri “0” çevresinde oynuyor, gündüz aşırı iyimser.
Çözüm: NWP’nin gün ışığı parametreleri ve bulut değişim hızı eklendi; LightGBM + kantil regresyonla p10–p90 bandı üretildi; dengesizlik maliyeti %22 azaldı.

B—Rüzgâr Sahası, Nowcasting
Problem: Rampaları 10 dakikada kaçırıyoruz.
Çözüm: LIDAR kısa ufuk ölçümü + LSTM füzyonu; rampa yakalama oranı yükseldi, ikincil frekans ihlalleri azaldı.

C—Net Yük, Kentsel Bölge
Problem: Çatı PV belirsizliği talep tahminini bozuyor.
Çözüm: Uydu bulut maskesi + belediye PV envanteriyle gölgelemeye duyarlı bir “arka besleme tahmini” eklenerek net yük MAPE’i %9 iyileşti.

19) Sık Yapılan Hatalar ve Hızlı Çözümler

Zaman sızıntısı: Geleceği eğitime karıştırmak → Zaman pencerelerini kilitleyin.
Yanlış metrik: Sırf RMSE’ye bakmak → Olasılıksal kalite ve iş metriği ekleyin.
Tek model ısrarı: Rejim değişimlerinde performans düşer → Ansambl/hibrid yaklaşım.
Veri hijyeni yok: SCADA gürültüsü öğreniliyor → Maskeler, fizik kuralları, dışlama.
NWP körü körüne güven: Yayın saati/gecikmeler hesaba katılmıyor → Operasyonel erişilebilirliğe göre özellik tasarımı.
Saha yok: Jupyter’de mükemmel, sahada kötü → Canary, kademeli yayılım, izleme.

20) 6 Haftalık Ödev/Proje Yol Haritası (Uygulamalı)

Hafta 1 – Problem & Veri Haritası: Ufuklar (nowcasting/kısa/gün öncesi), karar bağlamı (piyasa/rezerv/pil), veri envanteri ve veri sözlüğü.
Hafta 2 – Temizlik & Özellik Seti: SCADA temizliği, maskeler; NWP erişim saatleri; ilk özellikler (zaman, meteoroloji, gecikmeler, mekânsal özet).
Hafta 3 – Taban Çizgisi: LightGBM/Random Forest ile p50 tahmin; zaman temelli çapraz doğrulama; iş metrikli değerlendirme.
Hafta 4 – Olasılıksal & Nowcasting: Kantil regresyon; kamera/radar/uydu varsa kısa ufuk LSTM/ConvLSTM PoC; rampa metrikleri.
Hafta 5 – Hibrid & Portföy: GNN/komşuluk özellikleri, portföy seviyesi bant; pil/rezerv senaryo simülasyonu.
Hafta 6 – Dağıtım & İzleme: Basit REST servisi; model kayıt–sürüm; canary dağıtımı; izleme panoları ve yeniden eğitim tetikleri.

21) Uygulama İpuçları: Küçük Dokunuş, Büyük Etki

Güneş açısı ve hava kütlesini eklemek PV’de “bedava” iyileştirme getirir.
Yaw hata açısı ve wake göstergeleri rüzgârda kısa vadeyi belirgin iyileştirir.
p10–p90 bantları olmadan rezerv/pil planlaması kumardır; mutlaka üretin ve kalibre edin.
Ramp odaklı kayıplar (ör. “gecikme cezası”) kısa ufuk modellerini gerçek hedefe hizalar.
Model açıklanabilirliği (SHAP) sahada güven inşa eder; hatalı sensörü erkenden ortaya çıkarır.

Sonuç

Yenilenebilir enerji tahmini bir model seçimi meselesi değil; veri → özellik → model → belirsizlik → karar → izlemezincirini kurma meselesidir. Bu yazıda, farklı zaman ufuklarında hangi verilerin kritik olduğundan başlayarak; SCADA temizlik ve dışlama stratejileri, zengin özellik mühendisliği, ağaç tabanlı yöntemler ve derin öğrenme (LSTM/TFT), mekânsal korelasyonlar için GNN/ConvLSTM, olasılıksal tahminin işletmedeki karşılığı, rüzgârda aerodinamik ipuçları, PV nowcasting’te görüntü/radar/uydu füzyonu, değerlendirme metriklerinin iş hedefleriyle hizalanması, veri kaçağından kaçınma, MLOps–canary–izleme, drift ve yeniden eğitim politikaları gibi başlıkları örnek olaylarla bir arada ele aldık.

Kalıcı dersler:

Tahmin ufkunu ve kararı birlikte tanımlayın: Nowcasting, kısa vadeli işletme ve gün öncesi piyasası aynı şey değil.
Veri hijyeni olmadan hiçbir model mucize yaratmaz; maskeler, fizik kuralları, sensör sağlığı.
Özellik mühendisliği hâlâ kraldır: Güneş geometrisi, bulut değişim hızı, yaw hatası, wake ve gecikmeler — hepsi sahada altın değerinde.
Olasılıksal bakış şart: p10–p90 bantları olmadan yedek/pil/teklif optimize edilemez.
Hibrid ve mekânsal yaklaşımlar, portföy ve nowcasting’te fark yaratır.
Operasyonel gerçeklik: NWP yayın saatleri, veri gecikmeleri ve kesintiler; canlıda mümkün olmayana eğitimde izin vermeyin.
MLOps kültürü: Model kayıt–sürüm–izleme–yeniden eğitim; canary ve kademeli yayılım.
İş metriği ile ölçün: Dengesizlik maliyeti ve rezerv verimi, RMSE’den daha ikna edici yol gösterir.
İnsan–makine işbirliği: Açıklanabilirlik ve saha mühendisinin içgörüsü, kara kutu modelin önüne geçer.
Devamlı iyileştirme: İklim, saha, ekipman, NWP değişiyor; model de evrilmeli.

Doğru kurgulanmış bir tahmin hattı; santralinizi ve portföyünüzü öngörülü, esnek ve kârlı kılar. Bir ödevin notunu yükseltir, bir işletmenin dengesizlik maliyetini düşürür, bir şebekenin güvenilirliğini artırır. Rüzgâr ve güneşin dalgalı dünyasında belirsizliği yöneten kazanır.

Öğrencilerin akademik başarılarını desteklemek ve yoğun tempoda geçen okul yaşamlarında yardımcı olmak amacıyla kurulan “Ödev Yaptırma” platformu, özgün ve kaliteli ödev çözümleri sunmaktadır. Öğrencilerin farklı branşlardan ödevlerini, projelerini ve makalelerini profesyonel ve deneyimli ekip üyelerimiz aracılığıyla titizlikle hazırlıyoruz. Her bir ödevi, konunun gerektirdiği derinlemesine araştırmalar ve analizler doğrultusunda çözümleyerek, öğrencilerimizin özgün düşünce yapısını ön plana çıkarmasını sağlıyoruz.

“Ödev Yaptırma” olarak, müşteri memnuniyetini ve güvenilirliği en üst düzeyde tutmaktayız. Öğrencilerin bize teslim ettikleri ödevlerin tümü, gizlilik ve güvenlik ilkelerine sıkı sıkıya bağlı kalınarak işlenir. Her ödev, öğrencinin taleplerine ve öğretmenin yönergelerine uygun olarak özelleştirilir ve her zaman orijinal içerik üretmeye özen gösteririz. Öğrencilerin akademik itibarını korumak ve güvenilir bir öğrenme deneyimi sunmak için elinizdeyiz.

“Ödev Yaptırma” platformu, kullanıcı dostu arayüzü sayesinde öğrencilere kolayca ulaşılabilir bir hizmet sunmaktadır. Kullanıcılar, web sitemiz üzerinden basit adımlarla ödevlerini yaptırma taleplerini iletebilir ve ihtiyaç duydukları konuda uzmanlaşmış ekip üyelerimizle iletişime geçebilirler. Hızlı yanıt verme ve esneklik, öğrencilerin zaman baskısı altında olan durumlarında da yanlarında olduğumuzu hissettirir. “Ödev Yaptırma” olarak, öğrencilerin başarısını desteklemek ve onlara daha fazla öğrenme fırsatı sunmak için buradayız

The post Elektrik Elektronik Mühendisliği Ödev Yaptırma: Yenilenebilir Enerji Tahmininde Makine Öğrenmesi first appeared on Ödev Yaptırma & Danışmanlık Merkezi.

Elektrik Elektronik Mühendisliği Ödev Yaptırma: Güç Sistemlerinde Kestirimci Bakım Modelleme

İçerik Üreticisi — Thu, 11 Sep 2025 07:00:32 +0000

Güç sistemlerinde bakım stratejileri, geleneksel “arıza olunca müdahale et (reaktif)” anlayışından koşul bazlı (condition-based) ve kestirimci (predictive) yaklaşımlara evrildi. Şebeke elemanlarının (transformatör, kesici, ayırıcı, kablo, OG hücre, hat izolatörü, jeneratör, inverter, rüzgâr türbini vb.) durum verisi akarken; sahadan toplanan SCADA/PMU/IoT ölçümleri, yağ analizleri (DGA), kısmi deşarj (PD), termal görüntüler, titreşim ve akustik sensörler, olay ve iş emri kayıtlarıyla birleşerek arızayı olmadan önce haber veren modeller üretmemizi mümkün kılıyor. Bir dönem projesi ya da bitirme ödevi için “kestirimci bakım” sadece bir makine öğrenmesi (ML) algoritması seçmek değil; veri hattı, özellik mühendisliği, modelleme, güven ve yorumlanabilirlik, planlama entegrasyonu (CMMS), risk–maliyet optimizasyonu ve saha doğrulaması içeren sistematik bir metodoloji kurmak demektir.

Bu rehber; güçlü bir ödev/proje için veri kaynaklarından model seçimine, RUL (Remaining Useful Life) tahmininden risk tabanlı planlamaya, sahaya uygulanabilir kontrol listelerinden vaka çalışmalarına kadar uçtan uca bir yol haritası sunar. Amaç, yalnız tahmin isabeti yüksek bir model değil, bakım kararına dönüşen, kesinti süresini ve maliyeti azaltan bir çözüm ortaya koymaktır.

1) Problemi Doğru Formüle Et: Sınıflandırma mı, Regresyon mu, Hayatta Kalım Analizi mi?

Kestirimci bakımda üç ana problem sınıfı vardır:

Arıza sınıflandırması (binary/multi-class): “Önümüzdeki 90 gün içinde bu ekipmanda arıza olur mu?” (evet/hayır).
Regresyon: “İzolasyon direnci ne kadar düşer?”, “İzlenen sıcaklık trendi 80 °C’yi ne zaman aşar?” gibi sayısal tahminler.
Hayatta kalım / RUL tahmini: “Bu trafoya RUL kaç gün/ay kaldı?”, “Arıza olasılığının zamanla değişim karakteri (hazard) nedir?”

Ödev notu: Problemi açık yazın. Hedef değişkeni, zaman ufkunu (7–30–90 gün), sınıf dengesini, değerlendirme metriklerini (AUC/PR-AUC/F1, MAE/RMSE, Concordance/C-Index) tabloya dökün.

2) Veri Ekosistemi: Ölçü, Olay, Ortam, Operasyon

Kaynaklar:

SCADA: Akım, gerilim, güç, frekans, kesici durumları, alarmlar.
PMU: Senkron fazörler (yüksek frekanslı, dinamik olaylar).
IoT sensörleri: Sıcaklık, nem, titreşim (IVHM), akustik, kısmi deşarj (UHF/akustik), gaz sensörleri.
DGA (Dissolved Gas Analysis): Hidrojen, metan, etan/eten, asetilen, CO/CO₂… trafo yağında arıza imzaları.
Termal görüntüler: Sıcak noktalar, gevşek bağlantılar.
Bakım/iş emri (CMMS): Parça değişimleri, arıza kodları, duruş süreleri, maliyetler.
Çevresel/işletme: Ortam sıcaklığı, nem, toz, rüzgâr, güneşlenme (PV), yük profilleri, devre dışı kalma geçmişi.

Veri kalitesi kontrolü (DQ): Zaman damgası birliği (UTC/yerel), boşluklar, sensör kalibrasyonları, outlier/anomali ayırımı (gerçek transient mi sensör hatası mı?), cihaz kimliklerinin (asset ID) tekilleştirilmesi.

Ödev kontrol listesi: Kaynak–örnekleme hızı–ölçüm birimi–kayıp oranı–etiket/doğrulama kaynağı tek tabloda.

3) Özellik (Feature) Mühendisliği: Fizik + İstatistik Evliliği

Model başarısının yarısı doğru özelliklerden gelir:

Zaman alanı: Kaydırmalı pencerelerde ortalama/medyan, p95–p99, RMS, tepe–tepe, eğilim (slope), mevsimsellik.
Frekans alanı: FFT/PSD bant enerjileri (titreşim, akustik, PD).
DGA ilişkileri: Gaz oranları, toplam gaz, oluşum hızları (dC/dt), okunmuş teşhis indeksleri.
Termal imzalar: Sıcaklık–yük birlikte analizi (per-unit; yük normalizasyonu).
Sağlık endeksleri (HI): Çoklu parametreyi 0–1 arası endekse sıkıştırma (normalize + ağırlıklandırma).
İşletme bağlamı: Anahtarlama sayısı, kısa devre akım geçmişi, nem seviyeleri, kaba “stres” göstergeleri.
Kohort/varlık meta bilgisi: Yaş, üretici, model, kurulum yılı, bölge, bakım geçmişi.

İpucu: Fizik tabanlı tutarlılık. Örneğin, transformatör yağ sıcaklığındaki artış yük artışı olmadan gerçekleşiyorsa termal yol problemi veya iç kayıplar sinyali olabilir; bu “kuralı” bir özellik olarak kodlayabilirsiniz.

4) Etiketleme ve Veri Dengeleme: “Arıza Az, Sağlam Çok” Gerçeği

Gerçek dünyada arıza nadirdir (class imbalance).

Zaman penceresi etiketleme: Arıza tarihinden önce $T$ gün (örn. 30) içinde olan pencereleri “1”, aksi “0”.
Dengeleme taktikleri: SMOTE/ADASYN gibi oversampling, cost-sensitive öğrenme (sınıfa göre ağırlık), focal loss.
Negatif örnek doğruluğu: Bakım sonrası “sağlıklı” dönemleri yanlış etiketlememek.

Ödev tüyosu: ROC-AUC’a ek PR-AUC raporlayın (seyrek olumlu sınıfta daha anlamlıdır).

5) Model Ailesi Seçimi: Basitten Karmaşığa Mantıklı Sıralama

Kıyas için basit: Lojistik regresyon (L1/L2), karar ağaçları. Yorumlanabilir.
Gelişmiş gözetimli: Random Forest, Gradient Boosting (XGBoost/LightGBM), SVM; genelde güçlü başlangıç.
Zaman serisi/derin: LSTM/GRU, Temporal Convolutional Networks (TCN), Transformers; uzun bağımlılıkları yakalar.
Anomali tespiti (etiketsiz/az etiketli): Isolation Forest, LOF, One-Class SVM, Autoencoder; “sağlıklı” imzayı öğrenip sapmaları yakalar.
Hayatta kalım/RUL: Cox Proportional Hazards, Weibull/Exponencial parametre tahmini, Random Survival Forest; regresyon + sansürlü veri (censoring) desteği.

İpucu: Önce güçlü bir ağaç temelli (XGBoost/LightGBM) ile taban performans oluşturun; sonra RUL gerekiyorsa survival’a, ardışıklık kuvvetliyse LSTM/TCN’ye geçin.

6) Değerlendirme: Doğru Metrik, Doğru Kesit

Sınıflandırma: AUC, PR-AUC, F1, özgüllük/duyarlılık, erken uyarı penceresinde isabet (ör. arızadan ≥7 gün önce yakalama oranı).
Regresyon: MAE, RMSE, MAPE; operasyonel eşikler (örn. tahmin hatası ≤ ±5 °C iken önlem alın).
RUL/Survival: C-Index, Brier-score, kalibrasyon eğrileri.
İş etkisi: Kaçak yakalanan arıza (miss) başına maliyet, yanlış alarm başına maliyet, net fayda (Cost per saved outage, NPV).

Ödev puanı için: “Teknik metrik” + “iş etkisi” çift raporu sunun; karar vericiyi ikna eder.

7) Model Güveni ve Yorumlanabilirlik: SHAP, LIME, Kural Tabanı

Bakım mühendisi, “neden bu ekipman yüksek riskte?” sorusuna cevap ister.

SHAP değerleri: Varlık bazında ilk 5 özelliği ve yönünü gösterin.
Kural çıkarımı: Ağaç tabanlı modellerden “insan okunur” kurallar (örn. “Yağ H₂ artış hızı > X ve yük normalize sıcaklık > Y → risk ↑”).
Kalibrasyon: Tahmin olasılıklarının gerçek sıklıkla uyumu (reliability plot).

8) RUL (Kalan Ömür) Tahmini: Bakım Penceresini Doğru Ayarla

Yöntemler:

Trend–eşik yaklaşımı: Sağlık endeksi/parametre belirli eşiğe kadar lineer/eksponansiyel kötüleşiyor → eşik zamanını extrapole et.
Degradasyon modelleri: Fizik tabanlı (Arrhenius, termal yaşlanma), istatistiksel (Brownian motion + drift), parçacık filtreleri.
Survival analizi: Cox/Weibull; sansürlü veriye dayanır; hazard fonksiyonundan RUL dağılımı çıkarılır.

Ödev notu: RUL’i tek sayı vermek yerine dağılım ve güven aralığı ile sunun (ör. median 120 gün, [p10=80, p90=170]).

9) Mimari: Edge–Fog–Cloud ve Veri Hattı

Edge: Trafo merkezinde kapı seviyesinde (gateway) önişleme, anomali skoru, olay çıkarımı; gecikmeyi ve bant genişliğini azaltır.
Fog/On-Prem: Trafo merkezi/OG şebeke işletme sahasında toplama/ara depolama; regulasyon ve siber güvenlik avantajları.
Cloud: Büyük ölçekli model eğitimi, varlık kıyaslamaları, filo analizi.

Veri hattı (pipeline): Ingest → Temizleme → Özellik çıkarımı → Model → Skor → Alarm/İş emri. Versiyonlama (model, veri, özellik), MLOps (model drift takibi).

10) CMMS/ERP Entegrasyonu: Tahminin Karara Dönüşmesi

Kestirim bakım planına bağlanmadıkça değer üretmez.

Risk puanı → iş emri: Eşik aşıldığında otomatik iş emri; SLA ve parça rezervasyonu.
Planlama: Kaynak (ekip), yedek parça, uygun duruş penceresi; risk tabanlı önceliklendirme (kritiklik × olasılık × etki).
Geri besleme: Bakım çıktıları (bulgu/arıza nedeni, parça ömürleri) modele geri beslenir; sürekli iyileştirme.

11) Güvenlik ve Siber Güvenlik

IEC 61850/OT ağları: Ayrı VLAN, rol tabanlı erişim, zaman senkron güvenliği.
Model bütünlüğü: Model/özellik dosyalarının imzalanması, sürüm kontrolü.
Veri gizliliği: Sahaya ait hassas verilerin maskelenmesi/anonimizasyonu; paylaşımda “federated learning” seçenekleri.

12) Varlık Bazında İmzalar: Transformatör, Kesici, Kablo, PV İnverter, Rüzgâr Türbini

Transformatör:

DGA (H₂, CH₄, C₂H₂ vb. oranlar), yağ–kâğıt yaşlanma göstergeleri, sargı sıcaklığı (hot-spot), yük normalizasyonu, PD.
Model: Gradient boosting + survival (arızaya kadar süre).
Alarm örneği: H₂ artış hızı + sıcaklık anomali → “gaz izleme 7 gün yoğunlaştırılsın, numune tekrarı”.

Kesici:

İşletme sayısı, bobin akımı imzası, SF₆/yağ basıncı, mekanik titreşim.
Model: Anomali (autoencoder) + sınıflandırma (kontak gecikmesi).
Aksiyon: “Kontak aşınması olası, bir sonraki planlı kesintide bakım”.

Kablo:

Tanecik: Kısmi deşarj, tan delta, sıcaklık profilleri, kablo başlık ısısı.
Model: Zaman serisi anomali + survival.
Aksiyon: Saha ısıl görüntüleme, PD yer tespiti.

PV İnverter:

DC/AC harmonikler, sıcaklık, MPPT davranışı, devreye gir–çık sayıları.
Model: Çoklu sınıflandırma (soğutma sorunu, DC arıza, grid fault etkisi).
Aksiyon: Fan/termal pasta bakımı, dizi dengesizliği kontrolü.

Rüzgâr Türbini:

Titreşim (kestirim): Yatak/dişli frekans bantları, yağ analizleri, SCADA güç–rüzgâr eğrisi sapmaları.
Model: TCN/LSTM (titreşim), regresyon (güç eğrisi sapma).
Aksiyon: Yatak değişimi planı; duruşu en düşük üretim saatine kaydırma.

13) Risk Tabanlı Bakım (RCM/RBM) ve Ekonomi

Kritiklik (Criticality): Varlık önem skoru (güvenlik, çevre, müşteri etkisi, üretim kaybı).
Olasılık × Etki = Risk: Model çıktısı (olasılık/RUL) × arıza etkisi (maliyet/duruş).
Optimizasyon: Bütçe ve kaynak kısıtı altında maksimum risk azaltımı (knapsack benzeri).
Finansal metrikler: NPV, IRR, geri ödeme; yanlış alarm ve kaçak arızanın maliyetini içeren “expected cost” grafiği.

Ödev ipucu: Öncesi–sonrası senaryosu hazırlayın (reaktif vs kestirimci). Yıllık duruş süresi ve bakım maliyetindeki farkı sayısallaştırın.

14) Saha Doğrulaması ve Pilot Çalışma Tasarımı

Pilot kapsam: 1–2 trafo merkezi, 50–100 varlık; 3–6 ay.
Başarı kriterleri: Erken yakalanan arıza sayısı, yanlış alarm oranı, teknisyen geri bildirimi, iş emri kapanış süreleri.
A/B deneyi: Kestirimci bakım uygulanan hat vs kontrol hattı.
Lessons learned: Sensör yerleşimi, eşiklerin kalibrasyonu, model drift.

15) Görselleştirme ve Karar Destek Panelleri

Filo ısı haritası: Varlık–zaman ekseninde risk skoru.
Varlık kartı: Son uyarılar, SHAP ilk 5 özellik, trend grafikleri.
RUL dağılım grafiği: p10–p50–p90 bantları.
Planlama görünümü: Haftalık bakım kapasitesine göre en yüksek riski/etkiyi sunan görev listesi.

16) MLOps ve Sürdürülebilir Model Yaşam Döngüsü

Sürüm takip: Model/özellik/etiket sürümleri; deney–sonuç kayıtları.
Performans izleme: Veri drift (istatistiksel testler), uyarı oranı trendi, geri bildirim–etiket gecikmesi.
Güncelleme ritmi: Çeyreklik yeniden eğitim, kış–yaz mevsimselliği için sezonluk kalibrasyon.

17) Sık Yapılan Hatalar ve Kurtarma Planı

Yalnızca tek metrik (AUC) ile övünmek: İş etkisini göstermediğiniz sürece ikna gücü düşer → Maliyet bazlı metrik ekleyin.
Sensor drift ve kalibrasyon hatalarını model “signal” sanmak: DQ ve vaka incelemesi şart → sensör sağlık kontrollerini özelliklere ekleyin.
Class imbalance’ı görmezden gelmek: PR-AUC + cost-sensitive öğrenme uygulayın.
Pilot–saha boşluğu: Laboratuvar başarısını CMMS entegrasyonu olmadan sahaya taşımaya çalışmak → akış tasarlayın.
Kara kutu model: Yorumlanabilirlik yoksa bakım ekibi güvenmez → SHAP/kurallar ve örnek vaka sunun.

18) Uygulamalı Mini Rehber: “12 Haftada Kestirimci Bakım Prototipi”

Hafta 1–2: Varlık envanteri, veri haritası, DQ raporu
Hafta 3: Özellik çıkarımı + etiketleme şeması
Hafta 4: Baz model (XGBoost) + kıyas (lojistik regresyon)
Hafta 5: PR-AUC/erken uyarı metrikleri + kalibrasyon
Hafta 6: SHAP + varlık kartı prototipi
Hafta 7: RUL/survival prototipi (C-Index raporu)
Hafta 8: Senaryo maliyet modeli (yanlış/kaçan alarm)
Hafta 9: CMMS “sahte” iş emri entegrasyonu (sandbox)
Hafta 10: Pilot planı (seçili merkezler, KPI’lar)
Hafta 11: Güvenlik–erişim planı, edge toplayıcı
Hafta 12: Sunum: öncesi–sonrası, demo, karar önerisi

19) Vaka İncelemesi A: OG Trafo RUL Tahmini

Durum: 36 kV/1 MVA dağıtım trafolarında yıllık 8 beklenmedik arıza.
Veri: DGA aylık, yağ ve sargı sıcaklığı, yük, PD ölçümleri, bakım kayıtları.
Model: Survival (Weibull) + boosting ile risk skorlaması.
Sonuç: İlk 6 ayda iki yüksek riskli trafoya planlı bakım; beklenmedik arıza 8→3. Yıllık duruş –%55, bakım maliyeti –%18.

20) Vaka İncelemesi B: Kesici Mekanik Aşınma Erken Uyarısı

Durum: Yüksek anahtarlama sıklıklı sahada kontak kaynakları.
Veri: Bobin akımı imzası, açma–kapama süreleri, mekanik titreşim.
Model: Autoencoder ile “sağlıklı imza” öğrenildi; anomali skoru + boosting sınıflandırıcı.
Sonuç: 3 hafta önceden uyarı; planlı duruşta kontak revizyonu; müşteri kesintisi sıfır.

21) Vaka İncelemesi C: PV İnverter Soğutma Sorunu

Durum: Öğle saatlerinde derating, üretim kaybı.
Veri: Heatsink sıcaklığı, fan RPM, DC/AC güç, çevre sıcaklığı.
Model: Regresyon + değişim noktası (changepoint) analizi.
Sonuç: Fan tedarik değişimi; derating olayı %70 azaldı, aylık üretim +%3.2.

22) “Altın” Ödev Kontrol Listesi

Problem tanımı + hedef ufuk (gün/ay)
Veri haritası + DQ (boşluk, outlier, senkron)
Özellik seti (fizik + istatistik)
Etiketleme ve dengesizlik stratejisi
Model kıyası + metrikler (PR-AUC, erken uyarı)
Yorumlanabilirlik (SHAP/kural)
RUL/survival (varsa) + güven bantları
Risk–maliyet çerçevesi + senaryo analizi
CMMS entegrasyon taslağı + iş emri akışı
Pilot planı + başarı kriterleri + siber güvenlik
Vaka görselleri (trend, SHAP, RUL dağılımı)
Limitler ve gelecek iş (drift, yeni sensör, federated)

Sonuç: Model Değil, Karar Üreten Bir Sistem Tasarla

Kestirimci bakım; yalnızca “hangi algoritmayı kullandın?” sorusunun cevabı değildir. Doğru problem formülasyonu, sağlam bir veri hattı, fizik bilgisiyle zenginleştirilmiş özellikler, uygun model ailesi, yorumlanabilirlik ve güven, RUL ve risk–maliyet bağlamı, CMMS entegrasyonu ve saha pilotu ile birlikte anlam kazanır. Bu yazıda, güç sistemlerinde kestirimci bakımın uçtan uca mimarisini; transformatörden kesiciye, kablodan PV–rüzgâr varlıklarına kadar uygulamalı örneklerle kurduk. Ödev veya bitirme projesinde, yalnız yüksek AUC almakla yetinmeyin; kaç duruşu engellediğinizi, ne kadar maliyet düşürdüğünüzü gösterecek bir senaryo ve panel hazırlayın. Unutmayın: Kestirimci bakımın değeri, erken uyarının planlı bakıma dönüşüp duruşu önlemesi ile ölçülür. Mühendislik de tam burada başlar—veriyi karara dönüştürmekte.

The post Elektrik Elektronik Mühendisliği Ödev Yaptırma: Güç Sistemlerinde Kestirimci Bakım Modelleme first appeared on Ödev Yaptırma & Danışmanlık Merkezi.