İstanbul Teknik Üniversitesi, Bilgisayar ve Bilişim Fakültesi
Akıllı Şebekelerde Makine Öğrenmesine Dayalı Anomali Algılama
Sürekli artan elektrik enerji talebini karşılamak üzere üretimden tüketime elektrik dağıtım şebekelerinde bileşen sayısı ve çeşitlilik artmaktadır. Karmaşıklık seviyesi üstel olarak büyümekte olan bu dağıtık organizasyonu, kararlı, güvenli ve verimli yönetimin ekonomik koşullarla karşılanması için çözümler önem kazanmaktadır. Gerçek zamanlı gözlemden yönetime kadarki tüm katmanlarda makine öğrenmesine dayalı akıllandırma çözümleri işletmede insan başarımına bağlılığı azaltan önemli bir strateji haline dönüşmektedir. Makine öğrenmesine dayalı anomali algılama dağıtık şebekelerde fiziksel katman üzerinde yer almaktadır. Anomali algılamanın temel işlevi enerji üretim ve dağıtım süreçlerindeki bileşen karakteristiklerindeki ve alt ağ gruplarının davranış modellerindeki sapmaların gerçek zamanlı tespitidir. Bu sayede şebekede kararsızlık halleri oluşmadan ve standart işletme koşullarının dışına çıkılmadan sorunlar belirlenebilmekte, arızi durumlar küçük bileşenler düzeyindeyken, belirlenerek olumsuz etkileri büyümeden alternatif yönetim ve etkin bakım senaryoları uygulanabilmektedir. Geliştirdiğimiz beyin esinli kortikal ağ oluşturmaya dayalı anomali algılama yöntemi örneğinde de şebekelerde ki bileşen çokluğu ve karmaşıklık düzeyi nedeniyle insan tarafından algılanamayacak seviyedeki anomalilerin belirlenebilme oranı arttırılabilmektedir. Bunun için bileşenlerin karakteristikleri ve alt şebeke davranışlarında sorun olmadığı bilinen zamanlar işaretlenmekte ve sistemin eğitiminde kullanılmaktadır. Anomali algılamada önemli zorluklardan biri olan çok hızlı gelişen olayların yanında çok yavaş değişimlerin bağlamsal etkisi ve gerçek zamanlı işlemlerde hesaplama hızı gibi konularda, geliştirilen yöntemin üstünlükleri görülmüştür. Makine öğrenmesine dayalı anomali algılama akıllı şebeke yönetiminde, hedef hizmet kalite seviyesinin sağlanması için önemli katkı sağlama potansiyelindedir.