HPLC ile teknik olmayan elektrik kayıplarının azaltılmasında etki skoru geliştirme ve istatistiksel karşılaştırma: Türkiye'den bir saha analizi
Öz
Bu çalışma, yüksek frekanslı enerji hattı haberleşmesi (HPLC) tabanlı uzaktan sayaç sistemlerinin teknik olmayan elektrik kayıplarına etkisini değerlendirmeyi amaçlamaktadır. Türkiye’nin kırsal bir bölgesinde yer alan 16 trafoya ait üç yıla yayılmış saha verileri kullanılarak, HPLC kurulumu öncesi ve sonrası dönemlere ait kayıp-kaçak oranları karşılaştırmalı olarak analiz edilmiştir. Çalışmada, yalnızca toplam sistem performansı değil, her bir trafo düzeyinde kayıp değişimleri de ayrı ayrı incelenmiştir. Ayrıca HPLC uygulamasının etkisini nicel olarak ölçümleyebilmek amacıyla, Kayıp Oranı Azalma Yüzdesi (KAY) ve Başlangıç Risk Katsayısı (BRK) bileşenlerine dayalı yeni bir skorlandırma yaklaşımı olan Uygulama Etki İndeksi (UEİ) geliştirilmiştir. UEİ, sistemin sahadaki etkisini sayısal olarak derecelendirme imkânı sunmakta ve müdahale önceliklendirme süreçlerine entegre edilebilecek bir karar destek yapısı sağlamaktadır. Çalışma, veri odaklı karşılaştırmalı yöntem önerisiyle HPLC teknolojisinin izleme ve değerlendirme süreçlerindeki potansiyel rolünü disiplinler arası bir çerçevede ele almaktadır.
Anahtar Kelimeler
Akıllı şebekeler , Enerji verimliliği , HPLC teknolojisi , Teknik olmayan kayıplar
Kaynakça
- Abrahamsen, F. E., Ai, Y., & Cheffena, M. (2021). Communication technologies for smart grid: a comprehensive survey. Sensors (Basel, Switzerland), 21(23), 8087.
- Aktif Elektronik, (2022, 01 March). https://aktif.net/en/innovative-communication-for-power-lines/
- Buzau, M.-M., Tejedor-Aguilera, J., Cruz-Romero, P., & Gómez-Expósito, A. (2019). Detection of non-technical losses using smart meter data and supervised learning. IEEE Transactions on Smart Grid, 10(3), 2661–2670.
- Brown, P. A. (1990). Telecommunications networks for remote electricity supply metering and load control. PhD thesis The Open Universiy
- Cui L, Qu Y, Gao L, Xie G, Yu S. Detecting false data attacks using machine learning techniques in smart grid: a survey. J Netw Comput Appl 2020;170.
- Düzgün, B. (2018). Türkiye elektrik iletim ve dağıtım şebekesinin enerji verimliliğinin değerlendirilmesi ve 2023 projeksiyonları. Politeknik Dergisi, 21(3), 621-632.
- El-Afifi, M. I., Sedhom, B. E., Padmanaban, S., & Eladl, A. A. (2024). A review of IoT-enabled smart energy hub systems: Rising, applications, challenges, and future prospects. Renewable Energy Focus, 51, 100634.
- Elektrik Dağıtım Hizmetleri Derneği (Elder). (2023). Elektrik Dağıtım Hizmetleri Derneği Sektör Raporu 2023. https://www.elder.org.tr/Content/files/df7e73fd-07f2-4e84-b386-c846ecb499fa.pdf
- He Y, Mendis GJ, Wei J. Real-time detection of false data injection attacks in smart grid: a deep learning-based intelligent mechanism. IEEE Trans Smart Grid 2017; 8:2505–16.
- Jokar, P., Arianpoo, N., & Leung, V. C. M. (2016). Electricity theft detection in AMI using customers’ consumption patterns. IEEE Transactions on Smart Grid, 7(1), 216–226.