DENTELNet: Teknik olmayan elektrik kayıplarının tespiti için yeni bir hibrit derin öğrenme yöntemi

Elektrik enerjisi, modern toplumların temel ihtiyaçlarından biri olup, ekonomik büyüme ve toplumsal refah açısından kritik bir rol oynamaktadır. Ancak enerji üretiminden tüketime kadar geçen süreçte meydana gelen kayıplar, kaynakların verimsiz kullanımına ve ekonomik zararlara yol açmaktadır. Teknik olmayan kayıplar, özellikle usulsüz elektrik kullanımı, sayaç manipülasyonu ve kaçak bağlantılar gibi nedenlerle enerji sektörünün karşılaştığı en büyük zorluklardan biridir. Bu çalışmada, teknik olmayan kayıpların tespiti amacıyla yenilikçi bir hibrit derin öğrenme modeli olan DENTELNet önerilmiştir. Model, Evrişimli Sinir Ağları (Convolutional Neural Networks – CNN), İki Yönlü Uzun Kısa Vadeli Bellek (Bidirectional Long Short-Term Memory – BiLSTM) ve Sıvı Sinir Ağı (Liquid Neural Network – LNN) bileşenlerinden oluşmaktadır. Öznitelik indirgeme amacıyla Zaman Serisi Ayrışımı tabanlı Temel Bileşen Analizi yöntemi kullanılmış ve veri dengesizliği, Sınırda Sentetik Azınlık Aşırı Örnekleme Tekniği (Borderline SMOTE – BSMOTE) ve Tomek Bağlantısı Yöntemi (Tomek Link – TLink) yaklaşımı ile giderilmiştir. Yapılan deneysel çalışmalar sonucunda, model %92.153 doğruluk, %90.402 kesinlik, %92.153 duyarlılık ve %90.397 F1-skoru elde etmiştir. ROC eğrisi analizi, yüksek AUC değerleri ile modelin ayırt edici gücünü ve dengeli performansını göstermektedir.