A PREDICTIVE MAINTENANCE FRAMEWORK FOR DAY-AHEAD TRANSFORMER OUTAGE RISK ESTIMATION USING HETEROGENEOUS DATA AND TEMPORAL MODELS

Creative Commons License

GÜZELYOL T. E., ates y.

Mühendislik Bilimleri ve Tasarım Dergisi, vol.14, no.2, pp.318-329, 2026 (TRDizin)

Abstract

Unplanned outages in electricity distribution networks reduce system reliability and increase operational costs. Existing studies on transformer failures predominantly focus on Dissolved Gas Analysis (DGA) and condition index–based long-term health assessment approaches, while studies performing day-ahead operational risk prediction using real field outage records integrated with meteorological variables remain limited.In this study, day-ahead failure risk prediction is performed by integrating 8,671 outage records from 34 power transformers located in İzmir and Manisa provinces between 2021 and 2024 with regional meteorological data and asset-specific technical parameters. Selected machine learning models representing linear, tree-based, and gradient boosting approaches are comparatively evaluated. The models are trained using a time-series cross-validation strategy and assessed on an independent test set corresponding to the last quarter of 2024.Considering the imbalanced nature of the dataset, G-Mean is adopted as the primary evaluation metric. On the test set, gradient boosting–based models achieve a G-Mean of 0.627 and a ROC-AUC of 0.663. The findings provide an operationally applicable decision-support framework for day-ahead outage risk prediction based on real field data and contribute to the development of predictive maintenance strategies in distribution networks.
Elektrik dağıtım şebekelerinde meydana gelen plansız kesintiler, şebeke güvenilirliğini düşürmekte ve işletme maliyetlerini artırmaktadır. Literatürde transformatör arızalarına yönelik çalışmalar çoğunlukla DGA ve durum indeksi temelli analizlere odaklanmakta olup, gerçek saha verileri ve meteorolojik değişkenler kullanılarak günlük kesinti riski tahmini yapan sınırlı sayıda çalışma bulunmaktadır. Bu çalışmada, İzmir ve Manisa illerinde bulunan 34 güç transformatörüne ait 2021–2024 yılları arasındaki 8.671 kesinti kaydı, bölgesel meteorolojik veriler ve varlık temelli teknik parametreler ile entegre edilerek bir gün önceden arıza riski tahmini gerçekleştirilmiştir. Çalışma kapsamında doğrusal, ağaç tabanlı ve gradyan artırmalı yaklaşımları temsil eden seçili makine öğrenmesi modelleri karşılaştırmalı olarak değerlendirilmiştir. Modeller zaman serisi çapraz doğrulama stratejisi ile eğitilmiş ve 2024 yılının son çeyreği ayrılmış test seti üzerinde analiz edilmiştir. Performans değerlendirmesinde dengesiz sınıf yapısını dikkate alan G-Mean metriği temel alınmış olup, gradyan artırmalı modellerin G-Mean değerinde 0.627 ve ROC-AUC değerinde 0.663 performans sergilediği görülmüştür. Elde edilen bulgular, gerçek saha verileri üzerinde günlük kesinti risk tahmini için metodolojik bir karşılaştırma çerçevesi sunmakta ve dağıtım şebekelerinde kestirimci bakım stratejilerinin geliştirilmesine katkı sağlamaktadır.