KaydedilenlerDerginizi ekleyin

Dergiler / Mühendislik Bilimleri ve Araştırmaları Dergisi / 2026 / Cilt: 8 Sayı: 2

Açıklanabilir Makine Öğrenmesi Tabanlı Elektrikli Araç Entegrasyon Kapasitesi Değerlendirmesi

Explainable Machine Learning-Based Assessment of Electric Vehicle Hosting Capacity in Distribution Systems

Şevket Cantürk(BALIKESİR ÜNİVERSİTESİ, SINDIRGI MESLEK YÜKSEKOKULU, ELEKTRİK VE ENERJİ BÖLÜMÜ)0000-0001-5439-5405
Oktay Karakaya(Balıkesir Üniversitesi)0000-0003-3871-1724
Sayfa
197–206
Yayın Tarihi
2026-10-27
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bağlantı noktalarına göre hesaplanan entegrasyon kapasiteleri, konum seçiminin şebeke performansında belirleyici olduğunu ortaya koymuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Elektrikli araçların yaygınlaşması, dağıtım sistemlerinde gerilim profili bozulmaları ve aktif güç kayıplarında artış gibi işletme sorunlarının ayrıntılı biçimde değerlendirilmesini gerektirmektedir.
📊
Temel Bulgular & Veri:Bu çalışmada, elektrikli araç entegrasyonunun dağıtım sistemi performansı üzerindeki etkileri açıklanabilir makine öğrenmesi yaklaşımıyla incelenmiştir.
💡
Sonuç & Katkı:Bağlantı noktalarına göre hesaplanan entegrasyon kapasiteleri, konum seçiminin şebeke performansında belirleyici olduğunu ortaya koymuştur.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Elektrikli Araçlar · Dağıtım Sistemleri · Entegrasyon Kapasitesi

Özet

Elektrikli araçların yaygınlaşması, dağıtım sistemlerinde gerilim profili bozulmaları ve aktif güç kayıplarında artış gibi işletme sorunlarının ayrıntılı biçimde değerlendirilmesini gerektirmektedir. Bu çalışmada, elektrikli araç entegrasyonunun dağıtım sistemi performansı üzerindeki etkileri açıklanabilir makine öğrenmesi yaklaşımıyla incelenmiştir. IEEE 33 bara dağıtım sistemi MATPOWER ortamında modellenmiş ve Norveç’teki konut kullanıcılarına ait gerçek saatlik şarj verileri kullanılarak 20.000 işletme senaryosu oluşturulmuştur. Farklı penetrasyon seviyeleri, bağlantı noktaları, yük seviyeleri ve güç faktörleri dikkate alınmıştır. Minimum bara gerilimi ile aktif güç kayıplarının tahmininde CatBoost, XGBoost, LightGBM ve Random Forest algoritmaları karşılaştırılmıştır. CatBoost her iki çıktı için en yüksek doğruluğu sağlamıştır. Açıklanabilirlik analizi, sistem yükü, toplam şarj gücü ve penetrasyon seviyesinin en etkili değişkenler olduğunu göstermiştir. Bağlantı noktalarına göre hesaplanan entegrasyon kapasiteleri, konum seçiminin şebeke performansında belirleyici olduğunu ortaya koymuştur. Önerilen yaklaşım, planlama çalışmaları için hızlı, veri odaklı ve yorumlanabilir bir karar destek çerçevesi sunmaktadır.

Abstract

The adoption of electric vehicles requires assessment of operational problems such as voltage deterioration and increased active power losses in distribution systems. This study investigates electric vehicle integration effects through an explainable machine learning approach. The IEEE 33-bus distribution system was modeled in MATPOWER, and 20,000 operating scenarios were generated using real hourly charging data from residential users in Norway. Different penetration levels, connection points, load levels, and power factors were considered. CatBoost, XGBoost, LightGBM, and Random Forest algorithms were compared for predicting minimum bus voltage and active power losses. CatBoost achieved the highest accuracy for both outputs. The explainability analysis showed that system loading, total charging power, and penetration level were the most influential variables. Hosting capacities calculated for different connection points demonstrated that location selection has a decisive effect on network performance. The proposed approach provides a fast, data-driven, and interpretable decision-support framework for electric vehicle integration planning.

🔖

Bu Makaleye Atıf Yap

Cantürk, Ş., Karakaya, O. (2026). Açıklanabilir Makine Öğrenmesi Tabanlı Elektrikli Araç Entegrasyon Kapasitesi Değerlendirmesi. Mühendislik Bilimleri ve Araştırmaları Dergisi, Cilt: 8 Sayı: 2, 197–206. https://doi.org/10.46387/bjesr.2011486

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (29)

  1. S. Rahman, I. A. Khan, A. A. Khan, A. Mallik, and M. F. Nadeem, “Comprehensive review and impact analysis of integrating projected electric vehicle charging load to the existing low-voltage distribution system,” Renew. Sustain. Energy Rev., vol. 153, Art. no. 111756, 2022.
  2. S. Ray, K. Kasturi, S. Patnaik, and M. R. Nayak, “Review of electric vehicles integration impacts in distribution networks: Placement, charging/discharging strategies, objectives and optimisation models,” J. Energy Storage, vol. 72, Art. no. 108672, 2023.
  3. N. Panossian, M. Muratori, B. Palmintier, A. Meintz, T. Lipman, and K. Moffat, “Challenges and opportunities of integrating electric vehicles in electricity distribution systems,” Curr. Sustain./Renew. Energy Rep., vol. 9, no. 2, pp. 27–40, 2022.
  4. M. S. H. Nizami, M. J. Hossain, and K. Mahmud, “Coordinated electric vehicle management system for grid support services in residential networks,” IEEE Syst. J., vol. 15, no. 2, pp. 2066–2077, 2021.
  5. A. Tayri and X. Ma, “Grid impacts of electric vehicle charging: A review of challenges and mitigation strategies,” Energies, vol. 18, no. 14, Art. no. 3807, 2025.
  6. T. Yuvaraj, K. R. Devabalaji, J. A. Kumar, S. B. Thanikanti, and N. I. Nwulu, “A comprehensive review and analysis of the allocation of electric vehicle charging stations in distribution networks,” IEEE Access, vol. 12, pp. 5404–5461, 2024.
  7. C. de Mattos Affonso and M. Kezunovic, “Technical and economic impact of PV-BESS charging station on transformer lifetime: A case study,” IEEE Trans. Smart Grid, vol. 10, no. 4, pp. 4683–4692, 2019.
  8. D. Alame, M. Azzouz, and N. Kar, “Assessment and mitigation of electric vehicle harmonic currents on distribution systems,” Energies, vol. 13, no. 12, Art. no. 3257, 2020.
  9. Z. M. Zenhom, S. H. A. Aleem, A. F. Zobaa, and T. A. Boghdady, “A comprehensive review of renewables and electric vehicles hosting capacity in active distribution networks,” IEEE Access, vol. 12, pp. 3672–3699, 2024.
  10. S. Fatima, V. Püvi, M. Lehtonen, and M. Pourakbari-Kasmaei, “A review of electric vehicle hosting capacity quantification and improvement techniques for distribution networks,” IET Gener. Transm. Distrib., vol. 18, no. 6, pp. 1095–1113, 2024.
  11. M. D. Kamruzzaman, X. Zhang, M. Abdelmalak, M. Benidris, and D. Shi, “A method to evaluate the maximum hosting capacity of power systems to electric vehicles,” in Proc. Int. Conf. Probabilistic Methods Applied to Power Systems (PMAPS), Liège, Belgium, 2020.
  12. S. Wang, C. Li, Z. Pan, and J. Wang, “Probabilistic method for distribution network electric vehicle hosting capacity assessment based on combined cumulants and Gram–Charlier expansion,” Energy Procedia, vol. 158, pp. 5067–5072, 2019.
  13. M. Al-Saffar, S. Zhang, A. Nassif, and P. Musilek, “Assessment of photovoltaic hosting capacity of existing distribution circuits,” in Proc. IEEE Canadian Conf. Electrical and Computer Engineering (CCECE), Edmonton, Canada, pp. 1–4, 2019.
  14. M. Kamruzzaman and M. Benidris, “Reliability-based metrics to quantify the maximum permissible load demand of electric vehicles,” IEEE Trans. Ind. Appl., vol. 55, no. 4, pp. 3365–3375, 2019.
  15. A. E. Avila-Rojas, P. M. De Oliveira-De Jesus, and M. Alvarez, “Distribution network electric vehicle hosting capacity enhancement using an optimal power flow formulation,” Electr. Eng., vol. 104, no. 3, pp. 1337–1348, 2022.
  16. V. Umoh, A. Adebiyi, and K. Moloi, “Hosting capacity assessment of South African residential low-voltage networks for electric vehicle charging,” Eng, vol. 4, no. 3, pp. 1965–1980, 2023.
  17. O. Karahan and M. Bağrıyanık, “Machine learning-based dynamic hosting capacity for bidirectional EVs,” IEEE Access, vol. 14, pp. 30906–30915, 2026.
  18. S. Deshmukh, A. Iqbal, K. Suburna, K. Thomas, A. Rahman, and S. Islam, “Evaluation of electric vehicles hosting capacity using artificial intelligence techniques,” in Proc. 19th IEEE Int. Conf. Compatibility, Power Electronics and Power Engineering, Antalya, Türkiye, pp. 1–6, 2025.
  19. N. Hariyanto, A. A. R. Leksono, and K. M. Banjarnahor, “A machine learning framework for stochastic assessment of combined PV/EV hosting capacity boundaries in MV distribution networks,” SSRN, pp. 1–14, 2025.
  20. M. Asadi, K. Jalilpoor, R. Claeys, and J. Desmet, “Machine learning-based model to estimate the dynamic hosting capacity in distribution network,” in Proc. IEEE PES Innovative Smart Grid Technologies Europe (ISGT-Europe), pp. 1–5, 2024.
  21. M. E. Baran and F. F. Wu, “Network reconfiguration in distribution systems for loss reduction and load balancing,” IEEE Trans. Power Deliv., vol. 4, no. 2, pp. 1401–1407, 1989.
  22. R. D. Zimmerman, C. E. Murillo-Sánchez, and R. J. Thomas, “MATPOWER: Steady-state operations, planning, and analysis tools for power systems research and education,” IEEE Trans. Power Syst., vol. 26, no. 1, pp. 12–19, 2011.
  23. A. L. Sorensen, “Electric vehicle charging dataset with 35,000 charging sessions from 12 residential locations in Norway,” Zenodo, 2024.
  24. R. Zhu, G. Ciren, B. Tang, et al., “Power system short-term voltage stability assessment based on improved CatBoost with consideration of model confidence,” Energy Sci. Eng., vol. 11, no. 2, pp. 783–795, 2023.
  25. M. Chen, Q. Liu, S. Chen, et al., “XGBoost-based algorithm interpretation and application on post-fault transient stability status prediction of power system,” IEEE Access, vol. 7, pp. 13149–13158, 2019.
  26. Y. Yang, Y. Wang, and X. Zhang, “Research on power system small-signal stability analysis and correction based on LightGBM algorithm,” Electr. Eng., vol. 106, no. 4, pp. 4469–4486, 2024.
  27. Z. Mustaffa and M. H. Sulaiman, “Random forest-based wind power prediction method for sustainable energy system,” Cleaner Energy Syst., Art. no. 100210, 2025.
  28. D. Chicco, M. J. Warrens, and G. Jurman, “The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE, and RMSE in regression analysis evaluation,” PeerJ Comput. Sci., vol. 7, Art. no. e623, 2021.
  29. S. M. Lundberg and S.-I. Lee, “A unified approach to interpreting model predictions,” Advances in Neural Information Processing Systems, vol. 30, pp. 4765–4774, 2017.