Güç transformatörleri, iletim şebekelerinin kritik ve yüksek maliyetli bileşenleri olup, güvenilir çalışmaları şebeke kararlılığı ve ekonomik verimlilik açısından büyük önem taşımaktadır. Transformatör Sağlık Endeksi (TSE) çözünmüş gaz analizi, yağ kalitesi göstergeleri, su içeriği ve güç faktörü gibi temel teşhis parametrelerini bir araya getirerek, varlık durumu değerlendirmesi ve yatırım planlaması için önemli bilgiler sunmaktadır. Bu çalışmada, literatürde transformatör uygulamalarında yüksek tahmin doğruluğu ile bilinen Rastgele Orman algoritması; transformatör veri kümesi üzerinde, veri ön işleme ve filtreleme teknikleri ile kullanılarak TSE tahmini gerçekleştirilmiştir. Yazarların bilgisine göre, literatürde ilk kez, TSE tahmininde ön işleme aşamasında farklı dalgacık aileleri sistematik olarak karşılaştırılmış ve tahmin doğruluğu üzerindeki etkileri incelenmiştir. Sonuçlar, Symlet-2 konfigürasyonunun hem filtreli hem de filtresiz veri setlerinde diğer ailelere kıyasla tutarlı biçimde en yüksek performansı sağladığını, Coiflet-3 ve Coiflet-5’in ise boyut indirgeme yoluyla daha yüksek hesaplama verimliliği elde ederken Symlet-2’ye kıyasla R2 değerinde yaklaşık 0,09–0,10’luk bir düşüş yaşadığı görülmüştür. Bulgular, önişleme aşamasında seçilen dalgacık ailesinin hem özellik seçimi sonuçlarını hem de model performansını doğrudan etkilediğini ortaya koymakta olup yüksek doğruluklu transformatör durumu değerlendirme yaklaşımlarının geliştirilmesine yönelik değerli çıkarımlar sunmaktadır.
In transmission systems, power transformers are key high-value components, and their consistent operation is fundamental for maintaining grid stability and achieving cost-effective performance. The Transformer Health Index (THI) integrates key diagnostic parameters including dissolved gas analysis, water content, oil quality indicators, and power factor providing essential insights for asset condition assessment and investment planning. In this study, THI prediction is conducted using the Random Forest algorithm, recognized in literature for its high predictive accuracy for transformer applications, in combination with data preprocessing and filtering techniques applied to transformer dataset. For the first time, to the best of our knowledge in the THI prediction literature, various wavelet families are systematically compared at the preprocessing stage to examine their influence on predictive accuracy. The results show that the Symlet-2 configuration consistently outperformed other families in both filtered and non-filtered datasets, while Coiflet-3 and Coiflet-5 achieved higher efficiency through dimensionality reduction but with an accuracy decrease of approximately 0.09–0.10 in R2 compared to Symlet-2. The findings demonstrate that the choice of wavelet family in the preprocessing phase directly impacts feature selection outcomes and model performance, offering valuable guidance for the development of high-accuracy transformer condition assessment frameworks.
