Arıza tespiti, yapısı giderek karmaşıklaşan elektrik iletim ve dağıtım şebekelerinde önemli bir konudur. Bu tez çalışmasında iletim ve dağıtım hatlarının önemli bir sorunu olan kısa devre arızalarının ve arıza yerlerinin tespitinde rastgele vektör işlevsel bağlantı ağları (RVFLN) tabanlı iki yöntem olan Cauchy ağırlıklandırma M-tahmini RVFLN (Cauchy-M-RVFLN) ve online gürbüz düzenlenmiş RVFLN (ORR-RVFLN) yöntemleri önerilmiştir. Önerilen yöntemlerin arıza tespit performansı analiz edilmiş, klasik makine öğrenme yöntemleri ile ve birbirleriyle karşılaştırılmıştır. Yöntemlerin performanslarının analizi gerçek zamanlı sayısal simülatörde (RTDS) yapılan simülasyonlar sonucu elde edilen veriler yardımıyla yapılmıştır. Simülasyon modeli olarak IEEE 33 ve IEEE 39-baralı sistemlerin gerçek zamanlı simülasyon yazılım paketi olan RSCAD kullanılarak geliştirilen modelleri kullanılmıştır. Literatürde yapılan çalışmalardan farklı olarak tez çalışmasında, arıza ve arıza yeri tespitinde kullanılacak altı yeni öznitelik vektörü geliştirilmiştir. Geliştirilen altı yeni öznitelik vektörünün yüksek empedanslı kısa devre hatalarının tespit doğruluğunu yaklaşık %10 oranında artmasına katkı sunmakta olduğu tespit edilmiştir. Bunun yanında gerçek sistemlere yakınlığın sağlanması için elde edilen verilere gürültü eklenerek yöntemlerin performansı test edilmiştir. Önerilen yöntemler, dağıtım veya iletim sisteminin sadece sekiz barasından alınan akım ve gerilim verileri ile tespit yapabilmektedir. Farklı kısa devre arızaları için 0, 30, 50 ve 100 ohm'luk dört farklı hata empedans değeri ile baradan uzaklığı 0-50, 50-100, 100-150, 150-200, 250-300, 350-400 ve >400 m olan yedi farklı mesafe kategorisinde oluşturulan çok sayıda durum için elde edilen verilerle yöntemlerin performansları analiz edilmiştir. Elde edilen sonuçlar, önerilen ORR-RVFLN ve Cauchy-M-RVFLN yöntemlerinin arıza türü tespitini, arıza türleri, hata empedansları ve gürültü değerlerine bağlı olarak %100 ile %80 doğrulukla tespit edebildiğini göstermektedir. Önerilen yöntemler RVFLN, evrişimsel sinir ağları (CNN), uzun kısa süreli bellek (LSTM), destek vektör makinesi (SVM) ve aşırı öğrenme makinesi (ELM) yöntemlerinden daha yüksek doğrulukla arıza tespiti yapabilmiştir. Arıza yeri tespitinde elde edilen sonuçlar incelendiğinde arıza yer tespitinin hata sayısının, hata empedansı arttıkça yükseldiği ve baraya olan mesafe arttıkça da azaldığı tespit edilmiştir. En çok hatalı yer tespitinin baraya en yakın mesafe olan 0-50 m aralığında olduğu görülmüştür. Sonuçlar yöntemin 400 m'den uzak mesafelerdeki arıza yerini %90'nın üzerinde doğrulukla doğru olarak tespit ettiğini göstermektedir. Önerilen iki yöntem birbirleriyle karşılaştırıldıklarında, ORR-RVFLN yönteminin Cauchy-M-RVFLN yönteminden %3 ile %8 oranında daha iyi arıza tespit başarımına sahip olduğu görülmektedir. Tüm sonuçlar göz önüne alındığında önerilen ORR-RVFLN yönteminin arıza türü ve arıza yeri tespitinde en başarılı yöntem olduğu ortaya çıkmaktadır Fault detection is an important subject in increasingly complex electrical transmission and distribution systems. In the present dissertation study, two methods based on random vector functional link networks (RVFLN), Cauchy weighting M-estimation RVFLN (Cauchy-M-RVFLN) and online robust regularized RVFLN (ORR-RVFLN) methods, are proposed for the detection of short circuit faults and fault locations, which are a major problem of transmission and distribution systems. The fault detection performances of the proposed methods were analyzed and compared with those of conventional machine learning methods and with each other. The performances of methods were analyzed with data obtained from simulations on a real-time digital simulator (RTDS). As a simulation model, IEEE 33 and IEEE 39-bus systems developed on RSCAD, a real-time simulation software package, were used. Different from studies in the literature, this dissertation study introduces six new feature vectors to be used in the detection of faults and fault locations. It was detected that these newly constructed feature vectors contributed to increasing the detection accuracy of high-impedance short circuit faults by about 10%. In addition, the performances of methods were tested by adding noise to data in order to achieve similarity to real systems. The proposed methods can detect faults with current and voltage data retrieved from only eight buses of the transmission and distribution system. The performances of methods were analyzed with data obtained for a large number of conditions including four different fault impedance values for different short-circuit faults which were 0, 30, 50 and 100 ohm and seven different distances from the bus which were 0-50, 50-100, 100-150, 150-200, 250-300, 350-400 and >400 m. Results showed that the proposed ORR-RVFLN and Cauchy-M-RVFLN methods detected the faults with 100% and 80% accuracies depending on the fault type, fault impedances and noise values. The proposed methods were able to perform fault detection with higher accuracy than RVFLN, convolutional neural networks (CNN), long short-term memory (LSTM), support vector machine (SVM) and extreme learning machine (ELM) methods. Results regarding the detection of fault locations showed that the number of erroneous fault location detections increased with higher fault impedance and decreased with longer distance from the bus. It was observed that the most erroneous detections of fault locations occurred in 0-50 m range which was the shortest distance from the bus. Study results demonstrated that the method detected the fault locations farther than 400 m with an accuracy of over 90%. When the proposed methods were compared with each other, the ORR-RVFLN method had a better fault detection performance than the Cauchy-M-RVFLN method by 3% and 8%. In the light of all these results, we can conclude that the proposed ORR-RVFLN method is the most successful method for the detection of faults and fault locations. Dicle Üniversitesi Bilimsel Araştırma Projeleri Koordinatörlüğü (DÜBAP) tarafından DÜBAP- 20.002 proje numarası ile desteklenmiştir.