Geri Dön

Residential energy consumption analysis through datadriven energy forecasting with environmental andbehavioural factors

Çevresel ve davranışsal faktörlerleveri odaklı enerji tahmini aracılığıylakonut enerji tüketiminin analizi

  1. Tez No: 1015845
  2. Yazar: MİRAÇ DURHAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ LALE ERDEM ATILGAN, DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN, DOÇ. DR. OĞUZHAN CEYLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Küresel enerji piyasalarında gözlemlenen aşırı fiyat dalgalanmaları, jeopolitik riskler ve arz-talep dengesizlikleri ile birlikte enerji güvenliği kavramını yeniden gündeme taşımış; buna paralel olarak akıllı şebeke altyapısına geçiş zorunluluğu, konut sektöründeki Talep Tarafı Yönetimi (DSM) çalışmalarını hem çevresel sürdürülebilirlik hem de ekonomik verimlilik açısından kritik bir araştırma alanı haline getirmiştir. Özellikle son yıllarda enerji maliyetlerindeki artış, hanehalkı bütçeleri üzerinde doğrudan baskı oluşturmuş ve tüketici davranışının enerji sistemleri içindeki rolünü daha görünür hale getirmiştir. Bu bağlamda, yalnızca üretim tarafına odaklanan geleneksel enerji politikalarının yeterli olmadığı; tüketim tarafının da veri temelli yöntemlerle optimize edilmesi gerektiği açıkça ortaya çıkmıştır. Bu tez, hanehalkı enerji tüketimini yüksek zamansal çözünürlükte tahmin etmek ve elde edilen çıktıları kullanıcı davranışını iyileştirmeye yönelik geri bildirim ve oyunlaştırılmış senaryolara temel oluşturmak amacıyla veri odaklı ve bütüncül bir çerçeve önermektedir. Çalışma, enerji tahminini yalnızca teknik bir regresyon problemi olarak değil; çevresel, davranışsal ve ekonomik boyutları bütüncül biçimde ele alan çok katmanlı bir karar destek sistemi yaklaşımı olarak konumlandırmaktadır. Çalışma kapsamında, yüksek çözünürlüklü UK-DALE veri setindeki 1. Hane ölçümleri kullanılarak; fiziksel çevresel değişkenleri, kullanıcı davranışını yansıtan otoregresif özelliklerle entegre eden bir makine öğrenimi mimarisi geliştirilmiştir. Dakikalık veri yapısı sayesinde mikro-seviyedeki tüketim dalgalanmaları gözlemlenebilmiş ve klasik aylık/faturalama temelli analizlerin yakalayamadığı davranışsal örüntüler modellenebilmiştir. Araştırma metodolojisinde, iç mekân elektrik yükleri karakteristiklerine göre deterministik, yarı-stokastik ve tamamen stokastik sınıflar altında incelenmiştir. Bu sınıflandırma, literatürde sıklıkla tek tip modelleme yaklaşımıyla ele alınan konut yüklerine alternatif olarak, yük doğasına duyarlı bir model seçimi stratejisi sunmaktadır. Çalışmanın özgün yönlerinden biri, aydınlatma yükünün doğasına uygun olarak geliştirilen aşamalı modelleme yaklaşımıdır. Aydınlatma tüketimi, güneş döngüsü tarafından belirlenen çevresel sınırlar ile hanehalkının stokastik tercihleri arasında yer alan hibrit (yarı-stokastik) bir süreç olarak ele alınmıştır. Bu yaklaşımda, gün uzunluğu, gün doğumu ve gün batımı saatleri, mevsimsel periyotlar ve resmi tatiller gibi takvimsel değişkenler modele kademeli olarak entegre edilmiştir. Böylece modelin açıklayıcılık gücü adım adım artırılmış ve her bir özelliğin marjinal katkısı analiz edilmiştir. Güneş verileri, tatil günleri ve döngüsel özelliklerin modele kademeli olarak entegre edilmesiyle tahmin performansında önemli iyileşmeler sağlanmış; tahmin ufku aylık bazda değerlendirildiğinde ve mevsimsel özellikler tam olarak dahil edildiğinde, belirleme katsayısı R² = 0.83 seviyesine ulaşmıştır. Bu sonuçlar, çevresel veriler ile insan davranışı arasında güçlü ve anlamlı bir ilişki kurulabileceğini açıkça ortaya koymaktadır. Elde edilen bulgular, aydınlatma yükünün tamamen rastgele bir süreç olmadığını; doğal ışık sınırları içinde davranışsal tercihlerle şekillenen yarı-deterministik bir yapı sergilediğini göstermektedir. Aylık ileriye dönük aydınlatma tahminlerinde, önerilen modelin ortalama yüzde hata oranı \%6.37, medyan hata oranı ise \%5.72 olarak hesaplanmıştır. Bu değerler, aydınlatma yükü için yaklaşık \%93.63'lük bir ortalama tahmin doğruluğuna karşılık gelmektedir. Buna karşılık, yalnızca geçmiş tüketim verilerine dayanan referans (baseline) yaklaşım, sırasıyla \%19.53 ve \%14.38'lik ortalama ve medyan hata oranları göstermiştir. Bu karşılaştırma, çevresel bağlamdan yoksun salt otoregresif yaklaşımların, özellikle mevsim geçişleri ve gün uzunluğundaki değişimlerde sistematik sapma ürettiğini ortaya koymaktadır. Bulgular, aydınlatma gibi yüksek değişkenliğe sahip yüklerde, çevresel ve davranışsal niteliklerin birlikte ele alınmasının tahmin doğruluğunu belirgin biçimde artırdığını göstermektedir. Toplam hanehalkı tüketim analizlerinde, önerilen XGBoost modeli, zamansal bağımlılıkları başarıyla öğrenerek yüksek bir tahmin doğruluğu (\%94.46) sergilemiştir. Model, Ortalama Mutlak Hatayı (MAE) 16 kWh olarak elde etmiş; Naive Persistence (basit süreklilik) yaklaşımında ise bu değer 26 kWh seviyesinde kalmıştır. Negatif R² üreten baseline modele kıyasla, önerilen mimari varyansın anlamlı bir bölümünü açıklayarak toplam yük dinamiklerini istatistiksel olarak tutarlı biçimde temsil edebilmiştir. Bu analiz, cihaz bazlı modellere geçmeden önce, önerilen çerçevenin toplam enerji hacmini güvenilir şekilde tahmin edebildiğini göstermiştir. Isıtma ve sıcak su yüklerini temsil eden boiler (kazan) analizi, çalışmada çevresel olarak deterministik yükler kapsamında ele alınmıştır. Boiler tüketiminin dış ortam sıcaklığı ve mevsimsel geçişlere güçlü biçimde bağlı olduğu gösterilmiş; çevresel ve zamansal özelliklerle zenginleştirilen model, mevsimler arası tutarlı performans sergilemiştir. Bu durum, ısıtma yüklerinin fiziksel termodinamik süreçlerle doğrudan ilişkili olduğunu ve dış sıcaklık verisinin modele dahil edilmesinin kritik öneme sahip olduğunu doğrulamaktadır. Sonuçlar, ısıtma yüklerinde çevresel farkındalığa sahip modellerin, yalnızca geçmiş tüketime dayalı yaklaşımlara kıyasla daha kararlı ve genellenebilir tahminler sunduğunu ortaya koymuştur. Buna ek olarak, çamaşır makinesi gibi tamamen stokastik özelliklere sahip cihazlara uygulanan Kayan Pencere (Sliding Window) tekniği sayesinde, kümülatif enerji hacmi tahmini yapılmış ve model ay sonu tüketimini dinamik olarak düşük hata oranlarıyla tahmin edebilmiştir. Bu yaklaşım, tekil kullanım zamanını tahmin etmeye çalışmak yerine, toplam aylık hacmi tahmin etmeye odaklanarak stokastik belirsizliği azaltmayı hedeflemiştir. Bulaşık makinesi analizlerinde ise cihazın belirli saatlerde çalıştığı gözlemlense de, kullanım yoğunluğunun aylar arasında önemli ölçüde değiştiği tespit edilmiştir. Çamaşır makinesi, yük kaydırmaya uygun esnek bir cihaz olarak değerlendirilmiş ve hacim odaklı yaklaşım ile baseline durumda yaklaşık \%35 seviyesinde olan hata oranı \%13 seviyesine düşürülmüştür, böylece güvenilir finansal öngörüler elde edilmiştir. Bu bulgu, esnek yüklerin doğru tahmin edilmesinin doğrudan ekonomik optimizasyon potansiyeli taşıdığını göstermektedir. Elde edilen analitik bulgular,“Dürtme Teorisi”(Nudge Theory) ve oyunlaştırma öğeleriyle desteklenen bir geri bildirim mekanizmasının temellerini oluşturmaktadır. Bu çerçevede kullanıcıya yalnızca bilgi sunmak yerine, davranış değişikliğini teşvik eden görsel skorlar, tasarruf göstergeleri ve senaryo bazlı öneriler tasarlanmıştır.“Yük Kaydırma”(Load Shifting) ve“Gün Işığı Hasadı”(Daylight Harvesting) senaryoları üzerinden gerçekleştirilen simülasyonlar, bu yaklaşımın hane başına yıllık yaklaşık 98.95 £ (Birleşik Krallık tarifesi) ve 1152 TL (Türkiye Cumhuriyeti tarifesi) tasarruf potansiyeline sahip olduğunu göstermektedir. Bu değerler, yalnızca teorik bir model başarısını değil; pratik ve ölçülebilir bir ekonomik çıktıyı temsil etmektedir. Yapılan spesifik buzdolabı analizlerinde, ortam sıcaklığı ve kullanıcı davranışına dayalı ikili bir bağımlılık gözlemlenmiştir. Sık kapı açılmalarıyla karakterize edilen“Yoğun Günler”,“Sakin Günler”e kıyasla özellikle yemek saatlerinde yaklaşık \%40 daha yüksek medyan tüketime neden olmuştur. Bu durum, görünüşte sabit çalışan cihazların dahi mikro-davranışsal etkilerden önemli ölçüde etkilendiğini göstermektedir. Model, durağan mevsimsel dönemlerde yaklaşık \%1 seviyesinde düşük bir tahmin hatası elde etmesine rağmen, ani trend değişimlerinde gecikmeli tepki verme zorluklarını da ortaya koymuştur. Bu gözlem, gelecekte adaptif veya çevrimiçi öğrenme algoritmalarının entegrasyonu için bir araştırma alanı sunmaktadır. Sonuç olarak bu çalışma, yüksek doğruluklu enerji tahmin modellerinin davranışsal geri bildirim mekanizmalarıyla entegre edilmesinin, konut ortamlarında enerji israfını azaltmak için bilimsel olarak uygulanabilir ve ekonomik olarak ölçeklenebilir bir yöntem sunduğunu göstermektedir. Önerilen çerçeve, yalnızca mevcut tüketim örüntülerini tahmin etmekle kalmamakta; aynı zamanda daha sürdürülebilir bir tüketim kültürünün inşasına katkı sağlayacak veri temelli bir karar destek altyapısı ortaya koymaktadır.

Özet (Çeviri)

The extreme price fluctuations observed in global energy markets and the resulting necessity for transitioning to smart grid infrastructure have made Demand Side Management (DSM) studies in the residential sector a critical research area in terms of both environmental sustainability and economic efficiency. This thesis proposes a data-driven and holistic framework designed to forecast household electricity consumption at high temporal resolution and to utilize the resulting outputs as a foundation for behavior-oriented feedback and gamified decision-support scenarios. Within the scope of the study, high-resolution measurements from Household 1 of the UK-DALE dataset were employed to develop a machine learning architecture that integrates physical environmental variables with autoregressive features reflecting user behavior. Residential indoor electrical loads were analyzed by categorizing them according to their intrinsic characteristics as deterministic, semi-stochastic, and fully stochastic processes. One of the most original contributions of this study is the stepwise modeling approach developed for lighting load, tailored specifically to its intrinsic nature. Lighting consumption is treated as a hybrid (semi-stochastic) process, situated between the environmental boundaries imposed by the solar cycle and the stochastic preferences of household occupants. By progressively integrating astronomical data, public holidays, and cyclical features into the model, substantial improvements in forecasting performance were achieved. When evaluated on a monthly forecasting horizon with full seasonal integration, the coefficient of determination reached R² = 0.83, demonstrating a strong and meaningful relationship between environmental conditions and human behavior. In forward monthly lighting forecasts, the proposed model achieved an average percentage error of 6.37\% corresponding to an average prediction accuracy of approximately 93.63\%. In contrast, baseline approaches relying solely on historical consumption data exhibited significantly higher average error of 19.53\%, respectively. These findings clearly indicate that jointly modeling environmental and behavioral features substantially improves forecasting accuracy for highly variable loads such as lighting. In the analysis of aggregate household electricity consumption, the proposed XGBoost-based model successfully learned temporal dependencies and achieved a high prediction accuracy of 94.46\%. The model reduced the Mean Absolute Error (MAE) to 16 kWh, compared to 26 kWh obtained using a naïve persistence baseline. This result confirms the suitability of the proposed framework for reliably estimating total household energy volume, which is particularly relevant for billing analysis and DSM applications. The boiler load, representing space heating and domestic hot water demand, was analyzed as a climate-driven deterministic load. The results demonstrate that boiler consumption exhibits a strong dependency on outdoor temperature and seasonal transitions. By incorporating temporal and environmental features, the proposed model achieved stable and consistent performance across different seasons, highlighting the importance of environmental awareness in forecasting thermally driven loads. For fully stochastic, event-driven appliances such as washing machines, a Sliding Window–based cumulative forecasting approach was adopted to estimate energy volume rather than precise operating times. This approach enabled dynamic and reliable end-of-month consumption estimation with low error rates. A similar volume-oriented methodology was applied to dishwasher load, which, despite operating within certain time ranges, exhibits significant variability in monthly usage intensity. In Washing Machine by reformulating the forecasting problem around cumulative energy volume, the baseline error rate of approximately 35\% was reduced to 13\%, enabling reliable financial forecasting for shiftable appliances. The analytical findings form the basis of a behavior-aware feedback mechanism supported by Nudge Theory and gamification concepts. Simulations conducted under Load Shifting and Daylight Harvesting scenarios demonstrate that the proposed approach offers an annual savings potential of approximately £98.95 per household under the United Kingdom tariff structure, and 1152 TL under the Turkish electricity tariff. Finally, Fridge load analysis revealed a dual dependency on ambient temperature and user behavior. Days characterized by frequent door openings (“busy days”) exhibited approximately 40\% higher median consumption during meal hours compared to“quiet days.”While the model achieved low prediction error levels of around 1\% during stable seasonal periods, it also exposed delayed response limitations under sudden trend changes. Overall, this thesis demonstrates that the integration of high-accuracy energy forecasting models with behavior-oriented feedback mechanisms provides a scientifically feasible and economically scalable solution for reducing energy waste in residential environments. By aligning predictive modeling with appliance-specific characteristics and DSM objectives, the proposed framework contributes to intelligent residential energy management and supports long-term sustainability goals.

Benzer Tezler

  1. Tez No

    1018567

    Makine öğrenmesi tabanlı akıllı şehir çözümleri: Bina türü tanıma, su tüketimi öngörüsü ve sızıntı tespiti

    Machine learning-based smart city solutions: Building type identification, water consumption forecasting, and leak detection

    RAUF YASİN

    Doktora

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEÇKİN ARI

  2. Tez No

    992801

    Makine öğrenimi teknikleri kullanarak güneş radyasyon tahmini ile entegre edilmiş optimum ev enerji yönetim sistemi tasarımı

    Design of an optimal home energy management system integrated with solar radiation forecasting using machine learning techniques

    MUHAMMED ŞAMİL ÇİMEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik Mühendisliğiİzmir Bakırçay Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BAYRAM KÖSE

  3. Tez No

    948050

    Güç transformatörleri sfra tarama frekans cevabı analizi sonuçlarının yapay zeka uygulamaları ile karşılaştırılması

    Comparison of power transformer sfra sweep frequency response analysis results with artificial intelligence applications

    HAKAN ÇUHADAROĞLU

    Doktora

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. YILMAZ UYAROĞLU

  4. Tez No

    575322

    Şebeke etkileşimli tüketiciler ile toplu talep yönetimi

    Aggregated demand side management with grid responsive consumers

    MUSTAFA ALPARSLAN ZEHİR

    Doktora

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA BAĞRIYANIK

  5. Tez No

    979517

    Interoperabılıty and dynamıc modelıng to balance photovoltaıc energy generatıon and buıldıng energy demand for enhanced effıcıency

    Fotovoltaik enerji üretimi ve bina enerji talebini dengelemek için interoperabilite ve dinamik modelleme

    SEVİM BEÇET

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimi ve Teknolojileri Ana Bilim Dalı

    PROF. DR. HATİCE SÖZER

Geri Dön