Geri Dön

Akıllı elektrık şebekeleri için derin öğrenme kullanarak elektrikli ev aletlerinin sınıflandırması

Classification of home electrical appliances using deep learning for smart grid

  1. Tez No: 700262
  2. Yazar: VAHİT FERYAD
  3. Danışmanlar: PROF. DR. İSMAİL HAKKI ÇAVDAR
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Karadeniz Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 118

Özet

Akıllı elektrik şebekelerinde (smart grid) enerji talep tarafı yönetiminin (TTY) başarılı bir şekilde uygulanmasının temel koşullarından biri elektrik yük izleme sistemi ile farklı yüklerinin izlemesidir. Enerji ve sürdürülebilirlik sorunları, veri madenciliği ve makine öğrenmesi yaklaşımları kullanılarak ele alınabilecek çok sayıda sorunu beraberinde getirmektedir, Ancak, kamuya açık veri kümelerinin bulunmamasından dolayı bu tür problemlerin çözümü yavaş olmuştur. Bu çalışmada, önce verimli bir Enerji Ayrıştırma (energy disaggregation) modeli tasarlanmış ve Konutsal Enerji Ayrıştırma Veri Kümesi (REDD) adı verilen kamuya açık ortak kriter (benchmark) verilerine ve başarı metriklerine dayanarak model değerlendirmesi yapılmıştır, daha sonra akıllı şebekede cihaz sınıflandırma araştırmalarını ilerletmeyi hedefleyen ve ev elektriği kullanım verilerini içeren Türkiye Elektrikli Ev Aletleri Veri Seti (TEEAVS) adı verdiğimiz bir veri kümesi sunulmuştur. Ayrıca, bu çalışmada TEEAVS ile önerilen cihaz sınıflandırıcı modeli eğitilmiş ve performans değerlendirmesi yapılmıştır. Yapılan bu değerlendirmenin başarısı REDD veri seti ile yapılan performans testi ile doğrulanmıştır. Bu tezde veri toplamak için akım sensörleri ve Node-Red yazılım kurulumları ile Nesnelerin İnterneti (IoT) mimarisi kurulmuştur.

Özet (Çeviri)

One of the basic conditions for the successful implementation of energy demand side management (TTY) in smart grids is the monitoring of different loads with an electrical load monitoring system. Energy and sustainability issues present a multitude of issues that can be addressed using data mining and machine learning approaches. However, resolution of such problems has been slow due to the lack of publicly available datasets. In this study, first an efficient Energy Disaggregation model was designed and model evaluation was performed based on publicly available benchmark data and success metrics called the Residential Energy Disaggregation Dataset (REDD). A dataset we call the Turkish Electrical Appliances Dataset (TEAD), which includes data on domestic and household electricity usage, is presented. In addition, in this study, the device classifier model proposed with TEAD was trained and performance evaluation was made. The success of this evaluation was confirmed by the performance test with the REDD data set. In this thesis, Internet of Things (IoT) architecture was established with current sensors and Node-Red software installations to collect data.

Benzer Tezler

  1. Elektrikli araçların akıllı şebekeye entegrasyonu ve şebekeye etkilerinin yapay zekâ yöntemleriyle analizi

    Integration of electric vehicles into the smart grid and analysis of their effects on the grid with artificial intelligence methods

    KADİR OLCAY

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NURETTİN ÇETİNKAYA

  2. Elektrikli araçların kullanımına yönelik yük tahmini ve karar destek sistemi

    Load forecasting and decision support system for electric vehicles use

    HATİCE MENEKŞE KÖSEMEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. ORHAN TORKUL

  3. Clustering based deep learning strategy for the short-term load aggregate load forecasting for smart grids

    Akıllı şebekeler için kısa vadede yük toplam yük tahmini için kümeleme tabanlı derin öğrenme stratejisi

    MİRAY ALP

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiYaşar Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN DEMİRKIRAN

  4. Deep neural network-based stealthy false data injection attack detection on der integrated systems

    Dek entegre sistemlerinde derin sinir ağı tabanlı gizlenmiş yanlış veri enjeksiyon saldırısı tespiti

    CAN GÜRKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ

  5. Short term electricity load forecasting with deep learning

    Derin öğrenme ile kısa dönemli elektrik yük talep tahmini

    İBRAHİM YAZICI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA