Geri Dön

Elektrikli ev cihazlarının zaman serisi özelliklerine göre belirlenmesi

Determination of household electric appliances according to the time series features

  1. Tez No: 765412
  2. Yazar: EBRA NUR ZUREL
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MUZAFFER ASLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Mühendislik Bilimleri, Electrical and Electronics Engineering, Energy, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Bingöl Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yenilenebilir Enerji Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 69

Özet

Son dönemlerdeki teknolojik gelişmelere bağlı olarak yaşanan hızlı değişimler beraberinde yaşamış olduğumuz çevreyi de bu gelişmelere uyumlu olmaya itmektedir. Yaşanan bu değişimler enerji kaynaklarına olan talebi büyük bir oranda arttırmaktadır. Özellikle konutlar ve endüstride da kullanılan elektrikli cihaz sayılarının artması ve sürece adaptasyonu zorunlu kıldığı gibi elektrik enerji tüketimini de oldukça artmaktadır. Bu durum özellikle modern toplumlarda giderek artan bir enerji talebine neden olmaktadır. Ancak sınırlı enerji kaynakları nedeniyle enerjinin verimli kullanımı da kritik öneme sahiptir. Arz-talep dengesini etkili bir şekilde sağlanabilmesi, konutlardaki elektriksel yüklerin tanımlanmasına ve müdahaleci olmayan yük izleme sistemlerinin tasarımına bağlıdır. Müdahalesiz yük izleme yöntemleri (MOYİ) ile konutlarda kullanılan elektrikli cihazların kullanımı kontrol edilebilir ve kullanıcıların enerji tasarrufu için davranışları ayarlanabilir. Ev aletlerinin kontrolü ancak bu aletlerin etkin tespiti ile mümkündür. Bu çalışmada, ev aletlerini tespit etmek için kayan pencere yaklaşımı, uzun kısa süreli bellek (LSTM) ağı ve sınıflandırıcı içeren yeni bir hibrit model önerilmiştir. Geleneksel özellik çıkarımının yanı sıra önerilen bu modelde, cihaz özelliklerini belirlemek için zaman serisi özniteliklerini kullanılmıştır. Böylece her bir zaman serisi, kayan pencere tabanlı yaklaşım ile örtüşmeyen pencerelere ayrılmıştır. Her pencerenin ortalama, standart sapma, medyan ve çok ölçekli entropi değerleri hesaplanmıştır. Bu değerler birleştirilerek, derin özellik çıkarımı için LSTM ağına uygulanmıştır. LSTM ağından alınan bu derin öznitelikler ev cihazlarını tespit etmek için k yakın komşuluk (k-NN), topluluk öğrenimi (EBT) ve destek vektör makinesi (DVM) sınıflandırıcılarına uygulanmıştır. Önerilen modelin etkinliği, ev aletleri veri setinin yüksek çözünürlüklü profilleri ile test edilmiştir. Deneysel çalışmalarda, LSTM tabanlı k-NN, EBT ve DVM sınıflandırıcılarında sırasıyla %98,25, %97,81 ve %97,38 doğrulukla ev tipi cihazlar tespit edilmiştir

Özet (Çeviri)

Rapid changes due to recent technological developments push the environment we live in to be compatible with these developments. These changes greatly increase the demand for energy resources. The increase in the number of electrical devices used in residences and industry necessitates adaptation to the process and the consumption of electrical energy. This situation causes an increasing energy demand, especially in modern societies. However, efficient energy use is also critical due to limited energy resources. Effective supply-demand balance depends on identifying electrical loads in the residences and designing non-intrusive load monitoring systems. With non-intervention load monitoring methods (NLM), the use of electrical appliances in residences can be controlled, and the behavior of users can be adjusted for energy saving. Control of household appliances is only possible with effective detection of these appliances. This study proposes a new hybrid model including sliding window approach, long short-term memory (LSTM) network, and a classifier to detect household appliances. In addition to traditional feature extraction, in this proposed model, time series features are used to determine device features. Thus, each time series is divided into windows that do not overlap with the sliding window-based approach. Each window's mean, standard deviation, median and multiscale entropy values were calculated. These values are combined and applied to the LSTM network for deep feature extraction. These in-depth features from the LSTM network were applied to k-neighborhood (k-NN), ensemble learning (EBT) and support vector machine (SVM) classifiers to detect home devices. The effectiveness of the proposed model was tested with high-resolution profiles of the home appliance dataset. In the experimental studies, household appliances were detected in LSTM-based k-NN, EBT, and DVM classifiers with an accuracy of 98.25%, 97.81%, and 97.38%, respectively.

Benzer Tezler

  1. Akıllı şebekelerde yenilenebilir enerji üretimine sahip akıllı evlerin enerji ve yük yönetimi

    Energy and load management of smart homes with renewable energy generation in smart grids

    CEMAL KELEŞ

    Doktora

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik Mühendisliğiİnönü Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ASİM KAYGUSUZ

  2. Assestment of cooperation of photovoltaics and electrified micro mobility in the concept of net zero energy cities

    Fotovoltaik ve elektriklendirilmiş mikro mobilitenin net sıfır enerji şehirler kapsamında iş birliğinin değerlendirilmesi

    NURHAN AYDINALP

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT GÖL

  3. Modelling longitudinal motion of an electric vehicle and wheel slip control through NN based uncertainty prediction

    Elektrikli aracın boyuna hareketinin modellenmesi ve yapay sinir ağı tabanlı belirsizlik kestirimli tekerlek kayma kontrolü

    DUYGU ÖZYILDIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. OVSANNA SETA ESTRADA

  4. A methodology for energy optimization of buildings considering simultaneously building envelope HVAC and renewable system parameters

    Binalarda yapı kabuğu, mekanik sistemler ve yenilenebilir enerji sistemleri parametrelerinin eş zamanlı enerji optimizasyonu için bir yöntem

    MELTEM BAYRAKTAR

    Doktora

    İngilizce

    İngilizce

    2015

    Enerjiİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. AYŞE ZERRİN YILMAZ

    PROF. DR. MARCO PERINO

  5. Yapısal kontrol sistemleri ve sıvı sönümleyicilerin yapılarda kullanımı

    Structural control systems and the use of liquid dampers on the structures

    ERSAN SANSARCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2002

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    Yapı Mühendisliği Ana Bilim Dalı

    DOÇ. DR. A. NECMETTİN GÜNDÜZ