Geri Dön

Enerji sektöründe makine öğrenmesi algoritmaları kullanılarak müşterilerin tahsilat potansiyellerinin değerlendirilmesi

Assessing the collection potential of customers in the energy sector using machine learning algorithms

  1. Tez No: 770117
  2. Yazar: EMİNE CEREN ÖZAY
  3. Danışmanlar: DOÇ. DR. ERMAN ÇAKIT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 95

Özet

Günümüzde elektrik birim fiyatlarının artmasıyla birlikte kaçak elektrik kullanımı artmakta ve müşterilerin kaçak elektrik faturalarını ödeme oranları düşmektedir. Kaçak elektrik tüketimi yapan müşteriler genel olarak faturalarını ödememe eğiliminde olduğundan bu müşterilerden tahsilat yapılıp yapılamayacağını belirlemek güçtür. 2004 yılında başlayan özelleştirmeler ile Türkiye 21 elektrik dağıtım bölgesine ayrılmış olup özelleştirme sonrasında kaçak elektrik tüketimin tespitinin yapılması, faturalandırılması ve tahsilatı, elektrik dağıtım şirketlerinin sorumluluğu olarak belirlenmiştir. Bu sorumluluğun karşılığında dağıtım şirketleri kaçak elektrik faturalarının tahsilat miktarı üzerinden belirli oranda gelir sağlamaktadır. Bu nedenle dağıtım şirketleri için hem şirket kazancının arttırılması hem de nakit akışının iyileştirilmesi için kaçak elektrik kullanımı yapan müşterilerin ödeme potansiyellerinin tespit edilmesi önemli hale gelmiştir. Bu çalışmada, Türkiye'de faaliyet gösteren üç elektrik dağıtım şirketine ait kaçak elektrik kullanımı yapan müşterilerin, 2020 yılı verileri kullanılarak borçlarını ödeyip, ödemeyecekleri makine öğrenmesi algoritmaları ile analiz edilmiştir. Müşterilerin geçmiş ödeme alışkanlıkları, borç miktarları, demografik verileri, bölge kaçak oranları girdi değişkeni olarak kullanılmıştır. Çıktı değişkeni ise öder/ ödemez şeklinde ikili kategorik olarak dikkate alınmıştır. Veri kümesine uygun olan denetimli öğrenme sınıflandırma yöntemlerinden; lojistik regresyon, destek vektör makineleri, yapay sinir ağları, k-en yakın komşu algoritması, rastgele ormanlar, gradyan artırma makineleri, aşırı gradyan artırma, hafif gradyan artırma makineleri algoritmaları kullanılarak modeller oluşturulmuştur. Model performanslarını artırmak ve aşırı öğrenmenin önüne geçmek için k-katlamalı çapraz doğrulama ve hiper parametre ayarlama yapılmıştır. Ayrıca karar ağacı tabanlı topluluk yöntemleri olan rastgele ormanlar, gradyan artırma, aşırı gradyan artırma, hafif gradyan artırma algoritmaları için değişken önem düzeyleri belirlenmiştir. Model tahmin performans değerleri ve değişken önem düzeyi analizi sonuçları değerlendirildiğinde en iyi sonuç veren model olarak gradyan artırma makineleri modeli belirlenmiştir. Müşteri ödeme durumu analizinin sadece kredi sağlayan kuruluşların problemi olmaktan çıkıp diğer sektörlerde de uygulanabileceğini gösteren bu çalışma; bundan sonraki benzer çalışmalara yol göstererek literatüre bu anlamda katkı sağlayacaktır.

Özet (Çeviri)

Today, with the increase in electricity unit prices, the use of theft electricity increases and the rate of customers to pay their theft electricity bills decreases. Since customers who consume illegal electricity generally tend not to pay their bills, it is difficult to determine whether collections can be made from these customers. With the privatizations that started in 2004, Turkey was divided into 21 electricity distribution regions, and after the privatization, determining, invoicing and collection of theft electricity consumption was determined as the responsibility of electricity distribution companies. In return for this responsibility, distribution companies provide a certain amount of income over the collection amount of illegal electricity bills. For this reason, it has become important for distribution companies to determine the payment potential of customers who use theft electricity in order to increase the company's earnings and improve cash flow. In this study, it was analysed by machine learning algorithms whether the customers who use theft electricity belonging to three electricity distribution companies operating in Turkey, will pay their debts using 2020 data. Customers' previously payment habits, debt amounts, demographic data, and regional electricity theft rates were used as input variables. The output variable has been considered as binary categorical as pays or not pays. One of the supervised learning classification methods suitable for the data set; models were created using logistic regression, support vector machines, artificial neural networks, k-nearest neighbour algorithm, random forests, gradient boosting machine, extreme gradient boosting machine, light gradient boosting machine algorithms. K-fold cross validation and hyperparameter tuning were performed to increase model performances and prevent over-learning. In addition, variable importance levels were determined for random forest, gradient boosting machine, extreme gradient boosting machine, light gradient boosting machine, which are decision tree-based ensemble methods. When the model estimation performance metrics and variable significance analysis results were evaluated, the gradient boosting machine model was determined as the model that gave the best results. This study, which shows that customer payment status analysis is not only the problem of credit institutions and can be applied in other sectors, will contribute to the literature in this sense by guiding similar studies from now on.

Benzer Tezler

  1. Toplu yemek hizmetlerinde makine öğrenmesi algoritmaları ile talep planlama

    Demand planning for catering services by using machine learning algorithms

    OSMAN ÖMER GÜNER

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Endüstri ve Endüstri Mühendisliğiİstanbul Üniversitesi-Cerrahpaşa

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TARIK KÜÇÜKDENİZ

  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. Yapay sinir ağları ile Hakkari ili doğalgaz tüketim tahmini

    Hakkari province natural gas consumption estimation with artificial neural networks

    BİLAL ÇİÇEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Makine MühendisliğiHakkari Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TAYFUN ÇETİN

  4. From data to action: Transforming pressure testing in manufacturing with machine learning for enhancing energy efficiency

    Veriden aksiyona: Üretimdeki basınç testini makine öğrenimiyle dönüştürmek ve enerji verimliliğini artırmak

    ERHAN YILDIZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN

  5. A novel method to estimate state of charge of li-based batteries

    Lityum bazlı batarya hücrelerinin özgün bir yöntem ile şarj durumu tahmini

    EYMEN İPEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MURAT YILMAZ