Yapay zekâ ve makine öğrenimi araçları ile elektrik tüketimi tahmini
Electricity consumption forecasting via artificial intelligence and machine learning tools
- Tez No: 810296
- Danışmanlar: DOÇ. DR. SILA ÖVGÜ KORKUT UYSAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
- Sayfa Sayısı: 59
Özet
Bu durum çalışması, stratejiler oluşturabilmeleri ve gerekli önlemleri alabilmeleri için çeşitli işletmeler için elektrik kullanımının tahmin edilmesi gibi kritik bir konuya odaklanmaktadır. Çalışmanın özel amacı, elektrik kullanımını kaydeden cihazların yanı sıra termokupl içeren sensörler ve analizörlerden elde edilen verileri kullanarak bir üretim hattındaki makinelerin elektrik tüketimini tahmin etmektir. Bunu yapmak için, tahmin modellerinde zaman serisi verilerinin temel özelliklerini yakalama becerisiyle dikkat çeken Prophet tekniği kullanıldı. Ayrıca, çalışma, sıcaklık verilerinin hem kullanımını hem de hariç tutulmasını dikkate alarak güç kullanımını tahmin etmede Prophet yaklaşımının yararlılığını araştırmaktadır. Hem tek değişkenli hem de çok değişkenli senaryolar için tablo ve şekillerde gösterilen bulgular, Prophet yönteminin etkinliğini göstermektedir. RMSE, MAE ve SMAPE puanlarının karşılaştırılması, sıcaklık verilerinin kaldırılması nın, sıcaklık verilerine sahip olmaktan daha iyi tahminlere yol açtığını da gösterir. Prophet tekniğine ek olarak, bu çalışma güç kullanımını tahmin etmek için LSTM ve ARIMA modellerinin kullanılmasını önermektedir. LSTM modelleri, zaman serisi verilerinde ki önemli kalıpları tanıma yetenekleriyle tanınır ve bu da onları bu bağlamda paha biçilmez bir araç haline getirir. LSTM modelleri, uzun vadeli ilişkileri yakalama kapasitelerinden yararlanarak güç kullanımı için güvenilir tahminler sağlayabilir. Otoregresif, hareketli ortalama ve fark bileşenlerini birleştiren ARIMA modelleri, zaman serisi analizinde sağlam bir temele sahiptir ve trendleri ve mevsimsellik kalıplarını verimli bir şekilde yakalayabilir. LSTM ve ARIMA modellerinin gelecekteki çalışmalara dâhil edilmesi, performansları hakkında ek bilgiler sağlayacak ve güç kullanımını tahmin etmek için en iyi tekniğin belirlenmesine yardımcı olacaktır.
Özet (Çeviri)
This case study focuses on the critical issue of projecting electricity usage for diverse businesses so that they may establish strategies and take the required measures. The dissertation's specific goal is to estimate the electricity consumption of machines on a production line using data obtained from sensors and analyzers, which include thermocouples as well as devices that record electricity usage. The Prophet technique, noted for its ability to capture the core properties of time-series data in predicting models, was used to do this. Furthermore, the thesis investigates the 0usefulness of the Prophet approach in predicting power usage by taking into account both the utilization and exclusion of temperature data. The findings, which are shown in tables and figures for both univariate and multivariate scenarios, demonstrate the Prophet method's efficacy. A comparison of the RMSE, MAE, and SMAPE scores also shows that removing temperature data leads to better forecasts than having temperature data. In addition to the Prophet technique, this thesis recommends the use of LSTM and ARIMA models for forecasting power usage. LSTM models are well-known for their ability to recognize important patterns in time-series data, making them an invaluable tool in this context. LSTM models can provide reliable estimates for power usage by exploiting their capacity to capture long-term relationships. ARIMA models, which combine autoregressive, moving average, and differencing components, have a solid foundation in time-series analysis and can efficiently capture trends and seasonality patterns. The inclusion of LSTM and ARIMA models in future studies would provide additional insights into their performance and aid in determining the best technique for forecasting power usage.
Benzer Tezler
- Hibrit araçlar için yapay zeka tabanlı bir kontrol stratejisi
An artificial intelligence based control strategy for hybrid vehicles
YILMAZ SERYAR ARIKUŞU
Doktora
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-CerrahpaşaElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEVRA BAYHAN
DOÇ. DR. HASAN TİRYAKİ
- 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
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. ORHAN TORKUL
- Covid-19 hastalığının sınıflandırılmasında derin öğrenme modellerinin performanslarının karşılaştırılması
Comparison of the performances of deep learning models in classification of Covid-19 disease
PERVİN SÜRGÜÇOĞLU
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiKastamonu ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. KEMAL AKYOL
- Yapay zekâ tabanlı elektrokardiyografi sinyali ile kan basıncı tespiti
AI-based blood pressure detection with electrocardiography signal
DERYA KANDAZ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- Modelling and state of charge estimation of lithium-ion batteries
Lityum bazlı batarya hücrelerininmodelleme ve şarj durumu tahmini
MANİ KAZIMI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. METİN GÖKAŞAN