Geri Dön

Akıllı ev sisteminde derin öğrenme tabanlı enerji tüketim tahmini

Deep learning-based energy consumption prediction in smart home system

PDF İndir

  1. Tez No: 845924
  2. Yazar: BİRCE DAĞKURS
  3. Danışmanlar: DR. ÖĞR. ÜYESİ İSMAİL ATACAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 114

Özet

Bu çalışmada, kısa vadeli elektrik enerjisi tüketiminin tahmininde yüksek verimli bir yöntem olarak öne çıkan bir model önerilmektedir. Bu model, aktarımlı Adaptif Sinirsel Bulanık Çıkarım Sistem (Adaptive Neuro Fuzzy Inference System - ANFIS) mimarisi ile Derin Öğrenme Topluluğu Modelini (DÖTM) bir araya getirerek elektrik enerjisi tüketimi tahminini iyileştirmeyi amaçlamaktadır. Modelin temelini Evrişimli Sinir Ağı (Convolutional Neural Networks - CNN), Tekrarlayan Sinir Ağı (Recurrent Neural Network - RNN), Uzun Kısa Vadeli Bellek (Long Short Term Memory - LSTM), Çift Yönlü Uzun Kısa Vadeli Bellek (Bidirectional LSTM - BI-LSTM) ve Geçitli Tekrarlayan Birim (Gated Recurrent Unit - GRU)'i içeren Derin Öğrenme (Deep Learning – DÖ) algoritmaları oluşturmaktadır. Bu algoritmaların çıktılarının birleştirilmesinde Takai-Sugeno tipi ANFIS mimarisi kullanılmaktadır. Modelin performansını artırmak amacıyla temel tahminleyiciler olarak kullanılan DÖ algoritmaları ile ANFIS mimarisi arasındaki etkileşimi optimize etmek için DÖ skor aktarımını baz alan bir giriş azaltma stratejisi uygulanmaktadır. Önerilen model, elektrik enerjisi tüketimi tahmini için üç farklı veri seti olan“Homedata”,“Household”ve“Homestead”veri setleri üzerinde deneysel olarak test edilmektedir. Performans analizleri için 5-katlı çapraz doğrulama metodu kullanılmaktadır. DÖTM'nin performansını farklı metot ve yöntemler açısından değerlendirmek için, önerilen modelin temelini oluşturan derin öğrenme algoritmalarının yanı sıra, topluluk metotlarını da içeren diğer makine öğrenmesi algoritmaları da aynı veriler üzerinde denenmiştir. En iyi skor aktarımlı ANFIS mimarisi ile geliştirilen DÖTM, enerji tüketim tahmininde DÖ temelli ve Makine Öğrenmesi (Machine Learning – MÖ) temelli algoritmalardan daha başarılı bir performans göstermiştir. Bu başarı, Ortalama Kare Hata (Mean Squared Error - MSE), Karekök Ortalama Kare Hata (Root Mean Squared Error - RMSE), Ortalama Mutlak Hata (Mean Absolute Error – MAE) ve Ortalama Mutlak Yüzde Hata (Mean Absolute Percentage Error – MAPE) gibi performans parametrelerinin düşük değerleriyle desteklenmiştir. Model, bu sonucu“Homedata”veri kümesi için 0,001010 MAE, 0,001531 RMSE, 0,0000031 MSE ve 0,001573 MAPE değerleri ile,“Household”veri kümesi için 0,006572 MAE, 0,013640 RMSE, 0,000356 MSE ve 0,000943 MAPE değerleri ile ve“Homestead”veri kümesi için 0,005889 MAE, 0,025208 RMSE, 0,001884 MSE ve 0,000137 MAPE değerleri ile elde etmiştir. Sonuçlar, modelin etkileyici bir performans sergilediğini göstermektedir. Literatürdeki benzer çalışmalarla karşılaştırıldığında, modelin performansı, benzer çalışmalardan elde edilen performanslardan daha yüksektir. Bu bulgu, modelin rekabetçi bir performansa sahip olduğunu da göstermektedir.

Özet (Çeviri)

In this study, a model is proposed as a highly efficient method for short-term electricity consumption prediction. This model aims to improve electricity consumption prediction by combining the transferred Adaptive Neuro Fuzzy Inference System (ANFIS) architecture with the Deep Learning-based Novel Ensemble (DLBNE) model. The model is built on Deep Learning (DL) algorithms, including Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), Long Short Term Memory (LSTM), Bidirectional LSTM (BI-LSTM) and Gated Recurrent Unit (GRU). The outputs of these algorithms are combined using a Takai-Sugeno type ANFIS architecture. To enhance the model's performance, a feature reduction strategy based on DL score transfer is applied to optimize the interaction between DL algorithms used as base predictors and the ANFIS architecture. The proposed model is experimentally tested on three different datasets for electricity consumption prediction, namely“Homedata”,“Household”and“Homestead”. A 5-fold cross validation method is used for performance analysis. To evaluate the performance of DLBNE from different perspectives and methods, other machine learning algorithms, including community methods, are also tested on the same data. The DLBNE developed with the best score-transferred ANFIS architecture outperforms DL and Machine Learning (ML) based algorithms in electricity consumption prediction. This success is supported by low values of performance parameters such as Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). The model achieved the following results for the“Homedata”dataset: 0,001010 MAE, 0,001531 RMSE, 0,0000031 MSE and 0,001573 MAPE. For the“Household”dataset, the values are 0,006572 MAE, 0,013640 RMSE, 0,000356 MSE and 0,000943 MAPE. Finally, for the“Homestead”dataset, the model obtained 0,005889 MAE, 0,025208 RMSE, 0,001884 MSE and 0,000137 MAPE. The results demonstrate that the model delivers an impressive performance. When compared to similar studies in the literature, the model's performance is higher than the performances obtained from similar studies. This finding also indicates that the model exhibits competitive performance.

Benzer Tezler

  1. Tez No

    861052

    Geleceğin akıllı şebekelerinde talep tarafı için enerji yönetim sistemi

    Demand side energy management system for future smart grids

    ABDULKADİR GÖZÜOĞLU

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiOndokuz Mayıs Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. OKAN ÖZGÖNENEL

  2. Tez No

    863387

    New edge computing offloading methods for next generation wireless networks

    Yeni nesil haberleşme sistemleri için geliştirilen kenar ağlarda bilgi işlem yük boşaltma yöntemleri

    BESTE ATAN

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. LÜTFİYE DURAK ATA

  3. Tez No

    570051

    Makinalar arası iletişim ile kimlik tespiti ve uyarı alarmlarının üretilmesi

    Identification and producting warning alarm with machine to machine communication

    OSMAN DEMİRCİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN KAYHAN

  4. Tez No

    750985

    IoT için makine öğrenmesi tabanlı saldırı tespiti

    Machine learning based intrusion detection for IoT

    AYÇA NUR KAHYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Mühendislik BilimleriEskişehir Osmangazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ESRA NERGİS YOLAÇAN

  5. Tez No

    895410

    Gesture recognition and customization on textile-based pressure sensor array

    Tekstil tabanlı basınç sensörü dizisinde hareket algılama ve kişiselleştirme

    İLKNUR ÇELİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN İNCE

Geri Dön