Application of machine learning methods in energy sector
Enerji sektöründe makine öğrenmesi yöntemlerinin uygulanması
- Tez No: 906112
- Danışmanlar: PROF. DR. DERYA BİRANT, DOÇ. DR. PELİN YILDIRIM TAŞER
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Küresel enerji talepleri arttıkça, hassas tüketim tahminlerinin rolü ekonomik ve çevresel hedefleri dengelemek için giderek daha önemli hale gelmektedir. Enerji tüketimini tahmin etmek, kaynakların etkin tahsisini, maliyetlerin azaltılmasını ve sürdürülebilir enerji kaynaklarına geçişi garanti ettiğinden enerji yönetiminin çok önemli bir unsurudur. Kuruluşlar ve hükümetler enerji tüketimini doğru bir şekilde tahmin ederek, kaynakları stratejik olarak tahsis edebilir, maliyetleri azaltabilir ve genel verimliliği artırabilir. Makine öğrenimi uygulamaları, veri kaynaklarını kullanarak hassas tahminler üretme kapasitesi nedeniyle enerji sektöründe pek çok çalışmayla öne çıkmaktadır. Ancak enerji tüketim tahmini üzerine yapılan literatürdeki çalışmalar, genellikle geçmiş verilere dayanarak sayısal enerji değerini tahmin etmeye çalışan regresyon tipi çalışmalara ağırlık vermekte ve sınıflandırma çalışmalarına sınırlı bir şekilde odaklanmaktadır. Bu boşluğu doldurmak amacıyla, müşterilerin enerji tüketim seviyelerini sınıflandırmak için geliştirilmiş bir k-en yakın komşu (KNN) algoritması olan kademeli dinamik en yakın komşu (SDNN) önerilmiştir. KNN gibi sabit bir k parametresi kullanmak yerine, SDNN veri dağılımına göre dinamik bir komşuluk stratejisi kullanır ve Adım Adım Oylama adı verilen yeni bir oylama mekanizması uygular. İlk olarak, SDNN yaklaşımı, sınıflandırma yeteneğini doğrulamak için 50 farklı kıyaslama ve yaygın olarak tercih edilen veri kümesine uygulanmıştır. Daha sonra, enerji tüketimini sınıflandırmak için üç farklı gerçek dünya veri kümesi üzerinde kullanılmıştır. Sonuçlar, önerilen SDNN yönteminin doğruluk açısından KNN yönteminden, KNN varyantlarından ve son teknoloji yöntemlerden daha iyi performans gösterdiğini ortaya koymuştur.
Özet (Çeviri)
As global energy demands rise, accurate consumption forecasting becomes increasingly important to balance economic and environmental objectives. Forecasting energy consumption is a critical element of energy management because it ensures efficient resource allocation, cost reduction, and a transition to sustainable energy sources. By accurately forecasting energy consumption, organizations and governments can strategically allocate resources, reduce costs, and improve overall efficiency. Machine-learning applications stand out in many studies in the energy sector because of their ability to generate precise predictions using data sources. However, literature studies on energy consumption estimates often focus on regression-type studies that try to predict the numerical energy value based on historical data and are limited to classification studies. To bridge this gap, a stepwise dynamic nearest neighbor (SDNN), which is an improved k-nearest neighbor (KNN) algorithm, is proposed to classify customer's energy consumption levels. Instead of using a fixed k parameter such as KNN, SDNN uses a dynamic neighborhood strategy based on data distribution and implements a new voting mechanism called step-by-step voting. First, the SDNN approach was applied to 50 different benchmark datasets and commonly preferred datasets to validate its classification ability. Subsequently, it was employed on three different real-world datasets for classifying energy consumption. The results showed that the proposed SDNN method outperformed the KNN method, KNN variants, and the state-of-the-art methods in terms of accuracy.
Benzer Tezler
- Makine öğrenmesinde değişken seçim yöntemlerinin karşılaştırılması: Ev enerjisi tüketim tahmini
Comparison of variable selection in machine learning methods: Household energy consumption estimation
NURİ BERK URAL
Yüksek Lisans
Türkçe
2024
İstatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MERAL ÇETİN
- Fusion of remote sensing and machine learning for high-resolution bathymetric modeling in shallow coastal zone
Kıyı bölgeleri sığ sularının yüksek çözünürlüklü batimetrik modellemesi için uzaktan algılama ve makine öğrenmesinin füzyonu
EMRE GÜLHER
Doktora
İngilizce
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. UĞUR ALGANCI
- Optimizasyon tabanlı bir su kaynakları sistemi modelleme aracının geliştirilmesi ve çok amaçlı sektörel tahsise uygulanması
Development of an optimization-based modeling tool for water resources systems and application to multi-objective sectoral allocation
SALİM YAYKIRAN
Doktora
Türkçe
2025
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPASLAN EKDAL
- Veri arttırma tekniğinin endüstriyel bir problemde incelenmesi
Investigation of the data augmentation technique in an industrial problem
ALPTEKİN KAVAKOĞLU
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriSakarya Üniversitesiİmalat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GARİP ERDOĞAN
DR. ÖĞR. ÜYESİ -
- Ağ trafiği tahmininde makine öğrenmesi algoritmalarının karşılaştırmalı analizi
A comparative analysis of machine learning algorithms on network traffic forecasting
BUSE DİLAN USLAN
Yüksek Lisans
Türkçe
2025
İşletmeİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ