Geri Dön

Application of machine learning methods in energy sector

Enerji sektöründe makine öğrenmesi yöntemlerinin uygulanması

  1. Tez No: 906112
  2. Yazar: DENİZ KARABAŞ
  3. Danışmanlar: PROF. DR. DERYA BİRANT, DOÇ. DR. PELİN YILDIRIM TAŞER
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 92

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

  1. Short term electricity load forecasting with deep learning

    Derin öğrenme ile kısa dönemli elektrik yük talep tahmini

    İBRAHİM YAZICI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  2. Gemi elektrik şebekelerinde derin öğrenme uygulamaları

    Deep learning applications on ship electric grids

    TAYFUN UYANIK

    Doktora

    Türkçe

    Türkçe

    2023

    Deniz Bilimleriİstanbul Teknik Üniversitesi

    Deniz Ulaştırma Mühendisliği Ana Bilim Dalı

    PROF. DR. YASİN ARSLANOĞLU

    PROF. DR. ÖZCAN KALENDERLİ

  3. Yenilenebilir enerji planlaması için bütünleşik çok amaçlı bir karar modeli önerisi

    An integrated multi-objective decision model for renewable energy planning

    BEYZANUR ÇAYIR ERVURAL

    Doktora

    Türkçe

    Türkçe

    2018

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. RAMAZAN EVREN

  4. 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

    Türkçe

    2024

    İstatistikHacettepe Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. MERAL ÇETİN

  5. İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti

    Anomaly detection with machine learning on air conditioning systems

    REFİK KİBAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK

    DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR