Page 58 - st-enerjisini-ureten-fabrikalar-2025-ocak

YAPAY ZEKA I TEKNİK MAKALE

Elektrik yüklerinin makina öğrenmesi

ile sınıflandırılması

Yazıyı Hazırlayan ve Sunanlar: Siemens Sanayi ve Ticaret A.Ş / Dr. Necip Gözüaçık, Dr. Hasan Basri Çetinkaya, Mehmet Cin, Can Murat Gül

Siemens, bilinen makina öğrenimi algoritmaları ve derin öğrenme algoritmalarının,
çoklu etiketli sınıflandırmaya bağlı olarak elektrik yükü türlerini tahmin etmek
için kullanıldığı çalışmanın sonuçlarını paylaştı.

nerji verimliliği ve sürdürüle-
bilir enerji, enerji verisi ayrış-
tırma konusu altında ortaya
çıkan önemli başlıklardır. Bu
E bağlamda, elektrik yüklerini
sınıflandırmak, enerji tüketimini farklı-
laştırmak ve böylece geliştirilmiş enerji
verimliliği için tüketici/son kullanıcılara
önerilerde bulunmak için atılan ilk adım-
lardan biri olarak değerlendirilebilir. Bu
çalışmada, bilinen makina öğrenimi al-
goritmaları ve derin öğrenme algoritma-
ları, çoklu etiketli sınıflandırmaya bağlı
olarak elektrik yükü türlerini tahmin etmek
için kullanılmıştır. Veri seti için, güç kali-
tesi analizörü aracılığıyla ev aletlerinden
gerçek veriler toplanmıştır. Bu çalışma,
doğruluk açısından en iyi performansın,
K-En Yakın Komşu ve AdaBoost algorit-
malarıyla elde edildiğini göstermektedir.

Anahtar Sözcükler
Enerji ayrıştırma, enerji verimliliği, makina
öğrenmesi, sürdürülebilirlik, yapay zekâ

GİRİŞ
Günümüzde, sürdürülebilir, yenilenebilir
ve güvenli kaynaklardan enerji sağlama
daha önce hiç olmadığı kadar önem ölçmek için birkaç farklı yöntem bu- dahaleci olmayan yük izleme, ev enerji
kazanmıştır. Enerjinin bulunabilirliği, lunmaktadır. Fiş seviyesinde donanım yönetimi ve enerji ayrıştırma gibi konuları
coğrafya ve teknolojiye bağlıyken, bu monitörleri, akıllı cihazlar, ev düzeyinde ile ilgili birçok çalışma ve makale yayın-
enerjinin verimli kullanımı doğru ener- akım sensörleri en yaygın yöntemlerdir. lanmıştır. Bir çalışmada elastik eşleş-
ji kullanım analizi ve bu analizin doğru Enerji ayrıştırma yöntemi, diğer yöntem- tirme algoritmalarını kullanan bir enerji
yorumlanmasına, yeni kullanım alışkan- lere kıyasla en düşük maliyeti, en düşük ayrıştırma mimarisi sunulmaktadır [2].
lıklarının geliştirilmesine ve daha verimli kurulum çalışmasını ve en yüksek ölçek- Bir makalede ise, enerji ayrıştırma göre-
sistemlerin geliştirilmesine bağlıdır. Bu lenebilirliği sağlamaktadır. Bu da elektrik vinde regresyon için iyi bilinen ve yaygın
nedenle, enerji kaynaklarının etkin bir şe- yükünün sınıflandırılması için enerji ayrış- olarak kullanılan çeşitli makina öğreni-
kilde yönetilmesi ve kullanılması oldukça tırma yöntemini diğer seçenekler arasın- mi algoritmaları değerlendirilmektedir.
önemlidir [1]. da uygun bir aday yapmaktadır. Özellikle, Girişimsiz Yük İzleme yakla-
Elektrikli cihazların enerji tüketimini Elektrikli cihazların sınıflandırılması, mü- şımı ele alınmış ve K-En Yakın Komşu

56 ST ENERJİSİNİ ÜRETEN FABRİKALAR I Ocak 2025