Page 59 - st-enerjisini-ureten-fabrikalar-2025-ocak

TEKNİK MAKALE I YAPAY ZEKA

(K-Nearest Neighbor, K-NN), Destek
Vektör Makinaları (Support Vector Ma-
chine, SVM), Derin Sinir Ağları (Deep
Neural Networks, DNN) ve Rastgele Or-
man (Random Forest) algoritmaları, yedi
farklı istatistiksel ve elektriksel özellik
seti kullanılarak beş veri kümesi üzerin-
de değerlendirilmiştir [3]. Diğer bir ça-
lışmada ise, enerji ayrıştırma görevi için
WaveNet modellerinin uygulanmasını
araştırılmıştır. 20 haneden 2 yıl boyunca
toplanan gerçek dünya enerji veri setine
dayanarak, WaveNet modellerinin ener-
ji ayrıştırma için literatürde önerilen en
son derin öğrenme yöntemlerinden hem
hata ölçümleri hem de hesaplama mali-
yeti açısından daha iyi performans gös-
terdiği ifade edilmiştir [4]. Müdahalesiz
Yük İzleme, elektrikli cihazların şebeke
üzerinden izlenmesi, tespit edilmesi ve
özelliklerine göre sınıflandırılmasını he- Ölçüm: Bu işlem sırasında bulaşık ma- kullanılabilmesi adına kategorik veriden
defler. Bu yöntem üzerine hibrit algorit- kinası, çamaşır makinası, buzdolabı, sayısal veriye dönüştürme yapılmıştır.
ma kullanımının başarıyı artırdığına dair ütü, fırın, elektrikli süpürge ve TV olmak Bununla birlikte girdi olarak kullanılacak
çıktılara [5] çalışmasında yer verilmiştir. üzere toplam 7 cihaz aktif olarak aralık- özellikler için de ölçeklendirme/standar-
Bu çalışmada, makina öğrenimi ve de- larla kullanılmıştır. Voltaj, akım ve güç dizasyon yapılmıştır.
rin öğrenme algoritmaları kullanılarak, bilgileri gibi 15 özelliği içeren 1326 adet
enerji analizörü ile toplanan veri setine ölçüm kaydedilmiştir. Ölçüm süresince Model: Yapay Zekâ açısından, dokuz
dayanarak elektrik yüklerinin tahmin ortaya çıkan güç tüketiminin değişimi makina öğrenimi algoritması kullanıl-
edilmesi amaçlanmıştır. Burada bahsi Şekil 2’de gösterilmiştir. mıştır. Bunlar K-En Yakın Komşu, Ada-
geçen senaryo, çoklu etiketli sınıflan- Boost, Rastgele Orman, Karar Ağacı
dırma olarak değerlendirilmektedir. Bu Ön İşleme: Toplanan veriler incelene- (Decision Tree), Çok Katmanlı Algılayıcı
bildirinin geri kalanı şu şekilde düzen- rek bir ön işleme tabi tutulmuştur. Veri (Multilayer Perceptron, MLP), Destek
lenmiştir. İkinci bölüm yöntem hakkında kümesinde hiçbir cihazın etkin olmadığı Vektör Sınıflandırıcısı (Support Vector
detayları vermektedir. Üçüncü bölüm gözüken/işaretlenen boş satırlar veri kü- Classifier, SVC), Lojistik Regresyon,
ise bulgulaya yer vermektedir. Son bö- mesinden kaldırılmıştır. “Hedef” sütunu- Ridge ve Stokastik Gradyan İnişi (Sto-
lümde ise tartışma ve sonuçlar üzerine nun yapay zekâ algoritmaları tarafından chastic Gradient Descent, SGD). Veri
yorumlamalar yapılmıştır. seti sırasıyla yüzde 80 ve yüzde 20 ol-
mak üzere Eğitim ve Test kümelerine
YÖNTEM ayrılmıştır. Bununla birlikte Grid Search
Bu çalışmada önerilen metodoloji, yapay mekanizması, K-Fold çapraz doğrula-
zekâ (makina öğrenmesi ve derin öğren- ma gibi yöntemler de hiper parametre
me) algoritmalarının bir hane halkından optimizasyonu için kullanılmıştır. Algorit-
toplanan gerçek bir veri seti üzerinde maları performanslarına göre değerlen-
çok etiketli sınıflandırma problemi olarak dirmek için doğruluk metriği seçilmiştir.
uygulanmasından oluşmaktadır.
BULGULAR
Veri Seti: Veri toplanması için Fluke Önerilen metodoloji, hem Google Co-
marka üç fazlı bir güç analizörü kullanıl- laboratory [7] hem de lokal bilgisayar
mıştır. Fluke 435 güç kalitesi analizörleri, kaynakları kullanılarak test edilmiştir.
güç kalitesi ölçümleri için profesyonel ve Veri setinin işlenmesinde ve yapay zekâ
hassas cihazlardır [6]. Yaklaşık 25 daki- modellerinin kullanılmasında Python
kalık bir ölçüm gerçekleştirilmiştir. Bahsi programlama dili ve ilgili kütüphaneleri
geçen ölçüm cihazına dair bir görsel Şe- kullanılmıştır. Performans sonuçları ile
kil 1’de yer almaktadır. Şekil 1: Enerji Ölçüm Cihazı ilgili karşılaştırma ve grafik Şekil 3’te gö-

ST ENERJİSİNİ ÜRETEN FABRİKALAR I Ocak 2025 57