Page 60 - st-enerjisini-ureten-fabrikalar-2025-ocak

YAPAY ZEKA I TEKNİK MAKALE

Şekil 2: Güç Tüketimi KAYNAKLAR
[1] Verma, A., Anwar, A., Mahmud, M.
rülebilir. Eğitim setindeki doğruluk metriği olabileceği düşünülmektedir. Bununla A., Ahmed, M., & Kouzani, A. (2021).
açısından en iyi sonuç Rastgele Orman birlikte Rastgele Orman ve Karar Ağacı A comprehensive review on the NILM
ve Karar Ağacı algoritmalarına aittir. An- algoritmaları da aşırı öğrenme riski ba- algorithms for energy disaggregation.
cak doğruluk değerleri neredeyse 1’e rındırmakla birlikte gelişmiş sonuçlar arXiv preprint arXiv:2102.12578.
çok yakın olduğu için eğitim aşamasında da sağlamaktadır. Gelecekteki çalış- [2] Schirmer, P. A., Mporas, I., & Paras-
aşırı öğrenme meydana geldiği şeklinde malarda, veri setinin hacmini artırmak kevas, M. (2020). Energy disaggregation
değerlendirilebilir. En kötü sonuç ise SGD ve enerji tüketimlerini ayrıştırmak için using elastic matching algorithms. Ent-
algoritması için alınır. Test setindeki doğ- yöntemler geliştirmek planlanmaktadır. ropy, 22(1), 71.
ruluk metriği açısından en iyi sonuç K-NN Uzun vadeli hedefler için enerji tüketimi [3] Schirmer, P. A., Mporas, I., & Paras-
ve AdaBoost algoritmalarına aittir. Diğer hakkında alarm/sinyal üretmek ve enerji kevas, M. (2019, July). Evaluation of reg-
algoritmaların doğruluk değeri ise ağırlıklı verimliliği açısından potansiyel müşteri- ression algorithms and features on the
olarak 0,8 - 0,9 bandındadır. SGD algo- lere cihazların optimum kullanım zaman- energy disaggregation task. In 2019 10th
ritması için yine en kötü sonuç alınmıştır. larını önermek amaçlanmaktadır. Ayrıca International Conference on Information,
endüstriyel tesislerde enerji verimliliği ve Intelligence, Systems and Applications
TARTIŞMA VE SONUÇ kestirimci bakıma yönelik, enerji dağıtım (IISA) (pp. 1-4). IEEE.
Yapılan çalışmalar sonucunda en yakın ve iletim sisteminde ise optimize edilmiş [4] Jiang, J., Kong, Q., Plumbley, M. D.,
komşu (K-NN) yaklaşımının, daha küçük işletim ve olası arıza durumlarını tahmin Gilbert, N., Hoogendoorn, M., & Roijers,
veri seti ve veri örneklerinin belirli bir alt etme konularında çalışmaların gerçek- D. M. (2021). Deep learning-based ener-
kümesi ile ilgili olarak başarılı görün- leştirilmesi de amaçlanmaktadır. gy disaggregation and on/off detection
düğünü ortaya koymaktadır. Ek olarak, of household appliances. ACM Transa-
sınıf sayısı (ölçüme dahil edilen farklı Not: “Bu bildiri, 02-03 Ekim 2024 tarihle- ctions on Knowledge Discovery from
elektrik karakteristiğine sahip cihaz sa- rinde Ankara’da düzenlenen Enerji Stra- Data (TKDD), 15(3), 1-21.
yısı) artarsa K-NN algoritmasının kırılgan tejileri Konferansı’nda sunulmuştur”. [5] Gürbüz, F. B., Bayındır, R., & Vadi, S.
(2023). Elektrikli Ev Aletlerinde Müdaha-
lesiz Yük İzleme, Sınıflandırma ve Kont-
rolünün Gerçekleştirilmesi. Gazi Univer-
sity Journal of Science Part C: Design
and Technology, 11(4), 1209-1222.
[6] Peuscher, O. F. (2012). Design Propo-
sal for the FLUKE Wireless Touch Power
Quality Analyzer (Bachelor’s thesis, Uni-
versity of Twente).
[7] Bisong, E. (2019). Building machine
learning and deep learning models on
Google cloud platform (pp. 59-64). Ber-
Şekil 3: Eğitim ve Test Seti Doğruluk Değerleri keley, CA: Apress.

58 ST ENERJİSİNİ ÜRETEN FABRİKALAR I Ocak 2025