Konutlarda enerji tüketimi kestirimi için derin öğrenme ve makine öğrenme yöntemlerinin karşılaştırılması

Abstract

Günümüzde teknoloji gelişmesi ile beraber enerji ihtiyacı gittikçe artmaktadır. Bu enerji talebi artışı doğrultusunda yenilenebilir enerji üretimine önem verilmektedir. Bu yenilenebilir enerjilerin ürettikleri enerjiyi daha kolay sisteme aktarılması gereklidir. Bu yüzden yeni nesil güç sistemleri ile akıllı elektrik şebeke kavramı ortaya çıkmıştır. Akıllı şebekelerde nesnelerin interneti ile birlikte birçok veri elde edilebilmektedir. Akıllı şebekede elde edilen bu büyük veriler, uygun kullanım ve veri çıkarım yapmak için makine öğrenme yöntemleri ve derin öğrenme yöntemler ile analiz edilmesi gerekmektedir. Son yıllarda akıllı şebekelerdeki verilerin üzerine makine öğrenme ve derin öğrenme yöntemleri kullanılması hakkında araştırmalar yapılmaya başlamıştır. Bu çalışmalar makine öğrenme ve derin öğrenme yöntemlerin gerçekten akıllı şebekelerin yönetiminde veya değerlendirilmesinde daha verimli olabileceğini göstermiştir. Enerji tüketimini tahmin etmek; üretilmesi gereken enerji miktarını, depolanması gereken enerji miktarını hesaplar iken rahatlık sağlayacaktır. Ayrıca nereye, ne zaman ve ne kadar maliyet gerektiğini öngörülmesini sağlayacağından enerji yönetiminde kolaylık sağlayacaktır. Gerekli olduğu zaman tasarruf yöntemleri de daha kolay işleme sokulacaktır. Planlamalar daha sağlıklı ve daha güvenilir olacaktır. Bu çalışmada temel hedef talep faktörünün düzenlenmesi olmayıp sadece buna yönelik uygulamalarda makine öğrenme ve derin öğrenme yöntemlerinden hangisinin daha verimli olduğunu kestirmeye çalışmaktır. Derin öğrenme algoritması olarak Konvolüsyonel Sinir Ağı ve yapay sinir ağları algoritması olarak Uzun Kısa Süreli Bellek algoritması kullanılmıştır. Makine öğrenme olarak ise Rastgele Orman, K-En Yakın Komşular Regresyonu ve Doğrusal Regresyon algoritmaları kullanılmıştır. Sonuç olarak bu yöntemler kıyaslanarak yapay sinir ağları algoritması olan LSTM, en başarılı olduğu gözlenmiştir.

Energy consumption is increasing by the development of technology. Renewable energy production has regarded more because of increase in energy consumption. It is necessary to transfer easiler to the energy system of the energy produced by renewable energies. So the new generation power systems and smart grid terms have emerged. A lot of data can be obtained with Internet of Things in smart grids. These data need to be analyzed with machine learning methods and deep learning methods to data extraction. In recent years, researches that use of machine learning and deep learning methods for smart grid has been started. These researches have been showed that the machine learning and the deep learning methods are more efficient for management or evaluation of smart grids. Estimating of energy consumption will provide comfort while it is calculating the amount of energy production or the amount of stored energy. It will provide convenience in management of energy. Saving methods will be easier. Plans will be healthier and more reliable. The main objective of this study is not regulation of demand factor but only it is tried to understand which is more effective between machine and deep learning algorithms for applications that being regulation of demand factor. Convolutional Neural Network and LongShort Term Memory have been used, which are deep learning algorithm and artificial neural networks. So Random Forest, K-Nearest Neighbours Regression and Linear Regression have been used, which are machine learning algorithms. As a result, when these algorithms are classfied each other, it is observed that LSTM that is better than others.