Application of Machine Learning Methods in Energy Sector
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: İngilizce
Öğrenci: DENİZ KARABAŞ
Asıl Danışman (Eş Danışmanlı Tezler İçin): Derya Birant
Eş Danışman: Pelin Yıldırım Taşer
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
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.