Dergiler / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2018 / Cilt: 30 Sayı: 3 Özel Sayı

Konutların Günlük Elektrik Güç Tüketimi Tahmini İçin Uygun Model Seçimi

Sayfa
15–21
Yayın Tarihi
2018-09-20
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışmada, İngiltere’nin Londra şehrindeki belirli bir bölgede 30 farklı eve ait yaklaşık 3 yıllık elektrik güç tüketimi veri kümesi kullanılarak uygun bir kısa vadeli tüketim tahmin modelinin makine öğrenmesi algoritmaları ile bulunması amaçlanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Zamana bağlı değişim gösteren olayların modellenmesi zorlu bir veri analizi problemidir.
📊
Temel Bulgular & Veri:Bu olaylardan biri olan elektrik güç tüketiminde ise veriden mevsimsel etki ve tatil günleri gibi örüntülerin öğrenilerek bir tüketim tahmin modelinin geliştirilebilmesi için klasik makine öğrenmesi ve derin öğrenme yöntemlerinden yararlanılmaktadır.
💡
Sonuç & Katkı:Bu çalışmada, İngiltere’nin Londra şehrindeki belirli bir bölgede 30 farklı eve ait yaklaşık 3 yıllık elektrik güç tüketimi veri kümesi kullanılarak uygun bir kısa vadeli tüketim tahmin modelinin makine öğrenmesi algoritmaları ile bulunması amaçlanmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Zaman serisi · makine öğrenmesi · derin öğrenme

Özet

Zamana bağlı değişim gösteren olayların modellenmesi zorlu bir veri analizi problemidir. Bu olaylardan biri olan elektrik güç tüketiminde ise veriden mevsimsel etki ve tatil günleri gibi örüntülerin öğrenilerek bir tüketim tahmin modelinin geliştirilebilmesi için klasik makine öğrenmesi ve derin öğrenme yöntemlerinden yararlanılmaktadır. Bu çalışmada, İngiltere’nin Londra şehrindeki belirli bir bölgede 30 farklı eve ait yaklaşık 3 yıllık elektrik güç tüketimi veri kümesi kullanılarak uygun bir kısa vadeli tüketim tahmin modelinin makine öğrenmesi algoritmaları ile bulunması amaçlanmıştır.

🔖

Bu Makaleye Atıf Yap

Çayır, A., Yenidoğan, İ., Dağ, H. (2018). Konutların Günlük Elektrik Güç Tüketimi Tahmini İçin Uygun Model Seçimi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 30 Sayı: 3 Özel Sayı, 15–21. https://ajindex.com/articles/1268171

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (21)

  1. LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton. "Deep learning", Nature 521.7553 (2015): 436-444
  2. Suykens, Johan AK, and Joos Vandewalle. "Least squares support vector machine classifiers", Neural processing letters, 9.3 (1999): 293-300
  3. Dietterich, Thomas G. "Ensemble learning", The handbook of brain theory and neural networks, 2 (2002): 110-125
  4. Cortes, Corinna, and Vladimir Vapnik. "Support-vector networks", Machine Learning, 20.3 (1995): 273-297. 5.CACI ACORN Group (2010) [Online]. Available:
  5. Greff, Klaus, et al. "LSTM: A search space odyssey", IEEE transactions on neural networks and learning systems, (2017)
  6. Yu, Wei, et al. "Towards statistical modelling and machine learning based energy usage forecasting in smart grid", ACM SIGAPP Applied Computing Review, 15.1 (2015): 6-16
  7. Kumar, Manish, and M. Thenmozhi. "Forecasting stock index movement: A comparison of support vector machines and random forest", (2006)
  8. Cheng, Ying-Ying, Patrick PK Chan, and Zhi-Wei Qiu. "Random forest based ensemble system for short term load forecasting", Machine Learning and Cybernetics (ICMLC), 2012 International Conference on. Vol
  9. IEEE, 2012
  10. Fugon, Lionel, Jérémie Juban, and Georges Kariniotakis. "Data mining for wind power forecasting", European Wind Energy Conference & Exhibition EWEC 2008, EWEC, 2008
  11. Gers, Felix A., Douglas Eck, and Jürgen Schmidhuber. "Applying LSTM to time series predictable through time-window approaches", Neural Nets WIRN Vietri-01, Springer London, 2002. 193-200
  12. Malhotra, Pankaj, et al. "Long short term memory networks for anomaly detection in time series", Proceedings, Presses universitaires de Louvain, 2015. 13.Filonov, Pavel, Andrey Lavrentyev, and Artem Vorontsov. "Multivariate Industrial Time Series with Cyber-Attack Simulation: Fault Detection Using an LSTM-based Predictive Data Model", arXiv preprint arXiv:1612.06676, (2016)
  13. Gamboa, John Cristian Borges. "Deep Learning for Time-Series Analysis.", arXiv preprint arXiv:1701.01887, (2017)
  14. Zhang, Shengdong, et al. "Deep Symbolic Representation Learning for Heterogeneous Time-series Classification", arXiv preprint arXiv:1612.01254, (2016). 16.Oğcu, Gamze, Omer F. Demirel, and Selim Zaim. "Forecasting electricity consumption with neural networks and support vector regression." Procedia-Social and Behavioral Sciences 58 (2012): 1576-1585
  15. Kavaklioglu, Kadir. "Modeling and prediction of Turkey’s electricity consumption using Support Vector Regression." Applied Energy 88.1 (2011): 368-375. 18.Tso, Geoffrey KF, and Kelvin KW Yau. "Predicting electricity energy consumption: A comparison of regression analysis, decision tree and neural networks." Energy 32.9 (2007): 1761-1768
  16. Beccali, M., et al. "Short-term prediction of household electricity consumption: Assessing weather sensitivity in a Mediterranean area." Renewable and Sustainable Energy Reviews 12.8 (2008): 2040-2065
  17. Suganthi, L., and Anand A. Samuel. "Energy models for demand forecasting—A review." Renewable and sustainable energy reviews 16.2 (2012): 1223-1240
  18. Swan, Lukas G., and V. Ismet Ugursal. "Modeling of end-use energy consumption in the residential sector: A review of modeling techniques." Renewable and sustainable energy reviews 13.8 (2009): 1819-1835. 22.Breiman, Leo. "Random forests", Machine Learning”, 45.1 (2001): 5-32. 23.Loh, Wei‐Yin. "Classification and regression trees", Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 1.1 (2011): 14-23
  19. Gers, Felix A., Jürgen Schmidhuber, and Fred Cummins. "Learning to forget: continual prediction with LSTM", (1999): 850-855
  20. Graves, Alex, and Jürgen Schmidhuber. "Framewise phoneme classification with bidirectional LSTM and other neural network architectures", Neural Networks, 18.5 (2005): 602-610. 26.Hochreiter, Sepp, et al. "Gradient flow in recurrent nets: the difficulty of learning long-term dependencies." (2001)
  21. Domingos, Pedro. "A few useful things to know about machine learning." Communications of the ACM 55.10 (2012): 78-87.