Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular, yaklaşımın konut talebinin izlenmesine katkı sağlayabileceğini, ancak yanlış uyarı yükünün ve süre tahminindeki sınırlı başarının uygulama açısından dikkate alınması gerektiğini göstermektedir.
📌 3 Maddede Bu Makale
Özet
Bu çalışmada, konutların geçmiş elektrik tüketiminden yararlanılarak sonraki iki saatte yüksek talep başlangıcının, en yüksek yarım saatlik ortalama gücün ve yüksek talepte geçirilen toplam sürenin öngörülmesi amaçlanmıştır. Low Carbon London veri setinden seçilen 200 standart tarifeli konutun 2013 yılına ait yarım saatlik ölçümleri kullanılmıştır. Yüksek talep, her konutun Ocak–Şubat dönemindeki ortalama güç değerlerinin %90 yüzdeliğinin aşılması olarak tanımlanmıştır. Modeller 160 konutun verileriyle geliştirilmiş; model eğitimine katılmayan 40 konutta aktarım performansı değerlendirilmiştir. Mart–Haziran eğitim, Temmuz model seçimi, Ağustos tahmin aralıklarının kalibrasyonu ve Eylül–Aralık test dönemi olarak ayrılmıştır. Seçilen modeller Mart–Temmuz verileriyle yeniden eğitilmiştir. Üç hedef için ayrı modeller kurulmuş; Random Forest, histogram tabanlı gradyan artırma (HistGB), XGBoost, LightGBM ve CatBoost haftalık mevsimsel referansla karşılaştırılmıştır. Model seçimi başlangıç için ortalama kesinliğe (AP), güç ve süre için ortalama mutlak hataya (MAE) dayanmıştır. Eğitimde kullanılan konutların test döneminde seçilen HistGB modeli başlangıç için 0,4183 AP; CatBoost modelleri güç için 0,2704 kW ve süre için 9,2361 dakika MAE üretmiştir. SHAP yöntemiyle geçmiş tüketim ve takvim özelliklerinin model tahminlerine katkıları incelenmiştir. Erken uyarı değerlendirmesinde bilinen konutlardaki uygun olayların %78,81’i önceden yakalanmış; erken uyarıların %60,93’ü yanlış uyarı olarak belirlenmiştir. Süre tahmininin her pencerede sıfır süre veren referansa göre iyileşmesi sınırlı kalmıştır. Bulgular, yaklaşımın konut talebinin izlenmesine katkı sağlayabileceğini, ancak yanlış uyarı yükünün ve süre tahminindeki sınırlı başarının uygulama açısından dikkate alınması gerektiğini göstermektedir.
Abstract
The objective of this study was to predict the onset of high demand, the highest half-hourly average power, and the total duration of high demand over the next two hours using historical electricity consumption data from residential households. Half-hourly measurements from 2013 for 200 standard-tariff residential households selected from the Low Carbon London dataset were used. High demand was defined as exceeding the 90th percentile of each household’s average power values during the January–February period. The models were developed using data from 160 households; transfer performance was evaluated on the 40 households not included in model training. The process was divided into a training period (March–June), model selection in July, calibration of prediction intervals in August, and a testing period (September–December). The selected models were retrained using March–July data. Separate models were built for the three targets; Random Forest, histogram-based gradient boosting (HistGB), XGBoost, LightGBM, and CatBoost were compared against a weekly seasonal reference. Model selection was initially based on average precision (AP) for the target and mean absolute error (MAE) for power and duration. For the residential units used in the training, the HistGB model selected during the testing period produced an AP of 0.4183; the CatBoost models produced an MAE of 0.2704 kW for power and 9.2361 minutes for duration. The contributions of historical consumption and calendar features to the model predictions were examined using the SHAP method. In the early warning evaluation, 78.81% of relevant events in known residential units were detected in advance; 60.93% of early warnings were identified as false alarms. The improvement in duration prediction relative to a reference that yields a duration of zero in every window remained limited. The findings indicate that the approach could contribute to monitoring residential demand; however, the burden of false alarms and the limited success in duration prediction must be taken into account from a practical standpoint.