KaydedilenlerDerginizi ekleyin

Dergiler / Türk Doğa ve Fen Dergisi / 2021 / Cilt: 10 - Sayı: 1

Makine Öğrenmesi Yöntemleri Kullanılarak Elektrikli Cihazların Sınıflandırılması.

Feyyaz KOÇ
Abdulkerim KARABİBER
Sayfa
159–165
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)

Elde edilen sonuçlara göre en yüksek doğruluk oranını en kısa eğitim süresinde veren yöntem destek vektör makineleri olmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Elektrik enerjisinin daha verimli bir şekilde kullanılabilmesi güç sistemlerinin takip ve analizi ile mümkündür.
📊
Temel Bulgular & Veri:Örnek elektrikli cihaz olarak evlerde ve ofislerde sıkça kullanılan 5 adet farklı tüketim karakteristiğine sahip cihaz seçilmiştir.
💡
Sonuç & Katkı:Elde edilen sonuçlara göre en yüksek doğruluk oranını en kısa eğitim süresinde veren yöntem destek vektör makineleri olmuştur.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:5 adet
⚙️Değişkenler:Makine öğrenmesi · sınıflandırma · elektrikli ev aletleri

Özet

Elektrik enerjisinin daha verimli bir şekilde kullanılabilmesi güç sistemlerinin takip ve analizi ile mümkündür. Üretim ve tüketim tarafında yer alan sistem bileşenlerinin doğru tanımlanması durumunda, güç sistemlerinin karakteristik davranışları ve muhtemel tepkileri belirlenebilmektedir. Ayrıca, yük atma ve yük kaydırma gibi güç kontrol uygulamalarında elektrikli aletlerin yük modellerine göre sınıflandırılması gerekmektedir. Bu çalışmada, tüketim tarafında yer alan elektrikli cihazlar aktif ve reaktif güç tüketimleri referans alınarak sınıflandırılmaktadır. Örnek elektrikli cihaz olarak evlerde ve ofislerde sıkça kullanılan 5 adet farklı tüketim karakteristiğine sahip cihaz seçilmiştir. Sınıflandırma için son zamanlarda yaygın olarak kullanılan makine öğrenmesi algoritmaları karşılaştırılmış ve en iyi sonuçları veren beş algoritmanın performansı analiz edilmiştir. Elde edilen sonuçlara göre en yüksek doğruluk oranını en kısa eğitim süresinde veren yöntem destek vektör makineleri olmuştur.

🔖

Bu Makaleye Atıf Yap

KOÇ, F., KARABİBER, A. (2021). Makine Öğrenmesi Yöntemleri Kullanılarak Elektrikli Cihazların Sınıflandırılması.. Türk Doğa ve Fen Dergisi, Cilt: 10 - Sayı: 1, 159–165. https://ajindex.com/articles/409107

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (2)

  1. Aydın Ü, Peker H, Gönülalan UA. 7. Petrol Sektörü. In: Türkiye’nin Enerji Görünümü. 2000. p. 161–214 [2] Hung Y, Michailidis G. Modeling and Optimization of Time-of-Use Electricity Pricing Systems. IEEE Transactıons On Smart Grıd. 2019; 10(4): 4116-4127 [3] Weiss M, Staake T, Guinard D, Roediger W. eMeter: An interactive energy monitor. In: UbiComp. 2009. p. 3–4. [4] Neenan B, Robinson J, Boisvert RN. Residential electricity use feedback: a research synthesis and economic framework. Electric Power Research Institute (EPRI), 2009. [5] Abeykoon V, Kankanamdurage N, Senevirathna A, Ranaweera PS, Udawapola R. Real Time Identification of Electrical Devices through Power Consumption Pattern Detection. 2016 First International Conference on Micro and Nano Technologies Modelling and Simulation, March 2016.
  2. Kuala Lumpur, Malaysia. p. 1-3. doi: 10.1109/MNTMSim.2016.13. [6] Kavrar Ö, Yılmaz B. Enerji Yönetiminde Faaliyet Tabanlı Maliyetleme Modeli: Bir Üretim İşletmesinde Uygulama. Muhasebe ve Finansman Dergisi. 2019; (83): 85-110. [7] Jing-xiao Z, Hui L, Li B. Life cycle influnce mechanism of energy-saving chain management on energy-saving building construction. 2010 International Conference on Mechanic Automation and Control Engineering, Wuhan, 2010. p. 1904-7. doi:10.1109/MACE.2010.5536595 [8] D’Alessandro S, Tonello AM, Monacchi A, Elmenreich W. Home energy management systems: Design guidelines for the communication infrastructure. In: ENERGYCON 2014 - IEEE International Energy Conference. IEEE; 2014. p. 805–12. [9] Krishna Prakash N, Prasanna Vadana D. Machine Learning Based Residential Energy Management System. In: 2017 IEEE International Conference on Computational Intelligence and Computing Research, ICCIC 2017. IEEE; 2018. [10] Zekić-Sušac M, Mitrović S, Has A. Machine learning based system for managing energy efficiency of public sector as an approach towards smart cities. International Journal of Information Management [Internet]. 2020;(March 2019):102074. Available from: https://doi.org/10.1016/j.ijinfomgt.2020.102074. [11] UĞUZ S, ÇAĞLAYAN N, ORAL O. PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi. Uluslararası Mühendislik Araştırma ve Geliştirme Derg [Internet]. 2019;11(3):769–79. Available from: http://dx.doi.org/10.29137/umagd.514933. [12] Wu X, Zhu X, Wu GQ, Ding W. Data mining with big data. IEEE Transactıons On Knowledge And Data Engıneerıng. 2014;26(1):97–107. doi: 10.1109/TKDE.2013.109. [