Günümüzde, sürdürülebilir, yenilenebilir ve güvenli kaynaklardan enerji sağlama daha önce hiç olmadığı kadar önem kazanmıştır. Enerjinin bulunabilirliği, coğrafya ve teknolojiye bağlıyken, bu enerjinin verimli kullanımı doğru enerji kullanım analizi ve bu analizin doğru yorumlanmasına, yeni kullanım alışkanlıklarının geliştirilmesine ve daha verimli sistemlerin geliştirilmesine bağlıdır. Bu nedenle, enerji kaynaklarının etkin bir şekilde yönetilmesi ve kullanılması oldukça önemlidir [1].

Elektrikli cihazların enerji tüketimini ölçmek için birkaç farklı yöntem bulunmaktadır. Fiş seviyesinde donanım monitörleri, akıllı cihazlar, ev düzeyinde akım sensörleri en yaygın yöntemlerdir. Enerji ayrıştırma yöntemi, diğer yöntemlere kıyasla en düşük maliyeti, en düşük kurulum çalışmasını ve en yüksek ölçeklenebilirliği sağlamaktadır. Bu da elektrik yükünün sınıflandırılması için enerji ayrıştırma yöntemini diğer seçenekler arasında uygun bir aday yapmaktadır.

Elektrikli cihazların sınıflandırılması, müdahaleci olmayan yük izleme, ev enerji yönetimi ve enerji ayrıştırma gibi konuları ile ilgili birçok çalışma ve makale yayınlanmıştır. Bir çalışmada elastik eşleştirme algoritmalarını kullanan bir enerji ayrıştırma mimarisi sunulmaktadır [2]. Bir makalede ise, enerji ayrıştırma görevinde regresyon için iyi bilinen ve yaygın olarak kullanılan çeşitli makine öğrenimi algoritmaları değerlendirilmektedir. Özellikle, Girişimsiz Yük İzleme yaklaşımı ele alınmış ve K-En Yakın Komşu (K-Nearest Neighbor, K-NN), Destek Vektör Makineleri (Support Vector Machine, SVM), Derin Sinir Ağları (Deep Neural Networks, DNN) ve Rastgele Orman (Random Forest) algoritmaları, yedi farklı istatistiksel ve elektriksel özellik seti kullanılarak beş veri kümesi üzerinde değerlendirilmiştir [3]. Diğer bir çalışmada ise, enerji ayrıştırma görevi için WaveNet modellerinin uygulanmasını araştırılmıştır. 20 haneden 2 yıl boyunca toplanan gerçek dünya enerji veri setine dayanarak, WaveNet modellerinin enerji ayrıştırma için literatürde önerilen en son derin öğrenme yöntemlerinden hem hata ölçümleri hem de hesaplama maliyeti açısından daha iyi performans gösterdiği ifade edilmiştir [4]. Müdahalesiz Yük İzleme, elektrikli cihazların şebeke üzerinden izlenmesi, tespit edilmesi ve özelliklerine göre sınıflandırılmasını hedefler. Bu yöntem üzerine hibrit algoritma kullanımının başarıyı artırdığına dair çıktılara [5] çalışmasında yer verilmiştir.

Bu çalışmada, makine öğrenimi ve derin öğrenme algoritmaları kullanılarak, enerji analizörü ile toplanan veri setine dayanarak elektrik yüklerinin tahmin edilmesi amaçlanmıştır. Burada bahsi geçen senaryo, çoklu etiketli sınıflandırma olarak değerlendirilmektedir. Bu bildirinin geri kalanı şu şekilde düzenlenmiştir. İkinci bölüm yöntem hakkında detayları vermektedir. Üçüncü bölüm ise bulgulaya yer vermektedir. Son bölümde ise tartışma ve sonuçlar üzerine yorumlamalar yapılmıştır.

Bu çalışmada önerilen metodoloji, yapay zekâ (makine öğrenmesi ve derin öğrenme) algoritmalarının bir hane halkından toplanan gerçek bir veri seti üzerinde çok etiketli sınıflandırma problemi olarak uygulanmasından oluşmaktadır.

Veri Seti: Veri toplanması için Fluke marka üç fazlı bir güç analizörü kullanılmıştır. Fluke 435 güç kalitesi analizörleri, güç kalitesi ölçümleri için profesyonel ve hassas cihazlardır [6]. Yaklaşık 25 dakikalık bir ölçüm gerçekleştirilmiştir. Bahsi geçen ölçüm cihazına dair bir görsel Şekil 1’de yer almaktadır.

 

 

Şekil 1: Enerji Ölçüm Cihazı
 

Ölçüm: Bu işlem sırasında bulaşık makinesi, çamaşır makinesi, buzdolabı, ütü, fırın, elektrikli süpürge ve TV olmak üzere toplam 7 cihaz aktif olarak aralıklarla kullanılmıştır. Voltaj, akım ve güç bilgileri gibi 15 özelliği içeren 1326 adet ölçüm kaydedilmiştir. Ölçüm süresince ortaya çıkan güç tüketiminin değişimi Şekil 2'de gösterilmiştir.



 

Şekil 2: Güç Tüketimi

Ön İşleme: Toplanan veriler incelenerek bir ön işleme tabi tutulmuştur. Veri kümesinde hiçbir cihazın etkin olmadığı gözüken/işaretlenen boş satırlar veri kümesinden kaldırılmıştır. "Hedef" sütununun yapay zekâ algoritmaları tarafından kullanılabilmesi adına kategorik veriden sayısal veriye dönüştürme yapılmıştır. Bununla birlikte girdi olarak kullanılacak özellikler için de ölçeklendirme/standardizasyon yapılmıştır.

Model: Yapay Zekâ açısından, dokuz makine öğrenimi algoritması kullanılmıştır. Bunlar K-En Yakın Komşu, AdaBoost, Rastgele Orman, Karar Ağacı (Decision Tree), Çok Katmanlı Algılayıcı (Multilayer Perceptron, MLP), Destek Vektör Sınıflandırıcısı (Support Vector Classifier, SVC), Lojistik Regresyon, Ridge ve Stokastik Gradyan İnişi (Stochastic Gradient Descent, SGD). Veri seti sırasıyla %80 ve %20 olmak üzere Eğitim ve Test kümelerine ayrılmıştır. Bununla birlikte Grid Search mekanizması, K-Fold çapraz doğrulama gibi yöntemler de hiper parametre optimizasyonu için kullanılmıştır. Algoritmaları performanslarına göre değerlendirmek için doğruluk metriği seçilmiştir.
 

Önerilen metodoloji, hem Google Colaboratory [7] hem de lokal bilgisayar kaynakları kullanılarak test edilmiştir. Veri setinin işlenmesinde ve yapay zekâ modellerinin kullanılmasında Python programlama dili ve ilgili kütüphaneleri kullanılmıştır. Performans sonuçları ile ilgili karşılaştırma ve grafik Şekil 3'te görülebilir.

Şekil 3: Eğitim ve Test Seti Doğruluk Değerleri

Eğitim setindeki doğruluk metriği açısından en iyi sonuç Rastgele Orman ve Karar Ağacı algoritmalarına aittir. Ancak doğruluk değerleri neredeyse 1'e çok yakın olduğu için eğitim aşamasında aşırı öğrenme meydana geldiği şeklinde değerlendirilebilir. En kötü sonuç ise SGD algoritması için alınır.

Test setindeki doğruluk metriği açısından en iyi sonuç K-NN ve AdaBoost algoritmalarına aittir. Diğer algoritmaların doğruluk değeri ise ağırlıklı olarak 0,8 – 0,9 bandındadır. SGD algoritması için yine en kötü sonuç alınmıştır.




 

Yapılan çalışmalar sonucunda en yakın komşu (K-NN) yaklaşımının, daha küçük veri seti ve veri örneklerinin belirli bir alt kümesi ile ilgili olarak başarılı göründüğünü ortaya koymaktadır. Ek olarak, sınıf sayısı (ölçüme dahil edilen farklı elektrik karakteristiğine sahip cihaz sayısı) artarsa K-NN algoritmasının kırılgan olabileceği düşünülmektedir. Bununla birlikte Rastgele Orman ve Karar Ağacı algoritmaları da aşırı öğrenme riski barındırmakla birlikte gelişmiş sonuçlar da sağlamaktadır.

Gelecekteki çalışmalarda, veri setinin hacmini artırmak ve enerji tüketimlerini ayrıştırmak için yöntemler geliştirmek planlanmaktadır. Uzun vadeli hedefler için enerji tüketimi hakkında alarm/sinyal üretmek ve enerji verimliliği açısından potansiyel müşterilere cihazların optimum kullanım zamanlarını önermek amaçlanmaktadır. Ayrıca endüstriyel tesislerde enerji verimliliği ve kestirimci bakıma yönelik, enerji dağıtım ve iletim sisteminde ise optimize edilmiş işletim ve olası arıza durumlarını tahmin etme konularında çalışmaların gerçekleştirilmesi de amaçlanmaktadır.

Not: “Bu bildiri, 02-03 Ekim 2024 tarihlerinde Ankara’da düzenlenen Enerji Stratejileri Konferansı’nda sunulmuştur”.


KAYNAKLAR

[1] Verma, A., Anwar, A., Mahmud, M. A., Ahmed, M., & Kouzani, A. (2021). A comprehensive review on the NILM algorithms for energy disaggregation. arXiv preprint arXiv:2102.12578.
[2] Schirmer, P. A., Mporas, I., & Paraskevas, M. (2020). Energy disaggregation using elastic matching algorithms. Entropy, 22(1), 71.
[3] Schirmer, P. A., Mporas, I., & Paraskevas, M. (2019, July). Evaluation of regression algorithms and features on the energy disaggregation task. In 2019 10th International Conference on Information, Intelligence, Systems and Applications (IISA) (pp. 1-4). IEEE.
[4] Jiang, J., Kong, Q., Plumbley, M. D., Gilbert, N., Hoogendoorn, M., & Roijers, D. M. (2021). Deep learning-based energy disaggregation and on/off detection of household appliances. ACM Transactions on Knowledge Discovery from Data (TKDD), 15(3), 1-21.
[5] Gürbüz, F. B., Bayındır, R., & Vadi, S. (2023). Elektrikli Ev Aletlerinde Müdahalesiz Yük İzleme, Sınıflandırma ve Kontrolünün Gerçekleştirilmesi. Gazi University Journal of Science Part C: Design and Technology, 11(4), 1209-1222.
[6] Peuscher, O. F. (2012). Design Proposal for the FLUKE Wireless Touch Power Quality Analyzer (Bachelor's thesis, University of Twente).
[7] Bisong, E. (2019). Building machine learning and deep learning models on Google cloud platform (pp. 59-64). Berkeley, CA: Apress.