Mikro Şebekelerde Enerji Verimliliğini Artırmak Amacıyla Elektriksel Yüklerin Sınıflandırılması

Abstract

ÖZET: Gelişen teknoloji ve artan küresel nüfusa bağlı olarak enerji, hayatın her alanında temel ihtiyaç haline gelmiştir. İnsanoğlunun enerjiyi kullanırken yaptığı tercihler hem çevreyi hem de canlıların yaşamını etkileyecek kadar önemlidir. Prizde bırakılan telefon şarj cihazı, tasarruf özelliği olmayan lambaların ve elektronik aletlerin kullanım tercihi, hatta açık bırakılan buzdolabı kapısı bile gereksiz elektrik tüketimine sebebiyet verdiğinden dünyanın doğal dengesinin bozulmasına neden olmaktadır. Gereksiz enerji sarfiyatı, başta iklim değişimi olmak üzere küresel ısınma ve toprağın verimsizleşmesi gibi pek çok sorunu beraberinde getirmektedir. Çevreye zararlı enerji üretimini azaltmak için sürdürülebilir ve yenilenebilir enerji kaynaklarının yanında enerji tasarrufu da önemli bir rol oynamaktadır. Enerji verimliliği, aynı işlevi yerine getirmek için daha az enerji gerektiren yöntem ve tekniklerin kullanılmasıdır. Bu tanımdan yola çıkarak denilebilir ki enerji verimliliği ve enerji tasarrufu kavramları arasında sıkı bir bağ vardır. Bina sakinlerinin enerjiyi verimli kullanmaları ve enerjide tasarruf yapmaları için, evlerde ve ofislerde sıklıkla kullanılan cihazları yakından tanımaları gerekmektedir. Güç tüketim karakteristiği tespit edilen tüketim cihazlarında enerji yönetimi kolaylaşmaktadır. Bu çalışmada, elektrik enerjisinin daha verimli kullanılabilmesi için evlerde ve ofislerde sıklıkla kullanılan 5 adet elektrikli cihaz seçilip tüketim karakteristiklerine göre sınıflandırılmıştır. Deneysel çalışmalarda, tüketim tarafında yer alan vantilatör, elektrikli çaydanlık, monitör, dizüstü bilgisayar ve yazıcının aktif ve reaktif güç tüketimleri ile akım ve gerilim harmonikleri referans alınmıştır. Ölçüm aleti olarak Hioki PW3198 güç analizörü kullanılmış ve her bir cihazdan 15 adet sinyal örneği alınmıştır. Seçilen beş cihazın farklı çalışma varyasyonları göz önüne alınarak otuz bir adet sınıf belirlenmiştir. Her sınıfta 15 adet sinyal olmak üzere toplamda 465 sinyal örneği elde edilmiştir. Özellik matrisi çıkarımında aritmetik ortalama, ortanca değer ve standart sapma fonksiyonları ile bir boyutlu yerel ikili örüntü tekniği kullanılmıştır. 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 %83,4 doğruluk oranı ile en yüksek doğruluk oranını veren doğrusal destek vektör makineleri yöntemi olmuştur. Öbür taraftan doğrusal destek vektör makineleri tekniği 52,88 saniyelik süre ile sınıflandırmayı en kısa sürede tamamlayan ikinci algoritma olmuştur.

ABSTRACT: Depending on the developing technology and the increasing global population, energy has become a basic need in all areas of life. The choices made by human beings when using energy are so important that they affect both the environment and the life of living things. The phone charger left in the socket, the preference of using lamps and electronic devices that do not have a saving feature, and even the refrigerator door left open cause unnecessary electricity consumption and cause the natural balance of the world to deteriorate. Unnecessary energy consumption brings with it many problems such as climate change, global warming and infertility of the soil. In addition to sustainable and renewable energy sources, energy saving also plays an important role in reducing environmentally harmful energy production. Energy efficiency is the use of methods and techniques that require less energy to perform the same function. Based on this definition, it can be said that there is a close connection between the concepts of energy efficiency and energy saving. In order for the building occupants to use energy efficiently and to save energy, they should be familiar with the devices that are frequently used in homes and offices. Energy management is facilitated in consumption devices whose power consumption characteristics are determined. In this study, 5 electrical devices that are frequently used in homes and offices are selected and classified according to their consumption characteristics in order to use electrical energy more efficiently. In the experimental studies, active and reactive power consumptions and current and voltage harmonics of the fan, electric teapot, monitor, laptop computer and printer on the consumption side were taken as reference. Hioki PW3198 power analyzer was used as the measuring instrument and 15 signal samples were taken from each device. Thirty-one classes were determined by considering the different operating variations of the five selected devices. A total of 465 signal samples were obtained. In the feature matrix extraction, arithmetic mean, median value and standard deviation functions and one-dimensional local binary pattern technique were used. Recently widely used machine learning algorithms for classification were compared and the performance of the five algorithms that gave the best results were analyzed. According to the results obtained, the linear support vector machine method gave the highest accuracy rate with 83.4% accuracy. The support vector machine technique was the second algorithm to complete the classification in the shortest time with a time of 52.88 seconds.