ELEKTRİKLİ EV CİHAZLARININ ZAMAN SERİSİ ÖZELLİKLERİNE GÖRE BELİRLENMESİ

Abstract

ÖZET Son dönemlerdeki teknolojik gelişmelere bağlı olarak yaşanan hızlı değişimler beraberinde yaşamış olduğumuz çevreyi de bu gelişmelere uyumlu olmaya itmektedir. Yaşanan bu değişimler enerji kaynaklarına olan talebi büyük bir oranda arttırmaktadır. Özellikle konutlar ve endüstride da kullanılan elektrikli cihaz sayılarının artması ve sürece adaptasyonu zorunlu kıldığı gibi elektrik enerji tüketimini de oldukça artmaktadır. Bu durum özellikle modern toplumlarda giderek artan bir enerji talebine neden olmaktadır. Ancak sınırlı enerji kaynakları nedeniyle enerjinin verimli kullanımı da kritik öneme sahiptir. Arz-talep dengesini etkili bir şekilde sağlanabilmesi, konutlardaki elektriksel yüklerin tanımlanmasına ve müdahaleci olmayan yük izleme sistemlerinin tasarımına bağlıdır. Müdahalesiz yük izleme yöntemleri (MOYİ) ile konutlarda kullanılan elektrikli cihazların kullanımı kontrol edilebilir ve kullanıcıların enerji tasarrufu için davranışları ayarlanabilir. Ev aletlerinin kontrolü ancak bu aletlerin etkin tespiti ile mümkündür. Bu çalışmada, ev aletlerini tespit etmek için kayan pencere yaklaşımı, uzun kısa süreli bellek (LSTM) ağı ve sınıflandırıcı içeren yeni bir hibrit model önerilmiştir. Geleneksel özellik çıkarımının yanı sıra önerilen bu modelde, cihaz özelliklerini belirlemek için zaman serisi özniteliklerini kullanılmıştır. Böylece her bir zaman serisi, kayan pencere tabanlı yaklaşım ile örtüşmeyen pencerelere ayrılmıştır. Her pencerenin ortalama, standart sapma, medyan ve çok ölçekli entropi değerleri hesaplanmıştır. Bu değerler birleştirilerek, derin özellik çıkarımı için LSTM ağına uygulanmıştır. LSTM ağından alınan bu derin öznitelikler ev cihazlarını tespit etmek için k yakın komşuluk (k-NN), topluluk öğrenimi (EBT) ve destek vektör makinesi (DVM) sınıflandırıcılarına uygulanmıştır. Önerilen modelin etkinliği, ev aletleri veri setinin yüksek çözünürlüklü profilleri ile test edilmiştir. Deneysel çalışmalarda, LSTM tabanlı k-NN, EBT ve DVM sınıflandırıcılarında sırasıyla %98,25, %97,81 ve %97,38 doğrulukla ev tipi cihazlar tespit edilmiştir.

ABSTRACT Rapid changes due to recent technological developments push the environment we live in to be compatible with these developments. These changes greatly increase the demand for energy resources. The increase in the number of electrical devices used in residences and industry necessitates adaptation to the process and the consumption of electrical energy. This situation causes an increasing energy demand, especially in modern societies. However, efficient energy use is also critical due to limited energy resources. Effective supply-demand balance depends on identifying electrical loads in the residences and designing non-intrusive load monitoring systems. With non-intervention load monitoring methods (NLM), the use of electrical appliances in residences can be controlled, and the behavior of users can be adjusted for energy saving. Control of household appliances is only possible with effective detection of these appliances. This study proposes a new hybrid model including sliding window approach, long short-term memory (LSTM) network, and a classifier to detect household appliances. In addition to traditional feature extraction, in this proposed model, time series features are used to determine device features. Thus, each time series is divided into windows that do not overlap with the sliding window-based approach. Each window's mean, standard deviation, median and multiscale entropy values were calculated. These values are combined and applied to the LSTM network for deep feature extraction. These in-depth features from the LSTM network were applied to k-neighborhood (k-NN), ensemble learning (EBT) and support vector machine (SVM) classifiers to detect home devices. The effectiveness of the proposed model was tested with high-resolution profiles of the home appliance dataset. In the experimental studies, household appliances were detected in LSTM-based k-NN, EBT, and DVM classifiers with an accuracy of 98.25%, 97.81%, and 97.38%, respectively.