Selecting the ideal approach for rationalization of electrical energy consumption in smart building management using machine learning
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Gedik Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
The infrastructure development of smart cities has gained a lot of attention in recent years, where energy efficiency was the major problem that researchers aim to improve. Anomaly detection for energy consumption was one of these issues, and it was a critical element to take into account while operating effective energy-saving systems, lowering the overall energy use and carbon emissions. Consequently, suggesting a potent method based on the Internet of Things (IoT) can have more relevance for recognizing aberrant usage in buildings and offering this information to customers and governments so that it can be handled in a correct way to lower the payments. As a result, this thesis proposes an optimization method to detect anomalies by using the LSTM algorithm and investigates three optimization algorithms of ADAM, AadMax, and Nadam. Two statistical modeling's are used for time series forecasting of ARIMA and SARIMAX. Anomaly detection results indicate that using LSTM with Nadar gives the best results, where MSE and RMSE achieved 0.15348 and 0.02356 respectively. Also, using ARIMA model gives the best overall results with AIC and MSE values of 0.13859 and 300.94365 respectively. This confirms the reliability and adaptability of the proposed model in optimizing anomaly detection.
Akıllı şehirlerin alt yapı gelişimi, araştırmacıların iyileştirmeyi amaçladıkları başlıca sorunun enerji verimliliği olduğu son yıllarda büyük ilgi görmüştür. Bu sorunlar arasında, enerji tüketimine yönelik anormallik tespiti, verimli enerji tasarrufu sistemlerini kullanırken, genel enerji kullanımını ve karbon emisyonlarını azaltırken dikkate alınması gereken çok önemli bir faktördü. Bu nedenle, Nesnelerin İnternetine (IoT) dayalı güçlü bir teknik önermek, binalardaki anormal tüketimi tespit etmek ve bu bilgileri ödemeleri azaltmak için uygun bir şekilde işlenmek üzere tüketicilere ve yönetimlere sunmak için daha büyük önem taşıyabilir. Sonuç olarak, bu tez LSTM algoritmasını kullanarak anomalileri tespit etmek için bir optimizasyon yöntemi önermekte ve ADAM, AadMax ve Nadam olmak üzere üç optimizasyon algoritmasını incelemektedir. ARIMA ve SARIMAX zaman serisi tahminleri için iki istatistiksel modelleme kullanılmıştır. Anomali tespit sonuçları, Nadar ile LSTM kullanımının en iyi sonuçları verdiğini, MSE ve RMSE'nin sırasıyla 0,15348 ve 0,02356'ya ulaştığını göstermektedir. Ayrıca, ARIMA modelinin kullanılması, sırasıyla 0.13859 ve 300.94365 AIC ve MSE değerleriyle en iyi genel sonuçları vermektedir. Bu, anomali tespitini optimize etmede önerilen modelin güvenilirliğini ve uyarlanabilirliğini doğrulamaktadır.
Akıllı şehirlerin alt yapı gelişimi, araştırmacıların iyileştirmeyi amaçladıkları başlıca sorunun enerji verimliliği olduğu son yıllarda büyük ilgi görmüştür. Bu sorunlar arasında, enerji tüketimine yönelik anormallik tespiti, verimli enerji tasarrufu sistemlerini kullanırken, genel enerji kullanımını ve karbon emisyonlarını azaltırken dikkate alınması gereken çok önemli bir faktördü. Bu nedenle, Nesnelerin İnternetine (IoT) dayalı güçlü bir teknik önermek, binalardaki anormal tüketimi tespit etmek ve bu bilgileri ödemeleri azaltmak için uygun bir şekilde işlenmek üzere tüketicilere ve yönetimlere sunmak için daha büyük önem taşıyabilir. Sonuç olarak, bu tez LSTM algoritmasını kullanarak anomalileri tespit etmek için bir optimizasyon yöntemi önermekte ve ADAM, AadMax ve Nadam olmak üzere üç optimizasyon algoritmasını incelemektedir. ARIMA ve SARIMAX zaman serisi tahminleri için iki istatistiksel modelleme kullanılmıştır. Anomali tespit sonuçları, Nadar ile LSTM kullanımının en iyi sonuçları verdiğini, MSE ve RMSE'nin sırasıyla 0,15348 ve 0,02356'ya ulaştığını göstermektedir. Ayrıca, ARIMA modelinin kullanılması, sırasıyla 0.13859 ve 300.94365 AIC ve MSE değerleriyle en iyi genel sonuçları vermektedir. Bu, anomali tespitini optimize etmede önerilen modelin güvenilirliğini ve uyarlanabilirliğini doğrulamaktadır.
Açıklama
Lisansüstü Eğitim Enstitüsü, Mühendislik Yönetimi Ana Bilim Dalı, Mühendislik Yönetimi Bilim Dalı
Anahtar Kelimeler
Time Series Forecasting, ARIMA, LSTM, SARIMAX, ADAM, NADAM, Zaman Serisi Tahmini, ARIMA, LSTM, SARIMAX, ADAM, NADAM