Elektrikli ev cihazlarının zaman serisi özelliklerine göre belirlenmesi

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