Enerji Verimliliği ) Makale 3.1. SVTÜ Yapay Zeka ve Makina Öğrenmesi uygun görünmekle birlikte; her bir lokasyon için farklı bir Çalışmaları model yaratılması gerekmektedir ve model yaratma süreçSVTÜ birimleri yukarıda tanıtıldığı gibi gerçek zamanlı veri leri çok zaman almaktadır. Bu bağlamda farklı yöntemlerin örnekleyen, örneklediği verileri filtreleme ve doğrulama izlenmesi kararlaştırılmıştır. "Öğreticisiz Öğrenme" metosüreçlerinden geçirerek depolayan ve AVTÜ birimine ak- dunda; başlangıçta çıktı sınıfları için dışarıdan etiketleme yataran birimlerdir. pılmayacak, sistem gelen verilerin kendi arasındaki bağlara SVTÜ kapsamındaki anlık verilerin yapay zeka ve makina öğrenmesi teknikleri ile yorumlanması için yapı lan araştırma, değerlendirme ve çalışmalar aşağıda verilmiştir: Anlık verilerin işlenmesi için en uygun tekniğin "istatistiksel yaklaşım" olduğu değerlendirilmiştir. İstatistiksel yaklaşımda; veri setindeki alt değer ve üst değer sabit olacağı için göre "kümeler" oluşturacaktır. Anlık veri işleme sistemlerinde gelen verilerdeki ayrıksı durum sayıları ve zamanları belirlenemediği ve veri değerleri belirli süreçlerde değişkenlik göstereceği için; öğreticili öğrenme ve pekiştirme ile öğrenme modelleri yerine öğreticisiz öğrenme modeli ile çözümleme yapmanın daha doğru olacağı değerlendirilmiştir. uygunluğu sorgulanmıştır. Alt ve üst değerin sabit olarak 3. 1. I. Modelleme çalışmaları belirlenmiş olması, olası kapasite artışı durumlarında sürekli Makine Öğrenmesi Modelleme çalışmaları için aşağıdaki ayrıksı durum oluşturacağı için adaptif bir sistem gerekliliği senaryo oluşturulmuştur. Senaryo gereğince bir aylık simübelirlenmiştir. lasyon verisi üretilerek veritabanına kayıt edilmiştir. Kayıtlı veriler üzerinden ilk çalışmalar yürütülmüştür: "Öğreticili" ve "Öğreticisiz" öğrenme yöntemleri ile "Pe- • Günde 3 vardiya şeklinde çalışan ve her vardiyanın enerji kiştirme ile Öğrenme" yöntemlerinin anlık izleme için uy- tüketim aralığı birbirinden farklı bir endüstriyel tesis öngunluğu araştırılmıştır. "Öğreticili Öğrenme" yönteminde görülmüştür. verilen bir veri seti için eldeki "doğru değerler" algoritmaya • Simülatör; belirli aralıklarla ayrıksı durumlar üretecek şeverilmekte ve "doğru değerler" kullanılarak geliştirilen mo- kilde tasarlanmıştır. del üzerinden yeni değerlerin tahminlemesi yapılmaktadır. • Değerlerin iki boyutlu grafik olarak gösterilmesi planlan- "Öğreticisiz Öğrenme" yönteminde ise; model elindeki ve- mıştır. riyi işleyerek kendi kendine çıkarsama yapmaktadır. Çıktı; • Grafiklerin "x" ekseni verilerin değerlerini, "y" ekseni de yoğunluk tahminlemesi şeklindedir. "Pekiştirme ile Öğren- verilerin sayılarını gösterecek şekilde çizdirilmiştir. me"; sistemde bulunan bir düğümün ortam hakkında bilgiye sahi p olmadığı durumda, araştırma yaparak bilgi edinmesini ve sonraki dönemde bu bilgiyi kullanmasını sağlayan bir öğrenme algoritmasıdır. Bu modele göre düğüm, her birim zamanda bir duruma sahiptir. Sahip olduğu durumda bağlı olduğu "ilkeye" göre bir eylem gerçekleştirmektedir. İçinde bulunduğu durum ve uyguladığı eyleme göre bir ödül almakta ve durumunu güncellemektedir. Öğreticili öğrenme yönteminde sınıflar dışarıdan etiketleme yapı larak oluşturulduğu ve sisteme dışarıdan müdahale olmadığı için, bu yöntemin sözkonusu uygulamaya uygunluğu değerlendirilmiştir. Tesisteki kapasite artışı ve/veya kapasite değişikliği durumlarında; "ayrıksı durumlar"ın tespit edilmesinin sorun yaratacağı öngörülmüştür. Adaptif yapılarda genel olarak "Pekiştirme ile Öğrenme" yöntemi daha 60 ENERJi ve ÇEVRE DÜNYASI EKI M201s Şekil 2'den yola çıkılarak; ayrıksı durumların tespiti için, makine öğrenmesi yöntemlerinden "Öğreticisiz Öğrenme" modelinin uygulanması ve bu amaçla "K-Means Kümeleme Algoritması"nın kullanılmasına karar verilmiştir. "r Şekil 2. Makina öğrenmesi simülasyonu.
RkJQdWJsaXNoZXIy MTcyMTY=