Elektrik Güç Dağıtımında Akıllı Sayaç Verileri için Anomali Tespiti ve Tahminleme
Öz
Nüfus yoğunluğu ve ekonomik büyümenin etkisiyle enerji talebi hızla artmaktadır. Bu talep karşısında enerji ve elektrik şebekeleri daha fazla zorlukla karşı karşıya gelmektedir. Enerji tüketiminin sıkı bir şekilde izlenmesi ve kontrol altında tutulması önem arz etmektedir. Enerji dağılımını düşündüğümüzde akıllı sayaçlar bu enerjinin kontrolünde kilometre taşı rolü oynamaktadır. Enerji tüketim ölçümlerinin yapıldığı sayaçlarda meydana gelebilecek herhangi bir elektrik kesintisi, bir hata veya yanlış ölçüm, dağıtım şirketlerinden son kullanıcılara kadar birçok tarafı etkilemektedir. Enerji sektöründeki bu tür anomalilerin tespiti için gerçekleştirilen veri analitiği çalışmaları ve büyük veri teknolojileri, sensörlerden ve sayaçlardan toplanan zaman serisi verilerini gerçek zamanlı veya toplu olarak analiz ederek verimliliği ve tasarrufu arttırmayı amaçlayan net ve eyleme geçirilebilir çıktılar üretmede önemli rol oynamaktadır. Bu çalışmada, akıllı elektrik sayaçları ile ölçülen aylık tüketim değerlerine dayalı olarak enerji tüketimindeki olası anomalilerin tespit edilmesi ve farklı makine öğrenmesi yöntemleri kullanılarak gelecek tüketiminin tahmin edilmesi amaçlanmıştır. Sonuç olarak; enerji sektöründe genel aydınlatma sayaçları üzerinde yapılan uygulamalarda İzolasyon Ormanı (Isolation Forest-IF), Yerel Aykırı Değer Faktörü (Local Outlier Factor-LOF) ve FbProphet algoritmalarının anomali tespitinde olası uç anomali noktalarını başarılı bir şekilde tespit edebildiği ve FbProphet algoritmasının XGBoost algoritmasına göre sayaç verileri üzerinde zaman serileri ile yapılan tahminlemelerde ortalama olarak daha iyi sonuç verdiği tespit edilmiştir.
Anahtar Kelimeler
Anomali Tespiti, Tahminleme, Zaman Serileri, Elektrik Güç Dağıtımı, Akıllı Sayaç, Anomaly Detection, Electrical Power Distribution
Kaynakça
- Alfares, H.K. ve Nazeeruddin, M. (2010). Electric Load Forecasting: Literature Survey and Classification of Methods, International Journal of Systems Science, 33, 23–34. Doi: 10.1080/00207720110067421
- Al-Ghaili, M.A., Ibrahim, Z.A., Hairi, S.A.S.S., Rahim, F.A., Baskaran, H., Ariffin, N.A.M., ve Kasim, H. (2021). A Review of Anomaly Detection Techniques in Advanced Metering Infrastructure, Bulletin of Electrical Engineering and Informatics, 10(1), 266-273. Doi: 10.11591/eei.v10i1.2026
- Breunig, M.M., Kriegel, H., Ng, R.T., ve Sander, J. (2000). Lof: Identifying Density-Based Local Outliers, Acm Sıgmod Record, 29(2), 93–104. https://doi.org/10.1145/335191.335388
- Bansal, A., Rompikuntla, S.K., Gopinadhan, J., Kaur, A., ve Kazi, Z.A. (2015). Energy Consumption Forecasting For Smart Meters, ArXiv abs/1512.05979, Cornell university. Elsevier.
- Braei, M. (2019). Anomaly Detection of Time series: A Comparison of Statistical vs Classical Machine Learning vs Deep Learning Approaches, Master Thesis in The Department of Computer Science, Kauschke, Technical University Of Darmstadt. Doi: 10.13140/rg.2.2.17687.80801
- Braei M., ve Wagner S. (2020). Anomaly Detection In Univariate Time-Series: A Survey on The State-Of-The-Art, Cornell University, https://doi.org/10.48550/arxiv.2004.00433
- Borges, H., Akbarinia, R., ve Masseglia, F. (2021). Anomaly Detection in Time Series, Transactions On Large-Scale Data-and Knowledge-Centered Systems L, Lecture Notes in Computer Science, 12930, 46-62.
- Cook, A., Mısırlı, G., ve Fan, Z. (2020). Anomaly Detection For Iot Time-Series Data: A Survey, IEEE Internet Of Things Journal, 7 (7), 6481 – 6494. Doi: 10.1109/jıot.2019.2958185
- Chandola, V., Banerjee, A., ve Kumar, V. (2009). Anomaly Detection: A Survey, Acm Computing Surveys, 41(3), 1–58. https://doi.org/10.1145/1541880.1541882
- Chen, T., ve Guestrin C. (2016). Xgboost: A Scalable Tree Boosting System, arXiv:1603.02754.