Research Information System
JOURNAL OF THE FACULTY OF ENGINEERING AND ARCHITECTURE OF GAZI UNIVERSITY, vol.40, no.3, pp.1637-1646, 2025 (SCI-Expanded)
In this study, a novel method based on Convolutional Neural Network (CNN) deep learning has been proposed for identifying residential loads, and the feasibility and performance of the method have been investigated. Initially, six different loads commonly found in residences are identified, and the load datas are collected individually and in various combinations. These data are utilized to develop machine learning models including the proposed model, as well as Random Forest, Decision Trees, and K-Nearest Neighbor models, which are frequently employed for similar purposes in the literature. Subsequently, the identification results of residential loads for all models are compared using performance metrics, determining that the CNN model proposed in this study achieved the most successful identifications. Figure A illustrates the flowchart of the proposed CNN-based load identification approach.
Modern çağın hızla değişen enerji ihtiyaçlarına cevap vermek, evlerin enerji yönetimini daha da kritik hale getirmektedir. Akıllı ev teknolojilerinin yükselişiyle birlikte, konut yüklerinin etkili bir şekilde tanımlanması ve yönetilmesi giderek daha büyük bir önem kazanmaktadır. Bu çalışmada, konut yükü tanımlaması için CNN derin öğrenme tabanlı yeni bir yaklaşım önerilmiştir. Önerilen modelin etkinliği ve uygulanabilirliği, geleneksel makine öğrenimi yöntemleri olan Rastgele Orman, Karar Ağaçları ve K-En Yakın Komşu ile karşılaştırılarak değerlendirilmiştir. Afyon Kocatepe Üniversitesi laboratuvarlarında gerçekleştirilen deneysel verilerle desteklenen çalışma sonuçları, CNN derin öğrenme modelinin doğruluk, kesinlik, duyarlılık ve F-ölçütü gibi kritik metriklerde en üstün performansı sergilediğini ortaya koymuştur.