Bir tekstil fabrikasının elektrik tüketim değerlerinin derin öğrenme ile tahminlenmesi

Abstract

Endüstriyel süreçlerin devamlılığını sağlayan en önemli kaynaklardan biri elektrik enerjisidir. Elektrik enerjisinin oldukça maliyetli bir kaynak olması nedeniyle tüketiminin en aza indirilmesi işletmeler için önemli bir husustur. İşletmelerin üretim süreçlerinde tüketilen kaynak değerlerinin tahmin edilebilmesi ile maliyetlerin azaltılması sağlanabilmektedir. Son dönemlerde, Makine Öğrenmesi ve Derin Öğrenme kavramları, herhangi bir alanda gelecek tahmini için kullanılan güçlü Yapay Zekâ alt alanlarıdır. Bu nedenle bu tez çalışmasında, tekstil endüstrisi makinelerinin bekleme durumunda aşırı kaynak tüketimini önlemek amacıyla Derin Öğrenme destekli bir elektrik tahmin modeli tasarlanmıştır. Bu yöntem, Uzun-Kısa Süreli Bellek (LSTM) ve kayan pencere tekniği sayesinde tekstil makinelerindeki elektrik tüketiminin dinamik eşik değerlerini tahminlemektedir. LSTM modeli kullanılarak elde edilen elektrik eşik değerleri, Tekrarlayan Sinir Ağları (RNN) ve Kapılı Tekrarlayan Birimler (GRU) gibi diğer Derin Öğrenme yöntemlerinin yanı sıra geleneksel bir yöntem olan Otomatik Regresif Entegre Hareketli Ortalama (ARIMA) ile karşılaştırılmış, elde edilen sonuçların gerçek zamanlı elektrik tüketim verilerine ne kadar yaklaştığı analiz edilmiştir. Bu tez çalışmasında geliştirilen model, elektrik tüketim seviyelerini başarılı bir şekilde tahmin etmekte, tüketim seviyeleri eşiğe ulaştığında Programlanabilir Mantık Denetleyicisi (PLC) ünitesine durma sinyali göndermekte ve bu sayede aşırı kaynak tüketimini engellemektedir.

Electrical energy is one of the most important sources that ensure the continuity of industrial processes. Since electrical energy is a very costly resource, minimizing electricity consumption is an important issue for enterprises. It is possible to reduce costs by estimating the resource values consumed in the production processes of the enterprises. Recently, Machine Learning and Deep Learning concepts are powerful Artificial Intelligence subdomains used for future prediction in any field. Therefore, in this thesis, a Deep Learning supported electrical forecasting model is designed to prevent excessive resource consumption of textile industry machines in their standby state. The proposed method estimates dynamic threshold values of electricity consumption in textile machines using the Long-Short-Term Memory (LSTM) and Sliding Window technique. The threshold values obtained with the LSTM model were compared with other Deep Learning methods such Recurrent Neural Networks (RNN) and Gated Repetitive Units (GRU) and Automated Regressive Integrated Moving Average (ARIMA) as a traditional method, then the results has been analyzed how close they are to real-time electricity consumption data at standby. The proposed model in this thesis successfully predicts electricity consumption levels and sends an interrupt signal to the Programmable Logic Controller (PLC) unit when the consumption levels reach the threshold, thus preventing excessive resource consumption.