Ulusal Tez Merkezi

Tez No	İndirme	Tez Künye	Durumu
474888		A big data analytics architecture for multi tenant energy optimization systems / Çok kullanıcılı enerjı̇ optı̇mı̇zasyon sı̇stemlerı̇ ı̇çı̇n büyük verı̇ analı̇zı̇ mı̇marı̇sı̇ Yazar:OĞUZ CAN KARTAL Danışman: DR. CEVAT ŞENER Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Yüksek Lisans İngilizce 2017 81 s.

Verimli enerji tüketimi çevresel ve mali açıdan ciddi etkilere sahip olan, her geçen gün önemi artmakta olan konulardan biridir. Ticari ve endüstriyel binalar, entegre optimizasyon sistemlerinin eksikliği nedeniyle büyük miktarda enerji harcarlar. Bu tezde, eski sensör verilerinden yaratılan makine öğrenme modelleri yardımıyla sensör verisi üzerinde çeşitli gerçek zamanlı analizler yapabilen büyük ölçekli çok kullanıcılı enerji optimizasyon sistemleri için bir büyük veri analiz mimarisi önerilmiştir. Büyük veri analitiği işleme alt sistemi oluşturmak için, sensör verisinin akışında birkaç adım vardır. Sahadaki sensörlerden sisteme gelen ham veriler ayrıştırılır ve gerekli özellikleri içeren anlamlı verilere dönüştürülür. Bu anlamlı veriler, ilerleyen süreçte gelecek olan enerji tüketim değerlerini tahmin etmek için kullanılır. Sistemin tahmin etme işlevi, eski sensör verilerinden yaratılan bir makine öğrenme modeli ile gerçekleştirilir. Bu anlamlı veriler, aynı zamanda kullanılan makine öğrenme modelinin güncellenmesini ve doğruluğun iyileştirilmesini sağlamak için de kullanılır. Tahmin ve model güncelleme analizleri, sistemin gerçek zamanlı özelliğini sağlamak için önce bir veri tabanı ya da dosya sistemine yazmadan akan sensör verileri üzerinde yapılır. Sistemin çok önemli bir özelliği ölçeklenebilirliktir; yani yeni kullanıcılar eklemenin veya sensör verilerini alma sıklığını artırmanın performans üzerindeki etkisi sistem tarafından ayarlanmalıdır.

Efficient energy consumption is a trending topic nowadays, which has serious effects both environmentally and financially. Commercial and industrial buildings waste huge amounts of energy because of lack of integrated optimization systems. In this thesis, a big data analytics architecture for large-scale multi-tenant energy optimization systems is proposed, which is capable of doing various near-real time analyses on sensor data with the help of machine learning models created from old sensor data. In order to build big data analytics handling subsystem there are several steps during the flow of the sensor data. Raw data collected from the sensors in the field to the system is parsed and turned into meaningful data containing required features. This meaningful data is used for predicting the forth-coming energy consumption values. Prediction feature of the system is carried out with a machine learning model created from old sensor data. This meaningful data is also used for updating this machine learning model, to improve the accuracy and provide compatibility of model with live sensor data. Prediction and model update analyses are implemented on the streaming sensor data, without first storing it to a database or file system to provide near-real time feature of system. A very important feature of the system is scalability, which means adding new tenants or increasing the frequency of sensor data arrival is handled by system.