Uğurlu, BoraEr, Rezzan Nisa2025-01-262025-01-262021https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=8tbPippmWV_b-Irrn9YEAj1GwMgltG0_0O-wQQz8w_8LOCr1fBMF4HRtR3dEqGFrhttps://hdl.handle.net/20.500.12428/9319Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim DalıNesnelerin interneti teknolojisi gelişerek yaygınlaşmasından bu yana akıllı evlerde kullanılan cihazların sayısında ve bununla beraber elektrik tüketiminde de artış meydana gelmiştir. Kullanıcının artan elektrik talebini karşılaması için güneş enerjisi ile desteklenen prototip bir sistem geliştirdik. Bu sisteme göre cihazlar; şebeke ve güneş panellerinden elde edilen elektrik enerjisi ile çalışmaktadır. Cihazların güç tüketim seviyelerine göre hangi kaynaktan besleneceğinin kararı verilir. Yüksek seviyede güç tüketen cihazlar şebeke ile beslenirken düşük güç gereksinimleri olanlar bataryadan beslenirler. Bu sistemde bataryanın durumu da takip edilir, belli bir seviyenin altına inmediği müddetçe sistemin enerji kaynağı olarak görevini sürdürür aksi halde düşük güç tüketen cihazlar da şebekeden beslenir. Geliştirilen sistemimizde cihazların güç ve enerji tüketimi, batarya, şebeke voltaj seviyeleri, akım gibi tüm sistemle ilgili dinamik veriler her 15 saniyede ThingSpeak üzerinden buluta gönderilmektedir. Bu veriler gelecekteki güç ve enerjiyi tahmin etmek için kullanılır. Bu tahminler için Polinomsal Lineer Regresyon ve LSTM yöntemini kullandık. Tahmin için doğrusal verilerde Polinomsal Lineer Regresyon, LSTM yöntemine göre az bir farkla daha başarılı iken doğrusal olmayan verilerde LSTM çok daha başarılı sonuçlar elde etmiştir. Enerji tüketim için tahminlemede en yüksek doğruluk oranı, 0 ve 1 arasında değer alan Polinomsal Lineer Regresyon ile 0,99 değeri elde edilmiştirSince the Internet of Things technology has developed and become widespread, there has been an increase in the number of devices used in smart homes, as well as in electricity consumption. We developed a prototype system powered by solar energy to meet the user's increasing electricity demand. According to this system, devices work with the electrical energy obtained from the grid and solar panels. Energy sources of devices are determined based on the amount of power they require. While devices with high power consumption demands are fed by the grid, those with low power consumption requirements are fed from the battery. In this system, the status of the battery is also monitored, as long as it does not fall below a certain level. It continues to function as the energy source of the system; otherwise, low power consumption devices are also fed from the grid. In our developed system the dynamic data related to whole system such as the power and energy consumption of the devices, battery, grid voltage levels, and current are sent to the cloud via Thingspeak in every 15 seconds. These data are used to estimate the future power and energy. To do this, we used Polynominal Linear Regression and LSTM method. Polynomial Linear Regression in linear data for forecasting is slightly better than the LSTM method, while LSTM has achieved much more successful results in nonlinear data. The highest accuracy rate in estimation for energy consumption, a value like 0.99 was obtained with Polynomial Linear Regression that takes a value between 0 and 1.trinfo:eu-repo/semantics/openAccessBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolComputer Engineering and Computer Science and ControlMaster Thesis172677032