Bu çalışma, Universidad Laica Eloy Alfaro de Manabí bünyesindeki üç akademik binanın elektrik gücü tüketimini geçmiş ölçümler, zaman bilgileri ve sıcaklık verileri üzerinden tahmin etmek için MATLAB Regression Learner uygulamasını kullanmaktadır. Regression Learner, farklı regresyon algoritmalarını aynı veri kümesi üzerinde eğitmeye, çapraz doğrulamayla karşılaştırmaya ve elde edilen modelleri daha sonra MATLAB kodunda veya başka uygulamalarda kullanmak üzere dışa aktarmaya olanak veren bir makine öğrenmesi aracıdır. Araştırmada doğrusal ve polinom regresyonu, Support Vector Machine ve ensemble yöntemleri dahil olmak üzere farklı seçenekler değerlendirilmiş; kaynak tarafından en iyi sonuç Regression Ensemble: Bagged Trees modeliyle elde edilmiştir.

Çalışmada üç üniversite binasına ait yaklaşık 10 aylık elektrik tüketimi kayıtlarından yararlanıldığı belirtilmektedir. Kaynak grafiklerinde incelenen zaman ekseni Mayıs 2022 ile Şubat 2023 arasındadır. Veri setinde elektrik gücünün yanı sıra ortam sıcaklığı, gün ve saat gibi zamansal değişkenler bulunmaktadır. Ölçümlerin örnek tablosunda 15 dakikalık aralıklarla kaydedildiği görülmektedir. Veriler MATLAB'a aktarılmadan önce eksik kayıtların düzeltilmesi ve aykırı değerlerin temizlenmesi gibi ön işleme adımlarının uygulandığı belirtilmektedir.

Regression Learner karşılaştırmasında Bagged Trees ensemble modeli doğrulama RMSE'si 2.2463 ile kaynak tarafından en başarılı model olarak seçilmiştir. RMSE veya Root Mean Squared Error, model tahminleriyle gerçek değerler arasındaki farkların karelerinin ortalamasının kareköküdür ve büyük tahmin hatalarına daha yüksek ağırlık verir. Çalışmanın kendi metninde hedeflenen ideal değerin 1,4'ün altında olduğu belirtilmesine rağmen ulaşılan en iyi RMSE yaklaşık 2,24'tür. Bu nedenle model hedeflenen hata seviyesine ulaşmamış, ancak yazarlar sonucu enerji planlama amaçları açısından kullanılabilir olarak değerlendirmiştir.

Çalışmanın ikinci önemli çıktısı MATLAB App Designer ile hazırlanan kullanıcı arayüzüdür. Uygulama kullanıcının fakülteyi ve tarihi seçmesine, daha önce eğitilmiş üç farklı bina modelinden ilgili olanın yüklenmesine ve tahmini elektrik gücü ile akım değerlerinin ekranda gösterilmesine olanak sağlamaktadır. Böylece makine öğrenmesi modelinin yalnız analiz ortamında bırakılması yerine operasyonel bir tahmin aracına dönüştürülmesi hedeflenmiştir.

Bununla birlikte çalışmada Bagged Trees hiperparametreleri, çapraz doğrulamadaki k değeri, ayrı binaların bağımsız RMSE değerleri, sayısal R² sonucu ve harici test kümesi gibi yeniden üretilebilirlik açısından önemli ayrıntılar verilmemektedir. Ayrıca veri döneminin farklı bölümlerde 2022 içindeki 10 ay, Mayıs 2022–Şubat 2023 ve Mayıs–Haziran–Temmuz biçiminde farklı tanımlanması kaynak içinde zaman aralığı tutarsızlığı oluşturmaktadır.

Üniversite Binalarının Elektrik Tüketimini Tahmin Etmek Neden Zordur?

Üniversite binalarındaki elektrik tüketimi yalnız saat veya dış sıcaklığın basit fonksiyonu değildir. Kaynak çalışma kullanıcı hareketliliği, ders ve idari faaliyetler, farklı oda türleri, pencere yapıları ve özellikle klima kullanımı gibi birçok faktörün elektrik talebini değiştirebildiğini vurgulamaktadır. Bu nedenle aynı bina farklı günlerde veya aynı günün farklı saatlerinde oldukça farklı güç profilleri gösterebilir.

Bir tahmin modeli, geçmiş ölçümlerdeki tekrar eden örüntüleri öğrenerek gelecek zaman noktalarında beklenen güç talebini tahmin etmeye çalışır. Buradaki amaç yalnız toplam enerji tüketimini geriye dönük açıklamak değil, ileride oluşabilecek elektrik talebini önceden tahmin ederek enerji yönetimi ve planlamayı desteklemektir.

Çalışmada incelenen üç fakülte

Kaynak App Designer arayüzünde üç ayrı fakülte modeli bulunmaktadır:

• Facultad de Ingeniería Naval,
• Facultad de Administración de Empresas,
• Facultad de Ciencias de la Educación.

Kaynak her bina/fakülte için verilerin ayrı hazırlanarak Regression Learner içinde üç bağımsız model oluşturulduğunu belirtmektedir.

Regression Learner Bu Çalışmada Ne Yapıyor?

Regression Learner, geçmiş ölçümlerden elektrik gücü ile zaman ve çevresel değişkenler arasındaki ilişkiyi öğrenmek için birden fazla regresyon algoritmasını aynı çalışma ortamında değerlendirmektedir. Kullanıcı veri kümesini yüklemekte, tahmin edilecek hedef değişkeni ve predictor değişkenlerini seçmekte, farklı modelleri eğitmekte ve RMSE gibi doğrulama ölçütlerine göre en uygun yaklaşımı belirlemektedir.

Kaynakta kullanılan temel değişkenler

Çalışmanın farklı bölümlerinde model girdileri olarak:

• tarih,
• saat,
• gün,
• ay,
• yıl,
• ortam sıcaklığı

gibi değişkenlerden söz edilmektedir.

Hedef değişken ise elektrik gücüdür.

PDF'nin 11. sayfasındaki Regression Learner değişken seçimi ekranında Fecha, Hora ve Temperatura predictor olarak işaretlenirken Potencia ayrı hedef değişken olarak kullanılmaktadır.

Örnek 15 dakikalık ölçümler

Bu örnek, en azından yayımlanan tablo bölümünde ölçümlerin 15 dakikalık çözünürlükte tutulduğunu göstermektedir.

Bagged Trees Modeli Enerji Tüketimini Nasıl Tahmin Ediyor?

Bagged Trees yaklaşımı tek bir karar ağacına güvenmek yerine aynı eğitim verisinden yeniden örnekleme yoluyla oluşturulan çok sayıda karar ağacının tahminlerini birleştirir. Tek bir ağacın belirli eğitim örneklerine aşırı uyum sağlama eğilimi ensemble ortalamasıyla azaltılmaya çalışılır; böylece modelin yeni verilere karşı daha kararlı hale gelmesi hedeflenir.

Tek bir karar ağacının problemi

Kaynak açıklamasında bir karar ağacının örneğin sıcaklık ve saat üzerinden:

• sıcaklık 30 °C'nin üzerindeyse ve saat 14:00 ise yüksek tüketim,
• sıcaklık 20 °C'nin altındaysa ve saat 07:00 ise düşük tüketim

gibi kurallar öğrenebileceği belirtilmektedir.

Ancak tek ağacın eğitim verisindeki kesin bölünmelere fazla uyum sağlaması yüksek varyansa yol açabilir. Bagging yöntemi farklı bootstrap örneklerinde çok sayıda ağaç oluşturarak bu problemi azaltmayı amaçlar.

Bagged Trees'in matematiksel formülasyonu

Kaynak eğitim veri kümesini:

olarak tanımlar.

Burada \(x_i\) sıcaklık ve saat gibi özellikleri, \(y_i\) ise tahmin edilmek istenen elektrik tüketimini temsil eder.

Daha sonra yerine koymalı örnekleme yoluyla:

bootstrap veri kümeleri oluşturulur.

Her veri kümesi üzerinde ayrı bir karar ağacı \(h_b(x)\) eğitildikten sonra ensemble tahmini:

biçiminde hesaplanır.

Yani nihai elektrik tüketimi tahmini tek ağacın çıktısından değil, bütün ağaçların tahminlerinin ortalamasından oluşur.

Çalışmanın Yöntemi ve Bulguları

Veri toplama ve hazırlama

Kaynak çalışmanın yöntem zinciri şu şekilde özetlenebilir:

1. Üç akademik binadan elektrik tüketimi verilerinin toplanması.
2. Zaman ve ortam sıcaklığı bilgilerinin veri setine eklenmesi.
3. Eksik kayıtların düzeltilmesi.
4. Aykırı değerlerin temizlenmesi.
5. Verilerin fakülte bazında ayrılması.
6. Zaman bilgilerinin tahmin girdilerine dönüştürülmesi.
7. Her fakülte için bağımsız Regression Learner modeli oluşturulması.
8. Farklı regresyon algoritmalarının eğitilmesi.
9. Çapraz doğrulamayla performans değerlendirmesi.
10. En iyi modelin Bagged Trees olarak seçilmesi.
11. Eğitilmiş modellerin App Designer uygulamasına aktarılması.

Kaynak temizleme işleminin yapıldığını belirtmekle birlikte hangi aykırı değer yönteminin kullanıldığını veya eksik verilerin hangi yöntemle tamamlandığını açıklamamaktadır.

Haftalık ortalama güç davranışı

PDF'nin 7. sayfasındaki Şekil 1, Facultad de Administración de Empresas için Mayıs 2022'den Şubat 2023'e uzanan haftalık ortalama güç serisini göstermektedir.

Kaynak şu temel davranışları vurgulamaktadır:

• Mayıs döneminde yüksek talep noktaları,
• Eylül çevresinde yeniden yükselen tüketim,
• Ocak civarında 10 kW'ın üzerine çıkan haftalık pikler,
• Ağustos başında 0 kW'a yaklaşan bir tüketim vadisi,
• Kasım başında ikinci çok düşük tüketim dönemi.

Yazarlar çok düşük tüketim dönemlerini akademik faaliyetin azalması, tatil veya binanın düşük doluluğu gibi nedenlerle ilişkilendirmektedir.

Ancak çalışmada doğrudan doluluk sensörü veya akademik aktivite değişkeni bulunmadığından bu açıklama yazarların yorumudur.

Haftalık sıcaklık davranışı

Şekil 2'de haftalık ortalama sıcaklık yaklaşık:

aralığında değişmektedir.

Kaynağa göre:

• 15 Mayıs çevresinde yaklaşık 21,7 °C,
• 22 Mayıs 2022'de 23,37 °C,
• 31 Temmuz'da 23,74 °C,
• 28 Ağustos'ta 21,80 °C,
• 6 Kasım'da 23,98 °C,
• 4 Aralık'ta 25,70 °C,
• 1 Ocak 2023'te 27,26 °C

değerleri bulunmaktadır.

Güç ve sıcaklık birlikte değerlendirildiğinde

PDF'nin 8. sayfasındaki Şekil 3 iki değişkeni aynı zaman ekseninde göstermektedir.

Kaynak iki farklı davranış bölgesi yorumlamaktadır.

Düşük aktivite dönemleri: Güç tüketiminin 0 kW'a yaklaştığı bazı haftalarda sıcaklık benzer biçimde düşmemektedir. Kaynak bu nedenle aşırı düşük tüketimi sıcaklıktan çok akademik faaliyet veya dolulukla ilişkilendirir.

Daha sıcak dönem: Kasım sonrasında sıcaklığın yükselmesiyle bazı güç tüketim piklerinin de yükseldiği görülmektedir. Yazarlar bunu klima kullanımının artmasıyla ilişkilendirmektedir.

Bununla birlikte kaynak gerçek korelasyon katsayısı, regresyon katsayısı veya klima kullanım ölçümü sunmadığından sıcaklığın tüketim üzerindeki bağımsız etkisinin büyüklüğü nicel olarak belirlenmemektedir.

RMSE = 2.2463 Ne Anlama Geliyor?

RMSE, tahmin edilen elektrik gücü ile gerçek ölçüm arasındaki hata büyüklüğünü tek sayı üzerinden özetlemektedir. Değer küçüldükçe modelin tahminleri veri setindeki gerçek değerlere daha yakın hale gelir; ancak RMSE'nin iyi veya kötü olup olmadığı hedef değişkenin ölçeği, uygulamanın hata toleransı ve daha basit modellerle yapılan karşılaştırma dikkate alınarak değerlendirilmelidir.

Kaynakta verilen RMSE formülü

Burada:

• \(y_i\): gerçek ölçüm,
• \(\hat y_i\): model tahmini,
• \(n\): gözlem sayısıdır.

PDF'nin 11. sayfasındaki Regression Learner ekranında:

RMSE (Validation) = 2.2463

görülmektedir.

Çalışmanın kendi hedefiyle karşılaştırma

Kaynak metni başlangıçta RMSE'nin:

olmasını beklediklerini belirtmektedir.

Ancak en iyi elde edilen değer:

olmuştur.

Dolayısıyla sonuç beklenen hedefin üzerindedir.

%7,46 Hata Çalışmanın Gerçek Hata Oranı mı?

Hayır. Kaynakta verilen %7,46 hesabı gerçek veri setinin yayımlanmış ortalama tüketiminden elde edilmemiştir; yazarlar açıklama amacıyla ortalama tüketimin 30 kW olduğunu varsaymaktadır. Bu nedenle %7,46 yalnız varsayımsal bir göreli hata örneğidir ve Bagged Trees modelinin ölçülmüş doğruluk yüzdesi olarak kullanılmamalıdır.

Kaynakta kullanılan örnek

Varsayımsal:

alındığında:

bulunmaktadır.

Kaynak ayrıca gerçek ortalama tüketim 50 kW olsaydı:

olacağını göstermektedir.

Bu örnekler göreli hatanın kullanılan normalizasyon değerine bağlı olduğunu göstermektedir; doğrudan model performansı sonucu değildir.

Kaynak içindeki 2,91 RMSE problemi

Aynı bölümde kaynak aniden:

RMSE = 2,91 → yaklaşık %9,7

ifadesini kullanmaktadır.

Matematiksel olarak:

doğrudur.

Fakat çalışmanın Regression Learner ekranında elde edilen değer 2,2463'tür. 2,91'in hangi modelden geldiği açıklanmadığından bu sayı ana sonuç olarak kullanılamaz.

Gerçek ve Tahmin Edilen Güç Değerleri Nasıl Karşılaştırılıyor?

Kaynakta gerçek güç ölçümleriyle regresyon modelinin tahminleri aynı grafik üzerinde karşılaştırılmaktadır. Metne göre mavi noktalar gerçek elektrik gücü ölçümlerini, sarı noktalar model tahminlerini temsil etmektedir. Amaç modelin zaman içindeki tüketim profilini ne ölçüde takip edebildiğini görsel olarak değerlendirmektir.

Ancak kaynak bu grafik için ayrı:

• MAE,
• maximum error,
• bias,
• R²,
• prediction interval

değerleri vermemektedir.

App Designer Enerji Tahminini Nasıl Kullanılabilir Hale Getiriyor?

Çalışmada oluşturulan App Designer uygulaması, MATLAB komut satırını veya Regression Learner arayüzünü kullanmak zorunda kalmadan eğitilmiş tahmin modellerine erişilmesini sağlamaktadır. Kullanıcı fakülteyi ve tarihi seçmekte, uygulama ilgili eğitilmiş modeli yükleyerek tahmin edilen güç ve akım değerlerini arayüzde göstermektedir.

Uygulamanın temel kullanıcı akışı

1. Fakülte seçilir.
2. Gün, ay, saat ve dakika bilgileri girilir.
3. “Calcular” işlemi başlatılır.
4. Seçilen fakülteye ait model yüklenir.
5. Güç tahmini hesaplanır.
6. Güç değerinden akım hesabı gerçekleştirilir.
7. Sonuçlar arayüzde görüntülenir.

PDF'nin 14. sayfasındaki örnek ekranda uygulama tahmin edilen güç ve akım değerlerini ayrı alanlarda göstermektedir.

Neden üç ayrı model?

Kaynak verileri fakülte bazında ayrı hazırlamaktadır. Bunun nedeni farklı akademik binaların:

• çalışma saatleri,
• kullanıcı yoğunlukları,
• klima kullanım biçimleri,
• elektrik yük profilleri

açısından farklı davranabilmesidir.

Bu nedenle tek bir evrensel kampüs modeli yerine üç bağımsız model kullanılmıştır.

Model Yeni Üniversite Binalarında Doğrudan Kullanılabilir mi?

Kaynağın mevcut uygulaması üç binadan toplanan verilere göre geliştirilmiştir. Yeni bir bina sisteme eklenecekse o binanın tüketim davranışını temsil eden yeni verilerin toplanması ve modelin yeniden eğitilmesi gerekir; mevcut üç binanın modeli farklı kullanım düzenine sahip yeni bir yapıda aynı performansı otomatik olarak garanti etmez.

Kaynağın desteklediği sonuçlar

• MATLAB Regression Learner üniversite elektrik tüketimi verilerine uygulanabilir.
• Zaman ve sıcaklık değişkenleri enerji talebi tahmininde kullanılabilir.
• Kaynakta değerlendirilen modeller arasında Bagged Trees en düşük raporlanan RMSE'yi vermiştir.
• Bagged Trees doğrulama RMSE'si 2.2463 olarak gösterilmiştir.
• Elektrik tüketimi yıl boyunca belirgin haftalık değişkenlik göstermektedir.
• Bazı düşük tüketim dönemleri sıcaklık değişiminden bağımsız görünmektedir.
• Sıcak dönemde tüketim ve sıcaklık birlikte yükselen dönemler göstermektedir.
• Eğitilmiş modeller App Designer tabanlı kullanıcı uygulamasına entegre edilebilmiştir.

Çalışmanın tek başına desteklemediği sonuçlar

• Modelin gerçek hata yüzdesinin %7,46 olduğu gösterilmemiştir.
• Modelin RMSE'sinin 1,4'ün altında olduğu gösterilmemiştir.
• R² için sayısal başarı değeri yayımlanmamıştır.
• Sıcaklığın tüketim değişiminin belirli bir yüzdesine neden olduğu gösterilmemiştir.
• Klima kullanımının doğrudan ölçülmüş etkisi verilmemektedir.
• Bütün üniversite binalarında aynı modelin aynı doğruluğu vereceği gösterilmemiştir.
• Gerçek zamanlı ileri tarih tahminlerinde bağımsız saha doğrulaması sunulmamıştır.
• Daha fazla veri eklendiğinde doğruluğun kesin olarak artacağı deneysel olarak gösterilmemiştir.

Çalışmanın güçlü yönleri

Çalışmanın ilk güçlü yönü gerçek bina tüketim ölçümlerini makine öğrenmesi modeliyle birleştirmesidir. Model tamamen sentetik enerji profiline dayanmamaktadır.

İkinci güçlü yön, tüketim verisini sıcaklık ve zaman bilgileriyle ilişkilendirmesidir. Böylece elektrik talebinin yalnız geçmiş güç değerlerinden ibaret olmadığı dikkate alınmaktadır.

Üçüncü güçlü yön, farklı Regression Learner algoritmalarının karşılaştırılması ve tek modelin baştan seçilmemesidir.

Dördüncü güçlü yön, modelin App Designer aracılığıyla son kullanıcıya yönelik bir arayüze dönüştürülmesidir. Bu, makine öğrenmesi analizini pratik kullanım senaryosuna yaklaştırmaktadır.

Çalışmanın temel sınırlılıkları

Veri döneminin makalenin farklı bölümlerinde farklı ifade edilmesi önemli bir raporlama problemidir. En görünür grafikler Mayıs 2022 ile Şubat 2023 arasını göstermektedir.

Ölçüm çözünürlüğü de bazı bölümlerde saatlik, örnek tabloda ise 15 dakikalık olarak sunulmaktadır.

Bagged Trees'in hiperparametreleri açıklanmamıştır.

Çapraz doğrulama k değeri belirtilmemiştir.

Model performansı için R² kullanılacağı belirtilmiş ancak sonuç değeri verilmemiştir.

Üç binanın ayrı performanslarının karşılaştırmalı tablosu sunulmamaktadır.

Harici ve tamamen görülmemiş bir test dönemi üzerinde performans verilmemektedir.

Kaynağın %7,46 ve %4,48 örnekleri varsayımsal ortalama tüketim değerlerine bağlıdır.

2,91 RMSE ifadesi ana 2,2463 sonucuyla açıklanmayan biçimde farklıdır.

Kaynak ve Yöntem Notu

• Özgün başlık: Predicción de Consumo Energético en Edificios Universitarios usando la aplicación Regression Learner de MATLAB
• İngilizce başlık: Predicting Energy Consumption in University Buildings Using the Regression Learner App in MATLAB
• Yazar 1: Kenneth Wladimir Masabanda Macay
• Yazar 2: Edisson Daniel Segovia Muñoz
• Yazar 3: Erick José Alcivar Villamarin
• Yazar 4: Washington Xavier García Quilachamin
• Kurum: Universidad Laica Eloy Alfaro de Manabí, Manta, Ecuador
• Dergi: Ciencias de la Ingeniería y Aplicadas
• Yayımlayan kurum: Universidad Técnica de Cotopaxi
• Cilt: 10
• Sayı: 1
• Sayfalar: 128–144
• Yayın dönemi: Ocak–Haziran 2026
• DOI: 10.61236/ciya.v10i1.1240
• Alınma tarihi: 24 Ekim 2025
• Revizyon kabul tarihi: 28 Aralık 2025
• Resmî yayın tarihi: 16 Ocak 2026
• Makale türü: Araştırma makalesi
• Kaynak türü: Üniversite enerji tüketimi verisi + denetimli regresyon + MATLAB uygulama geliştirme
• Ana yazılım: MATLAB Regression Learner
• Uygulama geliştirme: MATLAB App Designer
• Seçilen model: Regression Ensemble — Bagged Trees
• Raporlanan en iyi doğrulama RMSE: 2.2463
• Resmî bağlantı:https://doi.org/10.61236/ciya.v10i1.1240

Kaynak içi veri ve metrik bütünlüğü notu

Makalenin veri dönemi farklı bölümlerde “2022 yılı içindeki 10 ay”, “Mayıs 2022–Şubat 2023” ve “Mayıs, Haziran ve Temmuz” biçiminde farklı tanımlanmaktadır. Ölçüm sıklığı da bir bölümde saatlik olarak ifade edilirken örnek tablo 15 dakikalık kayıtlar göstermektedir. Bu farklılıklar bağımsız yeniden üretimde açıklığa kavuşturulmalıdır.

Regression Learner ekranındaki temel performans değeri RMSE=2.2463'tür. Metindeki %7,46 ve %4,48 hata oranları gerçek veri ortalamasından değil sırasıyla 30 ve 50 kW varsayımlarından hesaplanmıştır. Aynı bölümde kullanılan RMSE=2,91 değeri ise ana model sonucu ile uyuşmamaktadır.

Model yeniden üretilebilirliği notu

Kaynak k-fold cross-validation, hiperparametre optimizasyonu ve farklı regresyon algoritmalarının karşılaştırıldığını bildirmektedir; ancak kullanılan k değeri, Bagged Trees'in ağaç sayısı, yaprak boyutu, bootstrap ayarları, random seed ve nihai hiperparametre seti yayımlanmamaktadır. Bu nedenle modelin kaynak metinden birebir yeniden oluşturulması için özgün MATLAB oturumu veya eğitilmiş model dosyaları gerekir.

Bilimsel yorum sınırı

Çalışma, geçmiş tüketim ve çevresel/zamansal veriler kullanılarak belirli üç üniversite binasının elektrik talebinin makine öğrenmesiyle modellenebileceğini göstermektedir. RMSE=2.2463 sonucu çalışma içindeki doğrulama koşullarına aittir ve yeni kampüsler, farklı iklimler veya farklı kullanım profilleri için aynı performansı garanti etmez. Enerji tasarrufu veya karbon emisyonu azaltımı da doğrudan ölçülmüş çalışma sonuçları değildir; tahminlerin daha iyi enerji planlamasına katkıda bulunabileceğine ilişkin uygulama hedefleridir.