Machine Learning–Assisted Monitoring and Data Acquisition System for Electricity and Compressed Air Consumption Forecasting in Battery Production Lines

Abstract

This study presents the development of machine learning-based regression models that can perform short-term consumption forecasting using hourly electricity and compressed air consumption data, production confirmation records, downtime data and weather parameters obtained from production lines. The datasets obtained from different sources were merged in time, outliers were removed, missing data analysed, and the dataset made suitable for model training through appropriate filling and interpolation. Subsequently, features based on lag values, moving averages, difference variables, cyclical time variables and production/downtime information were extracted. Four different forecasting problems were then addressed using these features, including 1-hour and 24-hour prediction models for both electricity and compressed air consumption. Regression algorithms such as SVR, Gradient Boosting Machine, LightGBM, XGBoost, KNN and Random Forest were trained and compared. The developed models were evaluated using metrics such as RMSE and R2, and their practicality was evaluated through testing in a factory environment. This study is expected to contribute to the improvement of energy consumption prediction at the factory, better planning of resource allocation, and optimisation of related operational procedures.

Özet (Türkçe)

Bu çalışma, üretim hatlarından elde edilen saatlik elektrik ve basınçlı hava tüketim verileri, üretim onay kayıtları, arıza süresi verileri ve hava durumu parametrelerini kullanarak kısa vadeli tüketim tahmini yapabilen, makine öğrenimi tabanlı regresyon modellerinin geliştirilmesini sunmaktadır. Farklı kaynaklardan elde edilen veri kümeleri zamansal olarak birleştirilmiş, uç değerler çıkarılmış, eksik veriler analiz edilmiş ve uygun doldurma ve enterpolasyon yöntemleri ile veri kümesi model eğitimi için uygun hale getirilmiştir. Ardından, gecikme değerleri, hareketli ortalamalar, fark değişkenleri, döngüsel zaman değişkenleri ve üretim/kesinti bilgilerine dayalı özellikler çıkarılmıştır. Daha sonra bu özellikler kullanılarak, hem elektrik hem de basınçlı hava tüketimi için 1 saatlik ve 24 saatlik tahmin modelleri dahil olmak üzere dört farklı tahmin problemi ele alınmıştır. SVR, Gradient Boosting Machine, LightGBM, XGBoost, KNN ve Random Forest gibi regresyon algoritmaları eğitilmiş ve karşılaştırılmıştır. Geliştirilen modeller, RMSE ve R2 gibi metrikler kullanılarak değerlendirildi ve pratiklikleri fabrika ortamında yapılan testlerle değerlendirildi. Bu çalışmanın, fabrikadaki enerji tüketimi tahminlerinin iyileştirilmesine, kaynak tahsisinin daha iyi planlanmasına ve ilgili operasyonel prosedürlerin optimizasyonuna katkıda bulunması beklenmektedir.

Keywords

• Machine Learning
• Regression Models
• Energy Consumption Forecasting
• Electricity Consumption
• Compressed Air Consumption
• Time Series Forecasting

How to cite

Egehan Özaydın, Emre Çancıoğlu, Savaş Şahin (2026). Machine Learning–Assisted Monitoring and Data Acquisition System for Electricity and Compressed Air Consumption Forecasting in Battery Production Lines. 13th International European Conference on Interdisciplinary Scientific Research — Proceedings Book, pp. 392–401.