Enerji Verimli Binaların Isıtma ve Soğutma Yüklerinin Düzenli Modeller ile Tahmin Edilmesi
Abstract
Fosil yakıtların azalması ile birlikte enerji verimliliği kavramı gün geçtikçe önem kazanmaktadır. Enerjinin büyük bir bölümü binaların yapım ve kullanımında tüketildiğinden binalardaki enerji tasarrufunu sağlamak için ısıtma ve soğutma yüklerinin hesaplanması gerekir. Bu yükler enerji simülasyon yazılımları kullanılarak hesaplanmaktadır ancak bu süreç çok zaman alabilir ve kullanıcı deneyimi gerektirir. Makine öğrenmesi algoritmaları ısıtma ve soğutma yüklerinin tahminlenmesinde hızlı ve güvenilir bir alternatif haline gelmiştir. Bu çalışmada, binaların ısıtma ve soğutma yükleri Doğrusal Regresyon, K – En Yakın Komşuluk, Destek Vektör Makineleri, Karar Ağaçları, Rastgele Orman, Uç Gradyan Artırma ve Yapay Sinir Ağları kullanılarak tahminlenmiştir. Analizler R İstatistiksel Programlama Dili’nin güncel çalışma alanlarından olan düzenli modeller (“tidymodels”) ile gerçekleştirilmiştir. Düzenli modeller “tidyverse” ilkeleri ile makine öğrenmesi uygulamaları yapmak için geliştirilmiş, hızlı ve pratik çözümler sunan paketler koleksiyonudur. Yapılan çalışma ile elde edilen sonuçlara göre tahmin doğruluğu açısından en başarılı algoritma Uç Gradyan Artırma Algoritması olmuştur. Binaların çeşitli özelliklerine ait değerler girilerek ısıtma ve soğutma yüklerini yüksek hassasiyet ile tahmin etmek ve hızlı sonuç almak için düzenli modelleme yaklaşımı ile Uç Gradyan Artırma Algoritması’nın kullanılması önerilmektedir.
Keywords
Enerji verimliliği, R, Düzenli modeller, Makine öğrenmesi, Uç gradyan artırma
References
- [1] Ö. Aydın, “Binalarda enerji verimliliği kapsamında yapılan projelerin değerlendirilmesi: Türkiye örneği,” Mimarlık ve Yaşam Dergisi, c. 4, s. 1, ss. 55–68, 2019.
- [2] A. Tsanas, and A. Xifara, “Accurate quantitative estimation of energy performance of residential buildings using statistical machine learning tools,” Energy and Buildings, vol. 49, pp. 560–567, 2012.
- [3] A. Yezioro, B. Dong, and F. Leite, “An applied artificial intelligence approach towards assessing building performance simulation tools,” Energy and Buildings, vol. 40, pp. 612–620, 2008.
- [4] J. S. Chou, and D. K. Bui, “Modeling heating and cooling loads by artificial intelligence for energy-efficient building design,” Energy and Buildings, vol. 82, pp. 437–446, 2014.
- [5] M. Peker, O. Özkaraca ve B. Kesimal, “Enerji tasarruflu bina tasarımı için ısıtma ve soğutma yüklerini regresyon tabanlı makine öğrenmesi algoritmaları ile modelleme,” Bilişim Teknolojileri Dergisi, c. 10, s. 4, ss. 443–449, 2017.
- [6] A. Gümüşçü, M. E. Tenekeci, N. Beşli, M. A. İlkhan, E. Aslan ve S. Abamor, “Yapılarda ısıtma ve soğutma yükü sınıfların makine öğrenme yöntemleri ile belirlenmesi,” Harran Üniversitesi Mühendislik Dergisi, c. 3, s. 2, ss. 60–66, 2018.
- [7] S. Seyedzadeh, F. P. Rahimian, P. Rastogi, and I. Glesk, “Tuning machine learning models for prediction of building energy loads,” Sustainable Cities and Society, vol. 47, pp. 1–18, 2019.
- [8] S. S. Roy, P. Samui, I. Nagtode, H. Jain, and V. Shivaramakrishnan, “Forecasting heating and cooling loads of buildings: A comparative performance analysis,” Journal of Ambient Intelligence and Humanized Computing, vol. 11, pp. 1253–1264, 2020.
- [9] A. Moradzadeh, A. M. Saatloo, B. M. Ivatloo, and A. A. Moghaddam, “Performance evaluation of two machine learning techniques in heating and cooling loads forecasting of residential buildings,” Applied Sciences, vol. 10, no. 11, pp. 1–12, 2020.
- [10] A. F. Özdemir, E. Yıldıztepe ve M. Binar, “İstatistiksel yazılım geliştirme ortamı: R,” Akademik Bilişim’10-XII. Akademik Bilişim Konferansı Bildirileri, Muğla, Türkiye, 2010, ss. 293–297.