Estimating Heating and Cooling Loads of Energy Efficient Buildings with Tidy Models

Abstract

With the decrease in fossil fuels, the concept of energy efficiency gains importance day by day. Since most of the energy is consumed in the construction and use of buildings, heating and cooling loads must be calculated in order to save energy in buildings. These loads are calculated using energy simulation software, but this process can take a lot of time and requires user experience. Machine learning algorithms have become a fast and reliable alternative for predicting heating and cooling loads. In this study, heating and cooling loads of buildings are estimated using Linear Regression, K - Nearest Neighbors, Support Vector Machines, Decision Trees, Random Forest, Extreme Gradient Boosting and Artificial Neural Networks. Analyzes are carried out with tidy models ("tidymodels"), which is one of the current study areas of R Statistical Programming Language. Tidy models are a collection of packages that are developed for machine learning applications with the principles of "tidyverse", offering fast and practical solutions. According to the results obtained from the study, the most successful algorithm in terms of prediction success has been the Extreme Gradient Boosting Algorithm. With this model, the use of a fast-running method that can predict heating and cooling loads with high precision by entering values for various properties of buildings is proposed.

Keywords

• Energy efficiency
• R
• Tidy models
• Machine learning
• Extreme gradient boosting

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. [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. [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. [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. [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. [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. [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. [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. [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. [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. [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.
11. [11] S. M. Bache, and H. Wickham. (2022, March 30). magrittr: A forward-pipe operator for R [Online]. Available: https://cran.r-project.org/web/packages/magrittr/index.html
12. [12] H. Wickham, M. Averick, J. Bryan, W. Chang, L. D. McGowan, R. François, G. Grolemund, A. Hayes, L. Henry, J. Hester, M. Kuhn, T. L. Pedersen, E. Miller, S. M. Bache, K. Müller, J. Ooms, D. Robinson, D. P. Seidel, V. Spinu, K. Takahashi, D. Vaughan, C. Wilke, K. Woo, and H. Yutani, “Welcome to the tidyverse,” The Journal of Open Source Software, vol. 4, no. 43, pp. 1–6, 2019.
13. [13] M. Kuhn, and H. Wickham. (2022, March 19). tidymodels: Easily install and load the ‘tidymodels’ packages [Online]. Available: https://cran.r-project.org/web/packages/tidymodels/index.html
14. [14] M. Kuhn, and H. Wickham. (2022, February 18). recipes: Preprocessing tools to create design matrices [Online]. Available: https://cran.r-project.org/web/packages/recipes/index.html
15. [15] J. Silge, F. Chow, M. Kuhn, and H. Wickham. (2021, November 8). rsample: General resampling infrastructure [Online]. Available: https://cran.r-project.org/we/packages/rsample/index.html
16. [16] D. Robinson, A. Hayes, and S. Couch. (2022, January 28). broom: Convert statistical objects into tidy tibbles [Online]. Available: https://cran.r-project.org/web/packages/broom/index.html
17. [17] M. Kuhn, and D. Vaughan. (2022, March 17). parsnip: A common API to modeling and analysis functions [Online]. Available: https://cran.r-project.org/web /packages/parsnip/index.html
18. [18] D. Vaughan. (2022, March 18). workflows: Modeling workflows [Online]. Available: https://cran.r-project.org/web/packages/workflows/index.html
19. [19] M. Kuhn. (2022, March 19). tune: Tidy tuning tools [Online]. Available: https://cran.r-project.org/web/packages/tune/index.html
20. [20] M. Kuhn. (2022, April 6). dials: Tools for creating tuning parameter values [Online]. Available: https://cran.r-project.org/web/packages/dials/index.html
21. [21] M. Kuhn, and D. Vaughan. (2021, November 22). yardstick: Tidy characterizations of model performance [Online]. Available: https://cran.r-project.org/web/packages/yardstick/index.html
22. [22] A. Tsanas, and A. Xifara. (2012, November 30). Energy efficiency data set [Online]. Available: https://archive.ics.uci.edu/ml/datasets/Energy+efficiency