Energy Efficiency Estimation in Buildings with K Nearest Neighbor Algorithm

Year 2023, , 65 - 74, 31.12.2023

Mehmet Hacıbeyoglu , Merve Çelik , Özlem Erdaş Çiçek

https://doi.org/10.47112/neufmbd.2023.10

Abstract

The quantity of energy needed to maintain a particular temperature inside a structure is referred to as the facility's heating and cooling loads. These loads are influenced by a variety of elements, including the building's insulation, size, shape, location, type of materials used, and heating system. The reduction of energy consumption in buildings is crucial in terms of both the environmental sustainability and the profitability of the building industry. This is because energy is becoming an increasingly important issue, and it is an essential component in improving social welfare. In this study, a model has been developed to predict energy efficiency in buildings with a regression problem by using linear regression and k nearest neighbor algorithms from supervised machine learning algorithms. Experimental studies were carried out using an energy efficiency dataset containing a total of 768 data with eight conditional properties and two class values, heating load and cooling load, obtained from 12 different buildings. The study improved the performance of the k nearest neighbor algorithm by optimizing the k parameter value. According to the experimental results obtained, the k nearest neighbor algorithm was much more successful than the linear regression algorithm and made predictions at the level of 96%. With the supervised machine learning model obtained at the end of the study, energy analyzes of buildings can be easily done and the obtained analysis results can be used in policies to be developed to increase energy efficiency.

Keywords

Energy efficiency, Linear regression, K nearest neighbor, Machine learning

K En Yakın Komşu Algoritması ile Binalarda Enerji Verimliliği Tahmini

Abstract

Binaların ısıtma ve soğutma yükleri, bir binanın içindeki hava sıcaklığının belirli bir sıcaklıkta tutmak için gereken enerji miktarlarını ifade eder. Bu yükler, binanın yalıtımı, boyutu, şekli, konumu, kullanılan malzemeler ve ısıtma sistemi gibi birçok faktöre bağlıdır. Toplumsal refahın artırılmasında vazgeçilmez bir etken olan enerjinin giderek önem kazandığı günümüzde binalardaki enerji tüketiminin azaltılması, hem çevresel sürdürülebilirlik hem de ekonomik açıdan önemlidir. Bu çalışmada denetimli makine öğrenmesi algoritmalarından doğrusal regresyon ve k en yakın komşu algoritmaları kullanılarak bir regresyon problemi olan binalarda enerji verimliliği tahmini yapacak bir model geliştirilmiştir. Deneysel çalışmalar, 12 faklı binadan elde edilen sekiz adet şart özelliğe ve ısıtma yükü ve soğutma yükü olmak üzere iki sınıf değerine sahip toplamda 768 adet veri barındıran enerji verimliği veri kümesi kullanılarak gerçekleştirilmiştir. Çalışmada k en yakın komşu algoritmasının k parametre değeri optimize edilerek performansı arttırılmıştır. Elde edilen deneysel sonuçlara göre k en yakın komşu algoritması doğrusal regresyon algoritmasına göre çok daha başarılı ve %96’lar seviyesinde tahminler gerçekleştirmiştir. Çalışma sonunda elde edilen denetimli makine öğrenmesi modeli ile binaların enerji analizleri kolaylıkla yapılabilecek ve elde edilen analiz sonuçları enerji verimliliğinin arttırılabilmesi için geliştirilecek politikalarda kullanılabilecektir.

Keywords

Enerji Verimliliği, Lineer Regresyon, K En Yakın Komşu, Makine Öğrenmesi

References

• C. Janiesch, P. Zschech, K. Heinrich, Machine learning and deep learning. Electron Market. 31 (2021), 685–695. doi:10.1007/s12525-021-00475-2
• D. van de Sande, , et al. Developing, implementing and governing artificial intelligence in medicine: a step-by-step approach to prevent an artificial intelligence winter, BMJ Health & Care Informatics. 29(1) (2022). doi:10.1080/13645706.2019.1575882
• H. Hozhabr Pour, et al. A machine learning framework for automated accident detection based on multimodal sensors in cars, Sensors. 22(10) (2022). doi:10.3390/s22103634
• I. Lauriola, A. Lavelli, F. Aiolli, An introduction to deep learning in natural language processing: Models, techniques, and tools. Neurocomputing. 470 (2022), 443-456. doi:10.1016/j.neucom.2021.05.103
• X. Liang, J.A. Batsis, Y. Zhu, T.M. Driesse, R.M. Roth, , D. Kotz, B. MacWhinney, Evaluating voice-assistant commands for dementia detection. Computer Speech & Language. 72 (2022). doi:10.1016/j.csl.2021.101297
• Y. Gong, Y. Otomo, H. Igarashi, Sensorless metal object detection for wireless power transfer using machine learning. COMPEL-The international journal for computation and mathematics in electrical and electronic engineering. 41(3) (2022), 807-823. doi:10.1108/COMPEL-03-2021-0069
• M. Bansal, A. Goyal, A. Choudhary, A comparative analysis of K-Nearest Neighbour, Genetic, Support Vector Machine, Decision Tree, and Long Short Term Memory algorithms in machine learning. Decision Analytics Journal. 3 (2022). doi:10.1016/j.dajour.2022.100071
• H. Dabiri, V. Farhangi, M.J. Moradi, M. Zadehmohamad, M. Karakouzian,. Applications of Decision Tree and Random Forest as Tree-Based Machine Learning Techniques for Analyzing the Ultimate Strain of Spliced and Non-Spliced Reinforcement Bars. Applied Sciences. 12(10) (2022). doi:10.3390/app12104851
• C. Bogdal, R. Schellenberg, O. Höpli, M. Bovens, M. Lory , Recognition of gasoline in fire debris using machine learning: Part I, application of random forest, gradient boosting, support vector machine, and naïve bayes. Forensic Science International. 331 (2022). doi:10.1016/j.forsciint.2021.111146 [ A. Pektaş, O. İnan, Ağaç Tohum Algoritmasının Kümeleme Problemlerine Uygulanması, Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi. 4(1) (2022), 1-10.
• M. Karakoyun, A. Özkış, Transfer Fonksiyonları Kullanarak İkili Güve-Alev Optimizasyonu Algoritmalarının Geliştirilmesi ve Performanslarının Karşılaştırılması, Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 3(2) (2021), 1-10.
• https://www.dunyaenerji.org.tr/wp-content/uploads/2019/11/21112019Sunum.pdf (erişim 28 Temmuz 2023).
• M. E. Yıldız, F. Beyhan, M.K. Uçar, Enerji verimli bina tasarımında kural tabanlı yöntem yardımıyla ısıtma ve soğutma yüklerinin tahminlemesi, Online Journal of Art and Design, 10(4) (2022).
• P. Canbay, H. Taş, Yapıların Isıtma ve Soğutma Yükünün Yapay Zeka ile Tahmini, International Journal of Pure and Applied Sciences. 8(2) (2022), 478-489. doi:10.29132/ijpas.1166227
• B. Jia, D. Hou, A. Kamal, I.G. Hassan, L. Wang, Developing machine-learning meta-models for high-rise residential district cooling in hot and humid climate. Journal of Building Performance Simulation. 15(4) (2022), 553-573. doi:10.1080/19401493.2021.2001573
• M. Peker, O. Özkaraca, , B. Kesimal, Enerji tasarruflu bina tasarımı için ısıtma ve soğutma yüklerini regresyon tabanlı makine öğrenmesi algoritmaları ile modelleme. Bilişim Teknolojileri Dergisi. 10(4) (2017), 443-449. doi:10.17671/gazibtd.310154
• B. Dilber, A.F. Özdemir, Enerji Verimli Binaların Isıtma ve Soğutma Yüklerinin Düzenli Modeller ile Tahmin Edilmesi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi. 10(3) (2022), 1091-1106. doi:10.29130/dubited.939933
• D. Bayraktar, E. Bayraktar, Mevcut Binalarda Isı Yalıtımı Uygulamalarının Değerlendirilmesi. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 7(1) (2016), 59-66.
• S. Shabani, S. Samadianfard, M. T. Sattari, A. Mosavi, S. Shamshirband,T. Kmet, A. R. Várkonyi-Kóczy, Modeling pan evaporation using Gaussian process regression K-nearest neighbors random forest and support vector machines; comparative analysis. Atmosphere. 11(1) (2020). doi:10.3390/atmos11010066
• G.A. Seber, A. J. Lee, Linear regression analysis John Wiley & Sons, 329, (2012).
• F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, E. Duchesnay, Scikit-learn: Machine learning in Python. The Journal of Machine Learning Research. 12 (2022), 2825-2830.
• T. Hastie, R. Tibshirani, J. H. Friedman, Friedman, The elements of statistical learning: data mining, inference, and prediction, New York: springer, 2 (2009), doi:10.1007/978-0-387-21606-5
• https://docs.oracle.com/en/cloud/saas/planning-budgeting-cloud/pfusu/insights_metrics_MAPE.html (erişim 31 Mayıs 2023)
• https://www.kaggle.com/datasets/elikplim/eergy-efficiency-dataset (erişim 31 Mayıs 2023)
• S. Ata, M.E. Boyacıoğlu, R. Şahin, A. Kahraman, ORÇ ile Düşük Sıcaklıklı Isı Kaynaklarından Elektrik Üretilmesinde Islak ve Yeni Nesil Akışkanların Çevresel ve Termodinamik Performanslarının Karşılaştırılması. Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 2(1) (2021), 1-13.