Yapılarda Isıtma ve Soğutma Yükü Sınıfların Makine Öğrenme Yöntemleri ile Belirlenmesi

Öz

Son zamanlarda fosil yakıtların tükenmesiyle beraber enerji verimliliği kavramı oldukça önem kazanmıştır. Özellikle kapalı alanlarda enerji tüketimi en fazla ısıtma ve soğutma işlemleri için harcanmaktadır. Enerji fiyatları da göz önünde bulundurulduğunda insanlar artık ısı yalıtımlı binaları tercih etmektedir. Bu yüzden yapıların enerji sınıflarının doğru olarak belirlenmesi oldukça önem arz etmektedir. Bu çalışmada yapılardaki ısıtma ve soğutma yükü sınıflarının k-en yakın komşuluk (k-EK), Destek Vektör Makineleri (DVM) ve Karar Ağaçları yöntemleri ile belirlenmesi önerilmektedir. Böylelikle oluşturulan modellere yapı özellikleri girilerek herhangi bir ölçüm yapmadan yapıların ısıtma ve soğutma yükü sınıfları tahmin edilebilecektir. Bu amaçla UCI veri havuzundan enerji verimliliği veri seti kullanılarak k-en yakın komşuluk, destek vektör makineleri ve karar ağaçları yöntemleri ile sınıf tahminleri yapılmıştır. Bu çalışmada soğutma yükü sınıfı tahmini ve ısıtma yükü sınıfı tahmini ayrı ayrı yapılmış olup sınıflandırma başarı oranı hesaplanırken Birini Dışarıda Bırak Çapraz Doğrulama (BDBÇD) yöntemi kullanılmıştır. Sonuçlar yapıların ısıtma ve soğutma yükü sınıfları tahminlerinin makina öğrenme algoritmaları tarafından başarılı şekilde yapıldığını göstermektedir.    

Anahtar Kelimeler

• k-en yakın komşuluk,Enerji Verimliliği,Isıtma Yükü,Soğutma Yükü

Kaynakça

1. Aydın M, “Enerji Verimliliğinin Sürdürülebilir Kalkınmadaki Rolü: Türkiye Değerlendirmesi” Yönetim Bilimleri Dergisi 14,28: 409-441, 2016.
2. L.Perez-Lombard, J. Ortiz, C. Pout, (2008). A review on buildings energy consumption information. Energy and buildings, 40(3), 394- 398, 2008.
3. Özyurt, G., 2009. Enerji Verimliliği, Binaların Enerji Performansı ve Türkiye’deki Durum, Türkiye Mühendislik Haberleri Dergisi, 457.Sayısı, s. 32, Ankara.
4. A. Gasparella, G. Pernigotto, F. Cappelletti, P. Romagnoni and P. Baggio, "Analysis and modelling of window and glazing systems energy performance for a well insulated residential building", Energy and Buildings, vol. 43, no. 4, pp. 1030-1037, 2011.
5. KJ. Chua, SK. Chou, (2011). A performance-based method for energy efficiency improvement of buildings. Energy Conversion and Management, 52(4), 1829-1839.
6. M. Caldera, SP. Corgnati, M. Filippi, (2008). Energy demand for space heating through a statistical approach: application to residential buildings. Energy and Buildings, 40(10), 1972-1983.
7. A. Gupta, M. Kohli and N. Malhotra, "Classification based on Data Envelopment Analysis and supervised learning: A case study on energy performance of residential buildings", 2016 IEEE 1st International Conference on Power Electronics, Intelligent Control and Energy Systems (ICPEICES), 2016.
8. Castelli, L. Trujillo, L. Vanneschi and A. Popovič, "Prediction of energy performance of residential buildings: A genetic programming approach", Energy and Buildings, vol. 102, pp. 67-74, 2015.

9. Safarzadegan Gilan, N. Goyal and B. Dilkina, "Active Learning in Multi-objective Evolutionary Algorithms for Sustainable Building Design", Proceedings of the 2016 on Genetic and Evolutionary Computation Conference - GECCO '16, 2016.
10. Ö. Ertugrul and Y. Kaya, "Smart city planning by estimating energy efficiency of buildings by extreme learning machine", 2016 4th International Istanbul Smart Grid Congress and Fair (ICSG), 2016.
11. A. Tsanas, A. Xifara, (2012). Accurate quantitative estimation of energy performance of residential buildings using statistical machine learning tools. Energy and Buildings, 49, 560-567.
12. A. Gumuscu, K. Karadag, M. Tenekeci and I. Aydilek, "Genetic algorithm based feature selection on diagnosis of Parkinson disease via vocal analysis", 2017 25th Signal Processing and Communications Applications Conference (SIU), 2017.
13. K. Karadag and M. Ozerdem, "Classification of ECoG patterns related to finger movements with wavelet based SVM methods", 2014 22nd Signal Processing and Communications Applications Conference (SIU), 2014.
14. Cover T, Hart P, “Nearest Neighbor Pattern Classification” IEEE Transactions On Information Theory 13:21–27, 1967.
15. V. Vapnik, “The nature of statistical learning theory,” Springer-Verlag: New York, 1995.
16. Quinlan, C4.5: Programs for Machine Learning (Morgan Kaufmann, San Mateo, CA, 1993).
17. Maron, O. and Moore, A. W. Hoeffding races: Accelerating model selection search for classification and function approximation. In Cowan, J. D., Tesauro, G., and Alspector, J., editors, Advances in Neural Information Processing Systems, volume 6, pages 59–66. Morgan Kaufmann Publishers, Inc. (1994).