Bina enerji tüketim tahmini için makine öğrenmesi tekniklerinin incelenmesi
Küçük Resim Yok
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Niğde Ömer Halisdemir Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Binalardaki gereksiz enerji tüketimi, dünyada artan iklim değişikliği ve küresel ısınma sorunlarına neden olan önemli bir konudur. Bu nedenle, binalarda etkin enerji yönetimi yaklaşımlarının geliştirilmesi gerekmektedir. Enerji tüketiminin doğru tahmin edilmesi binaların enerji verimliliğinin artırılmasında önemli bir rol oynamaktadır. Son yıllarda, binaların enerji tüketimini tahmin etmek için standart fizik veya istatistiksel yöntemlerden daha doğru tahmin sonuçları sağlayacak veriye dayalı yöntemler önem kazanmıştır. Bu tez çalışmasında, Bina Enerji Yönetim Sistemine (BEYS) entegre edilecek saatlik bina enerji tüketimi tahminini gerçekleştirmek için makine öğrenimi yöntemleri karşılaştırılmaktadır. Rastgele Orman (RO), Gradyan Artırma Ağacı (GAA), Destek Vektör Makinesi (DVM), Yapay Sinir Ağı (YSA) ve Derin Sinir Ağı (DSA) yöntemleri ve bir örnek binadaki bir yıllık enerji tüketim verileri kullanılarak tahmin işlemi gerçekleştirilmiştir. Enerji tüketiminin doğru tahmini için meteorolojik, zamansal ve klima talep bilgileri olmak üzere üç kategorideki parametreler kullanılmıştır. Deneysel sonuçlar, makine öğrenmesi yöntemlerinin, bir binanın toplam enerji tüketimini tahmin etmekte yüksek performansla başarılı olduklarını göstermiştir.
Redundant consumption of energy in the buildings is an important issue that causes to the increasing problems of climate change and global warming in the world. Therefore, it is necessary to develop efficient energy management approaches in the buildings. Accurate prediction of energy consumption plays an important role in improving the energy efficiency of buildings. In recent years, data-driven methods, which provide more accurate prediction results than standard physical or statistical methods, have become increasingly important in estimating the energy consumption of buildings. In this thesis, machine learning methods are compared to perform hourly building energy consumption estimation to be integrated into the Building Energy Management System (BEMS). Random Forest (RF), Gradient Boosted Trees (GBT), Support Vector Machine (SVM), Artificial Neural Network (ANN) and Deep Neural Network (DNN) methods and one year of energy consumption data from a sample building have been used for the prediction process. Three categories of parameters have been utilized for accurate prediction of energy consumption: meteorological, time and air-conditioning demand information. Experimental results have shown that machine learning methods are successful in predicting the total energy consumption of a building with high performance.
Redundant consumption of energy in the buildings is an important issue that causes to the increasing problems of climate change and global warming in the world. Therefore, it is necessary to develop efficient energy management approaches in the buildings. Accurate prediction of energy consumption plays an important role in improving the energy efficiency of buildings. In recent years, data-driven methods, which provide more accurate prediction results than standard physical or statistical methods, have become increasingly important in estimating the energy consumption of buildings. In this thesis, machine learning methods are compared to perform hourly building energy consumption estimation to be integrated into the Building Energy Management System (BEMS). Random Forest (RF), Gradient Boosted Trees (GBT), Support Vector Machine (SVM), Artificial Neural Network (ANN) and Deep Neural Network (DNN) methods and one year of energy consumption data from a sample building have been used for the prediction process. Three categories of parameters have been utilized for accurate prediction of energy consumption: meteorological, time and air-conditioning demand information. Experimental results have shown that machine learning methods are successful in predicting the total energy consumption of a building with high performance.
Açıklama
Fen Bilimleri Enstitüsü, Enerji Bilim ve Teknoloji Ana Bilim Dalı, Enerji Bilim ve Teknoloji Bilim Dalı
Anahtar Kelimeler
Enerji, Energy
