Binalarda enerji tüketiminin makine öğrenmesi algoritmaları ile tahminlenmesi
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Ege Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Sanayi devrimiyle başlayan ve beraberinde gelen hızlı teknolojik gelişme ve ekonomik büyüme, enerji kullanımında büyük artışlara neden olmuştur. Bu büyüme iştahı, dünyanın sınırlı enerji kaynaklarının insanlar tarafından kontrolsüz bir şekilde tüketilmesine neden olmuştur. Kontrolsüz enerji tüketimi, iklim değişikliği, küresel ısınma, hava kirliliği, biyoçeşitlilik kaybı gibi birçok çevresel problemin ortaya çıkmasına neden olmuştur. Bu nedenle enerjinin verimli kullanılması, dünya enerji kaynaklarının korunması, sera gaz emisyonunun artışı gibi çevresel etkilerin azaltılması için çok önemlidir. Bu doğrultuda enerjinin verimli kullanılması için başarılı enerji tüketim politikaları oluşturulması gerekmektedir. Başarılı enerji politikalarının oluşturulması için ise enerji talebinin doğru hesaplanması gerekir. Bu tez çalışmasında, bir belediye binasının 2011 Mart ve 2013 Şubat tarihleri arasında kaydedilen elektrik tüketimi, gaz tüketimi, dış hava sıcaklığı, derece-gün ve gün verileri kullanılarak gaz ve elektrik tüketimi tahmin modelleri oluşturulmuştur. Bu çalışma kapsamında yakın literatürde sıkça kullanılan destek vektör regresyon, çoklu doğrusal regresyon, rastgele orman regresyon ve yapay sinir ağları makine öğrenim algoritmaları kullanılmıştır. Öncelikli olarak, yedi parça halinde olan veri setine veri entegrasyonu işlemi uygulanarak tek bir veri seti haline getirilmiştir. Oluşturulan veri setine veri temizle, veri dönüştürme, gürültü tanıma ve veri normalleştirme işlemleri uygulanmıştır. Böylelikle veri seti daha iyi işlenebilir hale getirilmiştir. Kullanılan dört makine öğrenim algoritması için farklı parametreler denenerek modeller oluşturulmuştur. Modellerin performansları kök ortalama kare hatası (KOKH), ortalama kare hatası (OKH), ortalama mutlak hata (OMH), R2 ve çapraz doğrulama kök ortalama kare hatası (ÇDKOKH) istatistiksel ölçütler kullanılarak değerlendirilmiştir. Her bir makine öğrenim algoritması için en başarılı modeller seçilmiştir. Yapılan tez çalışmasının sonucunda, en başarılı elektrik tüketim tahmin modeli 17,482 KOKH, 305,638 OKH, 10,63 OMH, 0,92865 R2 ve %11,67 ÇDKOKH ile iki gizli katmanlı yapay sinir ağları olmuştur. En başarılı gaz tüketim tahmin modeli 5,866 KOKH, 0,7249 R2 ve 3,209 OMH ile iki gizli katmanlı yapay sinir ağları olmuştur. Enerji tüketim modelleri oluşturularak binaların enerji talebinin tahminin mümkün olduğu görülmüştür. Binalarda enerji talebinin doğru tahmin edilerek enerji kullanımının optimize edilebileceği gözükmektedir.
With the Industrial Revolution, rapid technological development and economic growth have led to a significant increase in energy consumption. This growth appetite has caused the world's limited energy resources to be consumed uncontrollably by humans. Uncontrolled energy consumption has led to numerous environmental problems such as climate change, global warming, air pollution, and loss of biodiversity. Therefore, efficient use of energy is very important for the preservation of world energy resources and reducing the environmental impacts such as the increase in greenhouse gas emissions. In this direction, it is necessary to establish successful energy consumption policies for the efficient use of energy. To create successful energy policies, accurate calculation of energy demand is required. In this thesis, electricity and gas consumption prediction models have been developed using the data recorded between March 2011 and February 2013 for a municipal building, including electricity consumption, gas consumption, outdoor air temperature, degree days, and day data. In this study, machine learning algorithms commonly used in the recent literature, such as support vector regression, multiple linear regression, random forest regression, and artificial neural networks, have been utilized. Initially, a data integration process was applied to the seven-part dataset to transform it into a single dataset. Data cleaning, data transformation, noise identification, and data normalization processes were applied to the created dataset to make it more processable. Different parameters were tested for the four machine learning algorithms to develop models. The performance of the models was evaluated using statistical measures such as root mean square error (RMSE), mean square error (MSE), mean absolute error (MAE), R2, and cross-validation root mean square error (CVRMSE). The most successful models for each machine learning algorithm were selected. As a result of this thesis, the most successful model for predicting electricity consumption was a two-hidden-layer artificial neural network with 17.482 RMSE, 305.638 MSE, 10.63 MAE, 0.92865 R2, and 11.67% CVRMSE. The most successful model for predicting gas consumption was a two-hidden-layer artificial neural network with 5.866 RMSE, 0.7249 R2, and 3.209 MAE. It has been observed that by creating energy consumption models, it is possible to predict the energy demand of buildings. It appears that by accurately predicting energy demand in buildings, energy use can be optimized.
With the Industrial Revolution, rapid technological development and economic growth have led to a significant increase in energy consumption. This growth appetite has caused the world's limited energy resources to be consumed uncontrollably by humans. Uncontrolled energy consumption has led to numerous environmental problems such as climate change, global warming, air pollution, and loss of biodiversity. Therefore, efficient use of energy is very important for the preservation of world energy resources and reducing the environmental impacts such as the increase in greenhouse gas emissions. In this direction, it is necessary to establish successful energy consumption policies for the efficient use of energy. To create successful energy policies, accurate calculation of energy demand is required. In this thesis, electricity and gas consumption prediction models have been developed using the data recorded between March 2011 and February 2013 for a municipal building, including electricity consumption, gas consumption, outdoor air temperature, degree days, and day data. In this study, machine learning algorithms commonly used in the recent literature, such as support vector regression, multiple linear regression, random forest regression, and artificial neural networks, have been utilized. Initially, a data integration process was applied to the seven-part dataset to transform it into a single dataset. Data cleaning, data transformation, noise identification, and data normalization processes were applied to the created dataset to make it more processable. Different parameters were tested for the four machine learning algorithms to develop models. The performance of the models was evaluated using statistical measures such as root mean square error (RMSE), mean square error (MSE), mean absolute error (MAE), R2, and cross-validation root mean square error (CVRMSE). The most successful models for each machine learning algorithm were selected. As a result of this thesis, the most successful model for predicting electricity consumption was a two-hidden-layer artificial neural network with 17.482 RMSE, 305.638 MSE, 10.63 MAE, 0.92865 R2, and 11.67% CVRMSE. The most successful model for predicting gas consumption was a two-hidden-layer artificial neural network with 5.866 RMSE, 0.7249 R2, and 3.209 MAE. It has been observed that by creating energy consumption models, it is possible to predict the energy demand of buildings. It appears that by accurately predicting energy demand in buildings, energy use can be optimized.
Açıklama
Anahtar Kelimeler
İnşaat Mühendisliği, Civil Engineering
