Estimation of commercial building energy consumption with machine learning
Makine öğrenimi ile ticari bina enerji tüketimi tahmini
- Tez No: 818299
- Danışmanlar: PROF. DR. SELİM BUYRUKOĞLU, DR. ÖĞR. ÜYESİ MOHAMMED RASHAD BAKER BAKER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 90
Özet
Ticari binalarda enerji tüketiminin tahmini, sürdürülebilir enerji yönetimi ve kaynakların etkin dağıtımı açısından büyük önem taşır. Enerji talepleri artmaya devam ederken, enerji tüketimini optimize etmek, karbon ayak izini azaltmak ve maliyet etkinliğini artırmak için hayati önem taşır. Bu zorluklara yanıt olarak, bu araştırma, ticari binalardaki enerji tüketimini doğru bir şekilde tahmin etmek için makine öğrenmesi (ML) tekniklerinin gücünden yararlanmayı hedeflemektedir. ML algoritmalarını kullanarak, bu çalışma enerji verimliliğini artırmayı, işletme maliyetlerini düşürmeyi ve bina enerji yönetiminde bilinçli karar verme yeteneğini kolaylaştırmayı amaçlamaktadır. Bu hedeflere ulaşmak için, araştırma, Support Vector Machines (SVM), Random Forest (RF), Extra Trees, Linear Regression, Lasso, Gradient Boosting Regressor (GBR), Multilayer Perceptron (MLP) ve yeni bir stacking modeli olmak üzere sekiz ML algoritması kullanmaktadır. Bu algoritmaların her biri, çeşitli veri türlerini işleme yeteneği ve tahmini kabiliyetleriyle tanınmıştır. Araştırma metodolojisi, dikkatlice toplanan ticari binalardan geniş ve sağlam bir veri seti kullanarak tahminsel modellerin geliştirilmesi ve değerlendirilmesini kapsar. ML algoritmaları uygulanmadan önce, veri seti veri kalitesini garanti etmek ve model performansını artırmak için titiz bir ön işlemeye tabi tutulur. Normalizasyon, veri temizleme ve özellik seçme teknikleri olan ANOVA ve Relief F kullanılır, gürültüyü ve gereksiz bilgileri ortadan kaldırarak veri setini eğitim ve değerlendirme için uygun hale getirir. Araştırma, modellerin verilerin önemli bir kısmı üzerinde eğitilirken görünmeyen örneklerde değerlendirilmesini sağlamak için veriyi eşit bir oranda 70:30 olarak eğitim ve test setlerine böler. Bu dengeli veri bölme, ML algoritmalarının performansının iv tarafsız değerlendirilmesini ve karşılaştırılmasını sağlar. Şaşırtıcı bir şekilde, sonuçlar, birden fazla modelin güçlerini birleştiren yeni bir yaklaşım olan stacking modelinin, tüm diğer ML algoritmalarını ve en son teknikleri geride bıraktığını ortaya koymaktadır. Stacking modeli, etkileyici bir Ortalama Mutlak Hata (MAE) değeri olan 0.01286, Ortalama Kare Hata (MSE) değeri olan 0.00054 ve Karekök Ortalama Kare Hata (RMSE) değeri olan 0.02328 sergilemektedir. Bu olağanüstü performans metrikleri, stacking modelinin ticari binalardaki enerji tüketimini doğru bir şekilde tahmin etmek için son derece etkili bir araç olarak potansiyelini göstermektedir. Araştırma bulguları, sonuçların alandaki ilgili çalışmalarla karşılaştırılarak daha da doğrulanmaktadır. Stacking modeli, enerji tüketimini doğru bir şekilde tahmin etme konusunda sürekli olarak mevcut yaklaşımları geride bırakarak üstünlüğünü teyit etmektedir. Bu modelin başarısı, çeşitli modelleri birleştirme yeteneğine ve enerji tüketimi verileri içindeki karmaşık ilişkileri yakalama kabiliyetine dayandırılabilir. Enerji tüketimi tahmininde en iyi performans gösteren ML algoritması olarak stacking modelinin benimsenmesi, inşa edilmiş çevrede sürdürülebilir enerji uygulamaları için önemli sonuçlar doğurur. Doğru enerji tüketimi tahmini, bina yöneticilerinin enerji tahsisine ilişkin bilinçli kararlar almasını, enerji tasarrufu önlemleri uygulamasını ve enerji kullanımını optimize etmesini sağlar. Veriye dayalı enerji yönetimini sağlayarak, stacking modeli sürdürülebilir enerji uygulamalarının ilerlemesine destek olur, karbon emisyonlarının azaltılmasına ve çevre dostu bina operasyonlarının teşvikine katkıda bulunur. Sonuç olarak, bu araştırma, ticari binalarda enerji tüketiminin doğru bir şekilde tahmin edilmesinde makine öğrenmesi tekniklerinin muazzam potansiyelini sergilemektedir. Stacking modelinin diğer ML algoritmaları ve en son yaklaşımlarla karşılaştırıldığında olağanüstü performansı, enerji verimliliği ve sürdürülebilir enerji yönetiminin sağlanmasında dönüştürücü bir araç olarak rolünü vurgulamaktadır. Dünya sürdürülebilirliği önceliklendirirken, stacking modelinin uygulanması, daha yeşil ve enerji verimli bir geleceğin inşasına önemli ölçüde katkı sağlayabilir.
Özet (Çeviri)
The estimation of energy consumption in commercial buildings holds immense significance in the pursuit of sustainable energy management and the efficient allocation of resources. As energy demands continue to rise, optimizing energy consumption becomes crucial for reducing carbon footprints and enhancing cost-effectiveness. In response to these challenges, this research endeavors to leverage the power of machine learning (ML) techniques to accurately predict energy consumption in commercial buildings. By employing ML algorithms, this study seeks to improve energy efficiency, lower operational costs, and facilitate informed decision-making in building energy management. To achieve these objectives, the research employs eight ML algorithms, namely Support Vector Machines (SVM), Random Forest (RF), Extra Trees, Linear Regression, Lasso, Gradient Boosting Regressor (GBR), Multilayer Perceptron (MLP), and a novel stacking model. Each of these algorithms is well-known for its predictive capabilities and ability to handle various types of data. The research methodology encompasses the development and assessment of predictive models using a robust and extensive dataset, carefully collected from commercial buildings. Before applying the ML algorithms, the dataset undergoes rigorous preprocessing to ensure data quality and enhance model performance. Normalization, data cleaning, and feature selection techniques, such as ANOVA and Relief F, are employed to eliminate noise and irrelevant information, making the dataset suitable for training and evaluation. The research splits the data into training and testing sets in a balanced ratio of 70:30, ensuring that the models are trained on a substantial portion of the data while being evaluated on unseen samples. ii This balanced data splitting allows for unbiased evaluation and comparison of the performance of the ML algorithms. Remarkably, the results reveal that the stacking model, a novel approach that synergizes multiple models' strengths, outperforms all other ML algorithms and state-of-the-art approaches. The stacking model showcases an impressive Mean Absolute Error (MAE) of 0.01286, Mean Squared Error (MSE) of 0.00054, and Root Mean Squared Error (RMSE) of 0.02328. These exceptional performance metrics demonstrate the stacking model's potential as a highly effective tool for accurately estimating energy consumption in commercial buildings. The research findings are further validated by comparing the results with related works in the field. The stacking model consistently outperforms existing approaches, reaffirming its superiority in accurately predicting energy consumption. This model's success can be attributed to its ability to combine diverse models, leveraging their complementary strengths to capture complex relationships within the energy consumption data. The adoption of the stacking model as the best-performing ML algorithm in energy consumption estimation carries significant implications for sustainable energy practices in the built environment. Accurate energy consumption prediction empowers building managers to make informed decisions on energy allocation, implement energy-saving measures, and optimize energy usage. By enabling data-driven energy management, the stacking model supports the advancement of sustainable energy practices, contributing to the reduction of carbon emissions and the promotion of environmentally friendly building operations. In conclusion, this research showcases the immense potential of machine learning techniques in accurately estimating energy consumption in commercial buildings. The stacking model's exceptional performance, when compared with other ML algorithms and state-of-the-art approaches, highlights its role as a transformative tool in achieving energy efficiency and sustainable energy management. As the world continues to prioritize sustainability, the implementation of the stacking model can significantly contribute to building a greener and more energy-efficient future.
Benzer Tezler
- Enerji korunumlu yapıların yönlendirilmesi ve biçimlendirilmesi için yeni bir metod
A New method for the orientation and design of a building of minimal energy consumption
AYŞE ELAGÖZ
- Düşey borulu toprak kaynaklı ısı pompasının konut iklimlendirme sistemlerinde mevsimlik davranışının araştırılması
Investigation of seasonal behaviour of a vertical ground source heat pump used in residential air conditioning systems
HİKMET ESEN
- An estimation approach for thermal performance of atrium buildings through a case study
Atrium yapılarının ısıl performanslarının değerlendirilmesinde örnek uygulamalı bir yaklaşım
AYŞE MİRAY GEMİ
Yüksek Lisans
İngilizce
2006
Enerjiİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF.DR. A. ZERRİN YILMAZ
- Enerji verimliliğinin kent ölçeğinde planlanması ve mekan ile etkileşimi Milas örneği
Planning energy efficiency in urban scale, it's interaction with urban form Milas case
KEREM BEYGO
Doktora
Türkçe
2017
Enerjiİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET ALİ YÜZER
- Thermal comfort optimization with occupant interaction in dynamic HVAC control
Kullanıcı etkileşimli dinamik iklimlendirme sistemi kontrolü ile ısıl konfor optimizasyonu
TUĞÇE AKER
Yüksek Lisans
İngilizce
2016
Makine Mühendisliğiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
PROF. DR. NURDİL ESKİN