Geri Dön

Binalarda enerji tüketiminin makine öğrenmesi algoritmaları ile tahminlenmesi

Prediction of energy consumption in buildings with machine learning algorithms

PDF İndir

  1. Tez No: 868471
  2. Yazar: ONUR SARIÇİÇEK
  3. Danışmanlar: DOÇ. DR. GÜLBEN ÇALIŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Ege Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: İnşaat Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 108

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.

Özet (Çeviri)

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.

Benzer Tezler

  1. Tez No

    905200

    Enhancing the prediction of energy efficiency in buildings using machine learning algorithms

    Makine öğrenme algoritmaları ile binalarda enerji verimliliği tahminlemesinin geliştirilmesi

    MOHAMMED TAQI MOHAMMED HASAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilim ve TeknolojiBahçeşehir Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    DOÇ. DR. SELİN NACAKLI

  2. Tez No

    818299

    Estimation of commercial building energy consumption with machine learning

    Makine öğrenimi ile ticari bina enerji tüketimi tahmini

    YOUSIF MURSHID MUHEALDDIN MUHEALDDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SELİM BUYRUKOĞLU

    DR. ÖĞR. ÜYESİ MOHAMMED RASHAD BAKER BAKER

  3. Tez No

    772074

    Binaların yaşam döngüsü ve enerji tüketiminin iyileştirilmesi

    Life cycle assessment of buildings and improvement of energy consumptions

    MURAT AS

    Doktora

    Türkçe

    Türkçe

    2022

    İnşaat Mühendisliğiİstanbul Üniversitesi-Cerrahpaşa

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. TURHAN BİLİR

  4. Tez No

    708764

    Makine öğrenmesi kullanarak ticari binalarda enerji tüketiminin azaltılması

    Reducing energy consumption in commercial buildings using machine learning

    MUSTAFA ÇAKIR

    Doktora

    Türkçe

    Türkçe

    2022

    İnşaat Mühendisliğiİstanbul Kültür Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AKHAN AKBULUT

  5. Tez No

    844165

    Bina enerji tüketim tahmini için makine öğrenmesi tekniklerinin incelenmesi

    Investigation of machine learning techniques for building energy consumption estimation

    HASAN YEŞİLYURT

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    EnerjiNiğde Ömer Halisdemir Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    DOÇ. DR. AHMET ŞAKİR DOKUZ

Geri Dön