Geri Dön

Binalarda enerji tüketimi ve kullanıcı termal konforu optimizasyonu için derin pekiştirmeli öğrenme tabanlı bina işletim stratejilerinin geliştirilmesi

Development of deep reinforcement learning based building operation strategies for energy consumption and user thermal comfort optimization in buildings

PDF İndir

  1. Tez No: 879762
  2. Yazar: MERVE KURU ERDEM
  3. Danışmanlar: DOÇ. DR. GÜLBEN ÇALIŞ
  4. Tez Türü: Doktora
  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: Belirtilmemiş.
  13. Sayfa Sayısı: 319

Özet

Son yıllarda, günümüz çalışma koşulları ve pandeminin de etkisi bina işlevlerine, iç ortam hava kalitesine ve termal konfora olan talebin artmasına neden olmuştur. Binalarda termal konforun sağlanması genellikle mekanik ısıtma, soğutma ve havalandırma (Heating, Cooling and Ventilation – HVAC) sistemleri aracılığıyla gerçekleştirilmekte olup bu durum HVAC sistemlerini binalardaki en fazla enerji tüketim nedeni haline getirmektedir. Bu nedenle, HVAC sistemleri için kontrol stratejileri geliştirilerek kullanıcıların termal konforunun arttırılmasına ve aynı zamanda HVAC sistemlerinin enerji verimli hale getirilmesine ihtiyaç duyulmaktadır. Bu tez çalışmasının amacı, bina kullanıcıların termal konforunu artırırken HVAC sistemin enerji tüketimini azaltmaya yönelik Derin Pekiştirmeli Öğrenme (DRL) tabanlı kontrol stratejilerin geliştirilmesidir. Bu kapsamda, uygulanabilir bir çerçeve geliştirilmiş ve gerçek dünya verileri ile değerlendirilmiştir. Değerlendirme sürecinde, Berkeley, California'daki bir ofis binasına ait açık kaynaklı bir veri seti kullanılmıştır. Kullanıcıların termal konfor düzeylerini belirlemek için ASHRAE termal konfor veri tabanından elde edilen Termal Duyum Oyları (TSV) kullanılmıştır. Binadaki çatı katı ünitesi (RTU) operasyonlarını tahmin etmek amacıyla çok girdili - çok çıktılı Uzun-Kısa Süreli Bellek (LSTM) ve Kapılı Tekrarlayan Üniteler (GRU) ağları eğitilmiş ve karşılaştırılmıştır. Ayrıca, DRL ajanının ödül fonksiyonunu oluşturmak için 7 sınıflı bir TSV tahmin modeli geliştirilmiş ve bu model için altı farklı sınıflandırma algoritması test edilmiştir. Tahmin edilen RTU operasyonel verileri ve kullanıcı termal konforu, tasarlanan DRL ortamında ödül tasarımı için kullanılmıştır. DRL ajanının bu ortamla etkileşime girerek RTU'yu kontrol etmesi için Derin Deterministik Politika Gradyanı (DDPG) ve Soft Aktör Kritik (SAC) algoritmaları kullanılmıştır. Ajanın eğitimi, üç aylık bina verileri kullanılarak yapılırken, test süreci için takip eden üç ayın verileri kullanılmıştır. Sonuçlar, DDPG'nin kullanıcıların termal konforunu %90 arttırırken enerji tüketimini %26,25 azalttığını, SAC algoritmasının ise termal konforu korurken enerji tüketimini %62,03 azalttığını ortaya koymuştur. Bu sonuçlar, enerji verimliliği ve termal konfor arasında daha iyi bir denge sağlamak için DDPG'nin daha uygun olabileceğini, ancak maksimum enerji tasarrufu gerektiğinde SAC'nin tercih edilebileceğini göstermektedir.

Özet (Çeviri)

Recently, due to the impact of the pandemic and current working conditions, the time spent indoors has increased the demand for thermal comfort. Providing thermal comfort in buildings is generally achieved through mechanical heating, cooling and ventilation (HVAC) systems, which makes HVAC systems the largest cause of energy consumption in buildings. Therefore, there is a need to improve the thermal comfort of users and HVAC systems energy efficient by developing control strategies for HVAC systems. The aim of this thesis is to develop Deep Reinforcement Learning (DRL)-based control strategies to reduce the energy consumption of the HVAC system while increasing the thermal comfort of building users. In this context, an applicable framework was developed and evaluated with real-world data. During the evaluation process, an open-source dataset from an office building in Berkeley, California was used. Thermal Sensation Votes (TSV) obtained from the ASHRAE thermal comfort database were used to determine the thermal comfort levels of the users. Multi-input multi-output Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) networks were trained and compared to predict the operations of the Rooftop Units (RTU) in the building. Furthermore, a 7-class TSV prediction model was developed to construct the reward function for the DRL agent, and six different classification algorithms were tested for this model. The predicted RTU operational data and user thermal comfort were used for reward design in the designed DRL environment. The Deep Deterministic Policy Gradient algorithm was employed for the DRL agent to interact with this environment and control the RTU. The training of the agent was conducted using three months of building data, while the following three months of data were used for the testing process. The results showed that DDPG increased user thermal comfort by 90% while reducing energy consumption by 26.25%, whereas the SAC algorithm maintained thermal comfort while reducing energy consumption by 62.03%. These results suggest that DDPG might be more suitable for achieving a better balance between energy efficiency and thermal comfort, while SAC can be preferred when maximum energy savings are required.

Benzer Tezler

  1. Tez No

    444202

    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

    İngilizce

    2016

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    PROF. DR. NURDİL ESKİN

  2. Tez No

    421065

    A methodology for energy optimization of buildings considering simultaneously building envelope HVAC and renewable system parameters

    Binalarda yapı kabuğu, mekanik sistemler ve yenilenebilir enerji sistemleri parametrelerinin eş zamanlı enerji optimizasyonu için bir yöntem

    MELTEM BAYRAKTAR

    Doktora

    İngilizce

    İngilizce

    2015

    Enerjiİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. AYŞE ZERRİN YILMAZ

    PROF. DR. MARCO PERINO

  3. Tez No

    574054

    Building performance optimization through design decision process with a holistic approach

    Bütünsel bir yaklaşımla tasarım süreci boyunca bina performans optimizasyonu

    DUYGU UTKUCU

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    DOÇ. DR. HATİCE SÖZER

  4. Tez No

    831532

    Konutlarda ısıl ve görsel konfor koşullarının sağlanmasına yönelik enerji optimizasyonu üzerine bir tasarım destek modeli

    A design support model to provide thermal and visual comfort conditions for energy optimization in residential buildings

    EGEMEN KAYMAZ

    Doktora

    Türkçe

    Türkçe

    2023

    MimarlıkBursa Uludağ Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. FİLİZ ŞENKAL SEZER

    PROF. DR. BANU MANAV

  5. Tez No

    898581

    Makine öğrenmesi tabanlı iç ortam sıcaklık kontrolü için bir simülatör yazılımı tasarımı

    Design of a simulator software for machine learning-based indoor temperature control

    AYDIN BOSTANCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    PROF. DR. DEVRİM AKGÜN

Geri Dön