Geri Dön

Data-driven prediction of lighting energy consumption in tertiary buildings using machine learning

Hizmet sektörü binalarında aydınlatma enerji tüketiminin makine öğrenmesi ile veri odaklı tahmini

PDF İndir

  1. Tez No: 971584
  2. Yazar: AGSHIN RZAZADE
  3. Danışmanlar: DR. ÖĞR. ÜYESİ LALE ERDEM ATILGAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez, hizmet sektörü binalarında aydınlatma sistemlerinin enerji verimliliğini artırmaya yönelik olarak gelişmiş makine öğrenmesi tekniklerinin uygulanmasını incelemektedir. Araştırmanın temel motivasyonu, aydınlatma yüklerinin zamansal ve mekânsal değişkenliğini niceliksel olarak belirlemek ve bu dinamiklerin daha iyi anlaşılmasına katkıda bulunmaktır. Araştırmanın temel hipotezi, yüksek çözünürlüklü iç mekân verilerinin (dakikalık ölçümler) ve bölgesel meteorolojik verilerin entegrasyonu yoluyla oluşturulan makine öğrenmesi modellerinin, sabit varsayımlara dayanan geleneksel tahmin yaklaşımlarına kıyasla çok daha düşük hata oranlarıyla aydınlatma güç tüketimini öngörebileceğidir. Bu bağlamda çalışma, mevsimsel değişimleri ve çevresel faktörleri ayrıntılı olarak inceleyerek bunları tüketim tahmin modeline entegre etmektedir. Konu hem akademik hem de endüstriyel açıdan önemlidir; zira yüksek isabetli öngörüler, enerji yönetimiyle ilgili karar verme süreçlerinde belirsizliği azaltarak kaynak planlamasının güvenilirliğini artırmaktadır. Tez kapsamında, araştırma süreci öncelikle 2019 yılına ait CU-BEMS veri setinin analiz edilmesiyle başlamıştır. Bangkok, Tayland'daki Chulalongkorn Üniversitesi'ne ait yedi katlı bir akademik ofis binasında bir dakikalık aralıklarla kaydedilen bu açık erişimli veri seti, yazar tarafından toplanmamış olup, araştırmacılar tarafından yayımlanan haliyle kullanılmıştır. Veri seti, bina içerisindeki 33 farklı bölgeden elde edilen iklimlendirme, aydınlatma ve priz yüklerine ilişkin elektrik tüketimlerinin yanı sıra ortam sıcaklığı, bağıl nem ve aydınlık düzeyi gibi bina içi çevresel değişkenlerdeki dakikalık değişimleri kapsamaktadır. Ayrıca, dış hava verileri olarak Bangkok Suvarnabhumi Havalimanı'ndan elde edilen, 30 dakikalık aralıklarla kaydedilen meteorolojik veriler (sıcaklık, atmosfer basıncı, bağıl nem vb.) kullanılmaktadır. Bu iki farklı veri setinin entegrasyonu, bina içi ve dış çevre koşullarının enerji tahmin modeline dahil edilerek kapsamı genişletmesi açısından önemlidir. Veri ön işleme aşamasında, sensör verilerinde oluşan eksiklikler, hatalı okuma sorunları ve boş değerler; doğrusal enterpolasyon, hareketli medyan filtreleme ve sensör bakım dönemlerindeki global bölge medyanı ataması ile giderilmiştir. Böylelikle veriler, fiziksel gerçekçiliği korunarak modellemeye elverişli hâle getirilmiştir. Analitik süreçte MATLAB R2024b Update 5 kullanılarak çeşitli regresyon modelleri geliştirilmiştir. İlk aşamada Regression Learner aracıyla doğrusal regresyon, destek vektör makineleri, yapay sinir ağları, Gauss süreç regresyonu ve karar ağaçları değerlendirilmiştir. Lineer Regresyon yaklaşımları (Sıradan En Küçük Kareler, Etkileşimli Regresyon, Aşamalı Regresyon, Dayanıklı Regresyon, Verimli En Küçük Kareler) hesaplama maliyeti düşük ve yorumlanabilir olsalar da doğrusal olmayan ilişkilerde sınırlı kalmıştır. Karar ağacı tabanlı yaklaşımlar (Geniş, Orta ve Dar Karar Ağaçları) örüntü yakalamada başarılı olsa da zaman zaman düşük genelleme göstermiştir. Boosted Karar Ağacı modeli iteratif hata düzeltmesiyle başarı sağlamış; ancak genel değerlendirmede Bagging Karar Ağaçları hem doğruluk hem de hesaplama verimliliği bakımından üstün bulunmuştur. Modelleme süreci, bina geneli ve kat/bölge düzeyinde ayrı ayrı yürütülmüş; her bölgenin özgün tüketim eğilimleri titizlikle yakalanmıştır. Araştırmanın yenilikçi yönleri arasında, iç mekân ve dış hava verilerinin senkronize edilerek yüksek çözünürlüklü birleşik bir veri seti oluşturulması, veri temizleme aşamasında uygulanan global medyan stratejisi ve kat bazında ayrı modellerin geliştirilmesi yer almaktadır. Bu yöntemsel yaklaşım, makine öğrenmesi modellerinin farklı kullanım senaryolarına uyarlanabilirliğini ön plana çıkarmıştır. Bagging Karar Ağaçları yaklaşımı da literatürde nadir rastlanan ayrıntılı bir uygulama olarak öne çıkmaktadır. Geliştirilen modellerin uygulanması sonucunda elde edilen temel bulgular, aydınlatma güç tüketiminin gün içindeki ve sezonluk değişikliklerini ve dış çevresel faktörler tarafından belirgin şekilde etkilendiğini ortaya koymaktadır. İklimlendirme yüklerinin yaz aylarında kış aylarına göre iki katına varan artış sergilediği gözlemlenirken, aydınlatma tüketiminin yıl boyunca daha kararlı seyrettiği; ancak gün ışığının azaldığı kış aylarında hafif artışlar gösterdiği belirlenmiştir. Bagging Karar Ağaçları algoritması, bina içi güç tüketimi verilerinin zaman içindeki dalgalanmalarını ve bölgesel farklılıklarını yüksek bir doğrulukla modelleyebilmiştir. Kat bazındaki incelemeler, yoğun çalışma saatlerinde aydınlatma ve priz yüklerinde keskin artışlar, gün ortasında ise belirgin bir düşüş yaşandığını göstermiştir. Bu durum, sensör verilerinin özenli ön işleme tabi tutulmasının ve doğru algoritma seçiminin, karmaşık ve doğrusal olmayan ilişkilerin yakalanmasındaki kritik rolünü vurgulamaktadır. Ayrıca dış hava verilerinin (sıcaklık, nem vb.) iç mekân güç tüketimi üzerindeki etkileri de anlamlı düzeyde ortaya konmuştur. Dış ortam sıcaklığı yükseldiğinde bina içi klima kullanımının belirgin şekilde arttığı ve buna paralel olarak toplam güç tüketiminde artış gözlendiği saptanmıştır. Bu bulgu, çevresel girdilerin tüketim kestirim çalışmalarında mutlaka dikkate alınması gerektiğini göstermektedir. Bu tez çalışması, hizmet amaçlı binalarda aydınlatma enerji tüketimi tahmin modellerinin yüksek çözünürlüklü sensör verileri ile bölgesel meteorolojik verilerin entegrasyonu sayesinde yüksek isabetle kurulabileceğini kanıtlamıştır. Bagging Karar Ağaçları gibi Topluluk Öğrenme Yöntemlerin, doğrusal modellere kıyasla daha düşük tahmin hatası ve esneklik sağladığı belirlenmiştir. Tez, sensör verilerinde ortaya çıkan eksik veya hatalı okumaların uygun veri temizleme ve ön işleme teknikleriyle giderilmesinin model performansını optimize ettiğini göstermiştir. Özellikle yılın ilk aylarındaki sensör bakım kaynaklı veri kayıplarının global medyan atamasıyla telafi edilmesi, tahmin hatasını önemli ölçüde düşürmüştür. Aydınlatma güç tüketiminin isabetli şekilde öngörülebilmesi, gelecekte enerji yönetimi açısından çeşitli uygulama olanakları sunabilir. Doğru tahminler, ileride kullanım alışkanlıklarına göre uyarlanabilir kısma ve zamanlama gibi dinamik kontrol stratejilerinin geliştirilmesine zemin hazırlayabilir. Bu sayede, enerji verimliliği artırılabilir ve veri odaklı kaynak planlaması ile işletme maliyetleri optimize edilebilir. Ayrıca, gelecekte bu tür tahmin modellerinin kestirim tabanlı kontrol sistemleriyle bütünleştirilmesi, binaların talep yanıt programlarına daha etkin biçimde katılımını mümkün kılabilir; böylece pik saatler öncesinde yük yönetimi yapılarak şebeke esnekliği artırılabilir. Uygulamada, elde edilen yüksek çözünürlüklü tüketim profilleri, bina yöneticilerine elektrik talep planlaması, bütçe tahsisi ve bakım zamanlaması gibi konularda nicel öngörüler sunmaktadır. Örneğin, yoğunluk profillerinin ortaya koyduğu tepe saat dilimleri, bakım programlarının tüketim dışı saatlere kaydırılmasına veya gerilim dengeleme stratejilerinin iyileştirilmesine yardımcı olabilir. Dış hava verilerinin dahil edilmesi ise mevsimsel talep değişkenliğinin önceden saptanmasını kolaylaştırmaktadır. Bununla birlikte, çalışmanın bazı sınırlılıkları mevcuttur. Öncelikle, kullanılan dış hava verileri Bangkok Suvarnabhumi Havalimanı'ndan sağlanmış olup, binanın bulunduğu konumdaki mikroklimatik koşulları tam olarak yansıtmayabilir. Sensör altyapısında zaman zaman yaşanan kalibrasyon sorunları ve veri kesintileri, özellikle başlangıç döneminde, tahminlerin doğruluğunu kısmen etkilemiştir. Ayrıca, tüm aydınlık (lux) ölçümleri tavana monte edilmiş sensörlerden elde edilmiştir; farklı konum veya yüksekliklerde yapılacak ölçümler farklı ışık alanlarını yansıtacağından, bu durum model katsayılarını da değiştirebilir. Çalışmanın geçerliliği, analiz edilen binanın tasarımına, kullanım alışkanlıklarına ve iklimsel bağlamına özgü olduğundan, elde edilen bulguların genellenebilirliği sınırlı kalmaktadır. Son olarak, MATLAB Regression Learner aracılığıyla yapılan ilk model taramalarında yalnızca beş katlı çapraz doğrulama uygulanmış, sonraki özel betik çalışmalarında ise bağımsız bir doğrulama kümesi kullanılmamıştır. Sonuç olarak, bu tez, makine öğrenmesi tabanlı istatistiksel modellerin, hizmet sektörü binalarında aydınlatma güç tüketim örüntülerini yüksek doğrulukla tahmin edebileceğini ortaya koymuştur. Çalışmanın bilimsel ve pratik katkıları, tüketim profilinin zamansal/mekânsal çözünürlükte modellenmesi, veri‐odaklı karar destek araçlarının geliştirilmesine olanak sağlaması ve gelecekteki araştırmalara sağlam bir metodolojik temel sunması bakımından değerlidir. Bu tez kapsamında elde edilen bulgular, akıllı bina analitiği alanında önemli bir temel teşkil etmektedir. Gelecekte, bu çalışmadan yola çıkarak daha geniş veri setleriyle yürütülecek uzun süreli saha uygulamaları, geliştirilen modellerin farklı bina türlerinde genellenebilirliğini test etmek adına değerli olabilir. Uzun vadeli saha uygulamaları, HVAC gibi diğer bina alt sistemleriyle entegrasyon ve ileri düzey sensör ağlarının araştırılması, makine öğrenimi modelleriyle desteklenen enerji yönetim çözümlerinin verimliliğini ve uyarlanabilirliğini artırarak bu alandaki araştırmalara yeni açılımlar kazandırabilir.

Özet (Çeviri)

This study examines the implementation of advanced machine learning (ML) methods to predict energy consumption within tertiary buildings. The main objective arises from the increasing demand to decrease the maintenance and operational costs and environmental effects without contracting indoor environmental conditions. To be more specific, research focuses on the issue of lighting energy prediction in office environments in which current controlling mechanisms mostly depend on fixed schedules or basic occupancy sensors and thus leading to wasteful energy use. Accurate prediction of lighting demand, moreover, empowers adaptive dimming and occupancy-aware scheduling that trim operating costs, while model-predictive control can pre-emptively curtail or shift lighting loads during utility peak periods, giving tertiary buildings a cost-effective path to join demand-response programs and bolster grid flexibility. The research integrates high-resolution indoor measurements of lighting, air-conditioning (AC), and plug loads with indoor environmental measurements and outdoor meteorological data. Primary objective is on the complete 2019 dataset from the Chulalongkorn University Building Energy Management System (CU-BEMS). This dataset recorded at one-minute intervals in the seven-story academic office building and it is open-source - publicly released by the original researchers - was not collected by the author of this thesis but utilized as-is for analysis. Dataset collects comprehensive, minute-level changes in electricity consumption, including air conditioning, lighting, and plug loads, as well as indoor environmental parameters such as temperature, relative humidity, and ambient light. A carefully designed data preprocessing routine reduces sensor errors and fills missing values which secures reliable input features for model development. Different machine learning methods such as linear regressions, decision trees, and ensemble learning models are evaluated using MATLAB's Regression Learner tools. Special focus is allocated on Bagged Trees algorithms, as these display remarkable accuracy in modeling the complex, nonlinear relationships that determine lighting energy usage patterns. Major findings expose that seasonality applies a noticeable effect on the whole consumption, with cooling demands increasing substantially during warmer months and lighting demands remaining quite consistent throughout the year. Occupant-driven elements also contour consumption, as indicated by spikes in lighting and plug loads during peak usage hours. Among the different machine learning models applied – ranging from traditional Ordinary Least Squares (OLS) regression and interaction-based linear methods to advanced tree-based models such as Fine, Medium, and Coarse Trees, as well as Boosted Trees - Bagged Trees turned up as the most powerful and precise approach. While linear regression models offered interpretability and computational integrity, they are not perfect when it comes to identifying the nonlinear dynamics of energy use. In addition, standalone decision tree models provided preliminary perception but depending on their complexity level they were susceptible to overfitting or underfitting. Boosted Trees demonstrated improved accuracy by iteratively correcting errors but required deliberate tuning to avoid instability. On the other hand, the Bagged Trees approach balanced prediction accuracy and stability by aggregating results from multiple randomized decision trees, effectively grabbing temporal and spatial nuances in the data. It persistently outperformed other methods in terms of predictive accuracy and generalization, both at the whole-building and zone-specific levels. To sum up, the thesis illustrates that ML-based approaches can precisely predict the lighting energy consumption in tertiary buildings. These results confirm the initial hypothesis that machine learning methods, particularly ensemble-tree models, may have a significant effect on reducing energy consumption while maintaining indoor environmental conditions at desired levels. From a practical standpoint, the study suggests compelling evidence for deploying ML algorithms in smart lighting systems. Future extensions may include longer-term field deployments, integration with other building subsystems such as HVAC, and the exploration of advanced sensor networks to further improve the efficiency and adaptability of energy management solutions which adopted ML models.

Benzer Tezler

  1. Tez No

    1015845

    Residential energy consumption analysis through datadriven energy forecasting with environmental andbehavioural factors

    Çevresel ve davranışsal faktörlerleveri odaklı enerji tahmini aracılığıylakonut enerji tüketiminin analizi

    MİRAÇ DURHAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ LALE ERDEM ATILGAN

    DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN

    DOÇ. DR. OĞUZHAN CEYLAN

  2. Tez No

    1000610

    Akıllı kampüslerde yapay zekâ destekli enerji yönetimi

    Artificial intelligence-supported energy management in smart campuses

    ABDALHADI K S MANASSRA

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Endüstri ve Endüstri MühendisliğiBursa Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜRKAN IŞIK

  3. Tez No

    948050

    Güç transformatörleri sfra tarama frekans cevabı analizi sonuçlarının yapay zeka uygulamaları ile karşılaştırılması

    Comparison of power transformer sfra sweep frequency response analysis results with artificial intelligence applications

    HAKAN ÇUHADAROĞLU

    Doktora

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. YILMAZ UYAROĞLU

  4. Tez No

    942795

    Yay tahrikli bir darbe deney cihazının tasarımı, geliştirilmesi ve verimliliğinin araştırılması

    Spring-actuated impact test device: Design, development, and efficiency assessment

    MESUT KÜÇÜK

    Doktora

    Türkçe

    Türkçe

    2025

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ SARI

  5. Tez No

    948098

    Wavedrive: a pipeline for gesture recognition using hands' orientation and polar coordinates

    Wavedrive: ellerin yönünü ve polar koordinatları kullanarak jest tanıma için bir boru hattı

    ABDÜLKERİM SİPAHİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ERDİNÇ ALTUĞ

Geri Dön