Optimizing air conditioner system efficiency through reinforcement learning
Pekiştirmeli öğrenme ile klima sistemlerinin verimliliğinin optimizasyonu
- Tez No: 973575
- Danışmanlar: PROF. DR. KLAUS VERNER SCHMİDT, PROF. DR. İLKAY ULUSOY
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Hava kalitesi, Takviyeli öğrenme, Çok ajanlı sistemler, Air quality, Reinforced learning, Multiagent systems
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Isıtma, havalandırma ve iklimlendirme (HVAC) sistemleri, iç ortamda termal konforu ve hava kalitesini korumada önemli bir rol oynar. Ancak, binalardaki enerji tüketiminin de önemli bir kısmını oluşturur. Bu tez, tek odalı bir ortamda kullanılan HVAC sistemini optimize etmek için pekiştirmeli öğrenme (RL) tabanlı bir yaklaşım sunmaktadır. Hedef, rekabetçi ve işbirlikçi çok ajanlı Derin Q-Ağ (DQN) kontrolcüleriyle, enerji tüketimini en aza indirirken termal konforu ve iç mekan hava kalitesini korumaktır. Sonuçlar, en iyi çok ajanlı rekabetçi yapılandırmanın enerji tüketimini kural tabanlı kontrolcüye göre %24,8 ve tek ajanlı DQN'e göre %18.9 oranında düşürdüğünü göstermektedir. Bu bulgular, çok ajanlı RL'in hem tek ajanlı hem de geleneksel kontrol stratejilerinden daha iyi performans gösterebileceğini ortaya koymaktadır.
Özet (Çeviri)
Heating, ventilation, and air conditioning (HVAC) systems play a crucial role in maintaining thermal comfort and indoor air quality, but they also account for a substantial portion of a building's energy consumption. This thesis presents a reinforcement learning (RL) approach for optimizing the operation of an HVAC system in a single-zone environment. The proposed framework comprises multi-agent Deep Q-Network (DQN) controllers operating in both competitive and cooperative settings, aiming to minimize energy consumption while ensuring thermal comfort and maintaining indoor air quality. Results show that the best multi-agent competitive configuration achieves 24.8% lower energy consumption than the rule-based controller and 18.9% lower than the single-agent DQN. These findings show that multi-agent RL can outperform both single-agent RL and traditional control strategies.
Benzer Tezler
- Fuel cell air supply system control using deep q-network
Derin q-aği kullanilarak yakit hücresi hava besleme sistemi kontrolü
EMİR OĞUZ
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ONAT
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Sıkı geçme operasyonu için ANFIS ve yapay sinir ağları modellemesinin matematiksel model ile karşılaştırılması
Comparison of ANFIS and ann modeling with mathematical model for press-fitting operation
OĞUZHAN ŞİMŞİR
Yüksek Lisans
Türkçe
2024
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ FUAT ERGENÇ
- Modeling and optimal sizing of a HVAC system of a building
Bir binanın ısıtma havalandırma ve iklimlendirme sisteminin modellenmesi ve optimizasyonu
UĞUR KESKİN
Yüksek Lisans
İngilizce
2002
EnerjiBoğaziçi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HASAN BEDİR
- Parametric façade optimization for natural ventilation and energy efficiency in high-rise buildings
Yüksek katlı binalarda doğal havalandırma ve enerji verimliliği için parametrik cephe optimizasyonu
SANAM AEINFAR
Doktora
İngilizce
2025
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. NURİ SERTESER