Geri Dön

Makine öğrenimi teknikleri ile binalarda enerji verimliliği tahmini

Energy efficiency estimation in buildings using machine learning techniques

PDF İndir

  1. Tez No: 993789
  2. Yazar: ERDEM YİĞİT
  3. Danışmanlar: DOÇ. DR. ÖZLEM POLAT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Enerji, Makine Mühendisliği, Engineering Sciences, Energy, Mechanical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sivas Cumhuriyet Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Enerji Bilimi ve Teknolojileri Ana Bilim Dalı (disiplinlerarası)
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez çalışmasında konut binalarında ısıtma ve soğutma yükleri makine öğrenmesi regresyon modelleri (Lineer Regresyon, Ridge Regresyon, Rasgele Orman Regresyonu, K-En Yakın Komşu Regresyonu, Çok Katmanlı Algılayıcı Regresyonu, Destek Vektör Regresyonu, Karar Ağacı Regresyonu ve XGBoost Regresyonu) kullanılarak tahmin edilmiştir. En iyi performans XGBoost ile elde edilmiştir. Performansı daha da artırmak amacıyla Genetik Algoritma (GA) kullanılarak XGBoost'a ilişkin hiperparametre optimizasyonu yapılmıştır. Modeller sekiz giriş özelliğine (bağıl kompaktlık, yüzey alanı, duvar alanı, çatı alanı, genel yükseklik, yönlendirme, cam alanı ve cam alanı dağılımı) ve iki çıkışa (ısıtma yükü, soğutma yükü) sahip 768 örnekten oluşan herkese açık UCI Energy Efficiency veri seti üzerinde eğitilip test edilmiştir. Örneklerin %80'i eğitim %20'si test için kullanılmıştır. Modellerin değerlendirilmesinde R-kare (R2), kök ortalama kare hatası (RMSE), ortalama mutlak hata (MAE) ve ortalama mutlak yüzde hatası (MAPE) metrikleri kullanılmıştır. Yapılan deneyler sonucunda, ısıtma yükü için R², RMSE, MAE ve MAPE değerleri sırasıyla 0.9988, 0.3581, 0.2444 ve %1.15 olarak elde edilmiştir. Benzer şekilde, soğutma yükü için bu değerler 0.9966, 0.5587, 0.3720 ve %1.42 olarak hesaplanmıştır. Sonuçlar, GA ile optimize edilmiş XGBoost modelinin, ısıtma ve soğutma yükü tahminlerinde ortalama sonuçlara göre, temel XGBoost modelinden daha iyi performans gösterdiğini ortaya çıkarmıştır. Bu model, binaların enerji tüketimini analiz ederek verimlilik arttırma çalışmalarına katkı sağlayacaktır.

Özet (Çeviri)

In this thesis, heating and cooling loads in residential buildings are estimated using machine learning regression models (Linear Regression, Ridge Regression, Random Forest Regression, K-Nearest Neighbor Regression, Multilayer Perceptron Regression, Support Vector Regression, Decision Tree Regression, and XGBoost Regression). The best performance was obtained with XGBoost. To further improve the performance, hyperparameter optimization of XGBoost was performed using Genetic Algorithm (GA). The models were trained and tested on the public UCI Energy Efficiency dataset consisting of 768 samples with eight input features (relative compactness, surface area, wall area, roof area, overall height, orientation, glazing area, and glazing area distribution) and two outputs (heating load, cooling load). 80% of the samples were used for training and 20% for testing. R-squared (R2), root mean square error (RMSE), mean absolute error (MAE), and mean absolute percentage error (MAPE) metrics were used to evaluate the models. As a result of the experiments, R², RMSE, MAE, and MAPE values for heating load were obtained as 0.9988, 0.3581, 0.2444, and 1.15%, respectively. Similarly, for cooling load, these values were calculated as 0.9966, 0.5587, 0.3720, and 1.42%. The results revealed that the GA-optimized XGBoost model outperformed the baseline XGBoost model in heating and cooling load estimation based on the average results. This model will contribute to efficiency improvement efforts by analyzing building energy consumption.

Benzer Tezler

  1. 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

  2. Tez No

    894347

    Machine learning-based energy consumption forecastingfor stores in a shopping center - A case study

    Alışveriş merkezindeki dükkânların enerji tüketimininmakine öğrenmesiyle tahmini - Vaka çalışması

    NADIA AHBAB

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimi ve Teknolojileri Ana Bilim Dalı

    ÖĞR. GÖR. MUSTAFA BERKER YURTSEVEN

  3. Tez No

    971584

    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

    AGSHIN RZAZADE

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ LALE ERDEM ATILGAN

  4. Tez No

    774552

    Betonarme perdelerin çevrimsel sönümlenen enerji kapasitesinin makine öğrenmesi yöntemleri ile incelenmesi

    Investigation of energy dissipation capacity of RCc shear walls with machine learning methods

    BERKAY TOPALOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Deprem Mühendisliğiİstanbul Teknik Üniversitesi

    Deprem Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ZEYNEP DEĞER

  5. Tez No

    142597

    Yeni Cami'nin akustik açıdan performans değerlendirmesi

    Evaluation of the acoustical performance of the New Mosque

    EVREN YILDIRIM

    Yüksek Lisans

    Türkçe

    Türkçe

    2003

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. SEVTAP YILMAZ DEMİRKALE

Geri Dön