Abstract

Binalar tüketilen enerjinin yaklaşık %40ından sorumludur. Binaların konfor koşulları gözetilerek, ihtiyaç duyacağı enerji talebinin karşılanması önemlidir. Tasarım sürecinde alınan kararlar, binaların enerji verimliliği düzeylerini etkilemektedir. Enerji simülasyon programlarının çoğu zaman alıcı yöntemler içermektedir. Daha hızlı çözüm yöntemlerine duyulan ihtiyaç bağlamında, binaların ısıtma ve soğutma yüklerinin yapay sinir ağları tabanlı yöntemlerle modellenerek enerji verimliliğinin arttırılması amaçlanmıştır. Literatürden elde edilen, binaların duvar ve çatı alanları ile toplam yükseklik, yönelim, cam yüzeylerin alanı ve dağılımı parametrelerinden oluşan 768 veri seti, eğitim ve test olmak üzere iki parçaya ayrılmış, yapay sinir ağları ile ısıtma ve soğutma yüklerinin hesabı için iki ayrı model oluşturulmuştur. Isıtma ve soğutma yüklerinin enerji talebini belirlemek için geliştirilen modellerin R performans değeri sırasıyla 0,99 ve 0,99 olarak tespit edilmiştir. Yapay sinir ağları tabanlı modelin, binalarda ısıtma ve soğutma yükü için ihtiyaç duyulan enerji talebinin hesaplanmasında simülasyon programları yerine kullanılabileceği göstermektedir.

References

[1] A. Kylili and P. A. Fokaides, “European smart cities: The role of zero energy buildings,” Sustain. Cities Soc., vol. 15, pp. 86–95, Jul. 2015, doi: 10.1016/J.SCS.2014.12.003.

[2] R. J. Hafner, D. Elmes, and D. Read, “Promoting behavioural change to reduce thermal energy demand in households: A review,” Renew. Sustain. Energy Rev., vol. 102, pp. 205–214, Mar. 2019, doi: 10.1016/J.RSER.2018.12.004.

[3] H. Zhao and F. Magoulès, “A review on the prediction of building energy consumption | Elsevier Enhanced Reader.” https://reader.elsevier.com/reader/sd/pii/S1364032112001438?token=ED4964E3C6054F0AD8E72A9F4ACCFA9CB78B624951F020383A5ED6D562ED45628D765A46E13E585B5027745FC2D0BB6FandoriginRegion=eu-west-1andoriginCreation=20210725115410 (accessed Jul. 25, 2021).

[4] D. Vuarnoz and T. Jusselme, “Temporal variations in the primary energy use and greenhouse gas emissions of electricity provided by the Swiss grid,” Energy, vol. 161, pp. 573–582, Oct. 2018, doi: 10.1016/J.ENERGY.2018.07.087.

[5] A. Batish and A. Agrawal, “Building Energy Prediction for Early Design Stage Decision Support: A Review of Data-driven Techniques,” in Proceedings of Building Simulation 2019: 16th Conference of IBPSA, 2020, vol. 16, pp. 1514–1521, doi: 10.26868/25222708.2019.211032.

[6] W. Gao, J. Alsarraf, H. Moayedi, A. Shahsavar, and H. Nguyen, “Comprehensive preference learning and feature validity for designing energy-efficient residential buildings using machine learning paradigms,” Appl. Soft Comput. J., vol. 84, p. 105748, Nov. 2019, doi: 10.1016/j.asoc.2019.105748.

[7] R. Kumar, R. K. Aggarwal, and J. D. Sharma, “Energy analysis of a building using artificial neural network: A review,” Energy Build., vol. 65, pp. 352–358, Oct. 2013, doi: 10.1016/J.ENBUILD.2013.06.007.

[8] J. S. Chou and D. K. Bui, “Modeling heating and cooling loads by artificial intelligence for energy-efficient building design,” Energy Build., vol. 82, pp. 437–446, Oct. 2014, doi: 10.1016/j.enbuild.2014.07.036.

[9] M. W. Ahmad, M. Mourshed, and Y. Rezgui, “Trees vs Neurons: Comparison between random forest and ANN for high-resolution prediction of building energy consumption,” Energy Build., vol. 147, pp. 77–89, Jul. 2017, doi: 10.1016/J.ENBUILD.2017.04.038.

[10] K. Pervez Amber et al., “Energy Consumption Forecasting for University Sector Buildings,” doi: 10.3390/en10101579.

[11] K. Amasyali and N. M. El-Gohary, “A review of data-driven building energy consumption prediction studies,” Renewable and Sustainable Energy Reviews, vol. 81. Elsevier Ltd, pp. 1192–1205, Jan. 01, 2018, doi: 10.1016/j.rser.2017.04.095.

[12] T. Ahmad, H. Chen, Y. Guo, and J. Wang, “A comprehensive overview on the data driven and large scale based approaches for forecasting of building energy demand: A review,” Energy Build., vol. 165, pp. 301–320, Apr. 2018, doi: 10.1016/j.enbuild.2018.01.017.

[13] M. Bourdeau, X. qiang Zhai, E. Nefzaoui, X. Guo, and P. Chatellier, “Modeling and forecasting building energy consumption: A review of data-driven techniques,” Sustain. Cities Soc., vol. 48, p. 101533, Jul. 2019, doi: https://doi.org/10.1016/j.scs.2019.101533.

[14] T. Østergård, R. L. Jensen, and S. E. Maagaard, “Building simulations supporting decision making in early design - A review,” Renewable and Sustainable Energy Reviews, vol. 61. Elsevier Ltd, pp. 187–201, Aug. 01, 2016, doi: 10.1016/j.rser.2016.03.045.

[15] S. Seyedzadeh, F. P. Rahimian, I. Glesk, and M. Roper, “Machine learning for estimation of building energy consumption and performance: a review,” Visualization in Engineering, vol. 6, no. 1. 2018, doi: 10.1186/s40327-018-0064-7.

[16] A. Tsanas and A. Xifara, “UCI Machine Learning Repository: Energy efficiency Data Set,” https://archive.ics.uci.edu/, 2012. https://archive.ics.uci.edu/ml/datasets/energy+efficiency (accessed Jun. 12, 2021).

[17] A. Tsanas and A. Xifara, “Accurate quantitative estimation of energy performance of residential buildings using statistical machine learning tools,” Energy Build., vol. 49, pp. 560–567, Jun. 2012, doi: 10.1016/j.enbuild.2012.03.003.

[18] R. Alpar, Uygulamalı istatistik ve geçerlilik güvenirlilik: Spor, sağlık ve eğitim bilimlerinden örneklerle, 2nd ed. Ankara: Detay Yayıncılık, 2016.

[19] A. Zheng, Evaluating Machine Learning Models, 1st ed. 2015.

[20] B. Ataseven, “Yapay Sinir Ağları İle öngörü Modellemesi,” öneri Derg., vol. 10, no. 39, pp. 101–115, 2013.