Enerji Tasarruflu Bina Tasarımı için Isıtma ve Soğutma Yüklerini Regresyon Tabanlı Makine Öğrenmesi Algoritmaları ile Modelleme

Abstract

Günümüzde bilişim teknolojileri hemen hemen her alanda kullanılmaktadır. Enerji sektörü de bu alanlardan birisidir. Nüfusun gün geçtikçe artmasıyla birlikte bina sayısı ve binaların enerji talebi de artmıştır. Enerji talebini hafifletmenin bir yolu enerji tasarrufu özelliklerine sahip verimli binalar tasarlamaktır. Bu çalışmada sekiz giriş değeri (nispi yoğunluk, yüzey alanı, duvar alanı, çatı alanı, toplam yükseklik, yönlendirme, cam alanı ve cam alanı dağılımı) ve iki çıkış değeri (ısıtma yükü (HL), soğutma yükü (CL)) olan bir veri setinin, makine öğrenmesi algoritmaları kullanarak analizi yapılmıştır. Amaç, konutların ısıtma ve soğutma yükünü tahmin edebilen bir model oluşturmaktır. Bu parametrelerin doğru bir şekilde tahmin edilmesi, enerji tüketiminin daha iyi kontrol edilmesini kolaylaştırmakta ve ayrıca, enerji piyasasında önemli bir sorun olarak görülen enerji ihtiyacına daha iyi uyan enerji tedarikçisinin seçiminde yardımcı olmaktadır. Bu kapsamda, veri seti analiz edilirken makine öğrenmesi algoritmalarından regresyon algoritmaları (Destek Vektör Makinesi (SVM) Regresyonu, Doğrusal Regresyon, Rasgele Orman Regresyonu ve En Yakın Komşu Regresyonu) kullanılmıştır. İki çıkış değeri için sonuçlar deneysel olarak her algoritma için ayrı ayrı hesaplanmış ve elde edilen sonuçlar karşılaştırılmıştır. Çıkan sonuçlara göre analiz yaptığımız veri seti için, tahmin başarımı açısından en yakın sonucu bulan algoritma Rastgele Orman Regresyon algoritması olmuştur

Today, information technology is used almost in every field. The energy sector is one of these areas. As the population grew day by day, the number of buildings and the energy demands of the buildings increased. One way to decrease energy demand is to design efficient buildings with energy-saving features. In this study, an analysis of a data set which has eight input values (relative compactness, surface area, wall area, roof area, overall height, orientation, glazing area and glazing area distribution) and two output values (heating load (HL), cooling load (CL)), has been carried out using machine learning algorithms. The aim is to create a model that predicts the heating and cooling load of the houses. Accurate estimation of these parameters facilitates controlling of energy consumption and also helps in selecting an energy supplier that better suits the energy requirement, which is considered a significant problem in the energy market. In this context, when analyzing the data set, regression algorithms (Support Vector Machine (SVM) Regression, Linear Regression, Random Forest Regression and Nearest Neighbor Regression) are used among machine learning algorithms. For the two output values, the results have been calculated experimentally for each algorithm and the results have been compared. For the data set we analyzed according to the results, the algorithm that found the closest result in terms of prediction success is Random Forest regression algorithm.