Musa PEKER, Osman ÖZKARACA, Betül KESİMAL

Enerji Tasarruflu Bina Tasarımı İçin Isıtma ve Soğutma Yüklerini Regresyon Tabanlı Makine Öğrenmesi Algoritmaları İle Modelleme

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.

Modeling heating and cooling loads by regression-based machine learning techniques for energy-efficient building design

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.

Keywords:

Energy Performance, Regression SVM Regression, Linear Regression, Random Forest Regression,

PDF

___

[1] Summary of analysis using the National Energy Efficiency DataFramework (NEED), https://www.gov.uk/government/uploads/system/uploads/attachmen t_data/file/437093/National_Energy_Efficiency_DataFramework__NEED__Main_Report.pdf, 20.04.2017.
[2] G. Özyurt, K. Karabalık, “Enerji verimliliği, binaların enerji performansı ve Türkiye’deki durum”, TMMOB İnşaat Mühendisleri Odası Türkiye Mühendislik Haberleri, 457(54), 32-34, 2009.
[3] E. Göçmen, Ş. Özdemir, “Farklı Tip Aydınlatma Aygıtlarının Harmonik Etkilerinin Karşılaştırılması”, V. Enerji Verimliliği ve Kalitesi Sempozyumu, Kocaeli, 261-265, 2013.
[4] C. Perdahçı, U. Hanlı, “Verimli Aydınlatma Yöntemleri”, 3E Elektrotech Dergisi, 323-327, 2010.
[5] M. Beerepoot, M. Sunikka, “The contribution of the EC energy certificate in improving sustainability of the housing stock”, Environment and Planning B: Planning and Design, 32(1), 21-31, 2005.
[6] Z. Yu, F. Haghighat, B. C.M. Fung, H. Yoshino, “A decision tree method for building energy demand modeling”, Energy and Buildings, 42(10), 1637-1646, 2010.
[7] W.G. Cai, Y. Wu, Y. Zhong, H. Ren, “China building energy consumption: situation, challenges and corresponding measures”, Energy Policy, 37(6), 2054-2059, 2009.
[8] National Academy of Sciences; National Academy of Engineering; National Research Council, Real Prospects for Energy Efficiency in the United States, Washington: The National Academies Press, 2010.
[9] M. Castelli, L. Trujillo, L. Vanneschi, A. Popovic, “Prediction of energy performance of residential buildings: A genetic programming approach”, Energy and Buildings, 102, 67-74, 2015.
[10] F. Khayatian, L. Sarto ve G. Dall'O', “Application of neural networks for evaluating energy performance certificates of residential buildings”, Energy and Buildings, 125, 45-54, 2016.
[11] L. Wei, E.A. Silva, R. Choudhary, Q. Meng, S. Yang, “Comparative study on machine learning for urban building energy analysis”, Procedia Engineering, 121, 285-292, 2015.
[12] W. Tian, “A review of sensitivity analysis methods in building energy analysis”, Renewable and Sustainable Energy Reviews, 20, 411-419, 2013.
[13] B. Dong, C. Cao, S. E. Lee., “Applying support vector machines to predict building energy consumption in tropical region”, Energy and Buildings, 37(5), 545-553, 2005.
[14] P. Wilde, W. Tian, “Predicting the performance of an office under climate change: A study of metrics, sensitivity and zonal resolution” Energy and Buildings, 42(10), 1674-1684, 2010.
[15] W. Tian, P. Wilde, “Uncertainty and sensitivity analysis of building performance using probabilistic climate projections: A UK case study”, Automation in construction, 20(8), 1096-1109, 2011.
[16] B. Eisenhower, Z. O'Neill, V.A. Fonoberov, I. Mezić, “Uncertainty and sensitivity decomposition of building energy models”, Journal of Building Performance Simulation, 5(3), 171-184, 2012.
[17] Open Data Lombardia, https://www.dati.lombardia.it/, 24.04.2017.
[18] D. Zhai, Y. C. Soh, W. Cai, “Operating Points as Communication Bridge between Energy Evaluation with Air Temperature and Velocity based on Extreme Learning Machine (ELM) Models”, IEEE 11th Conference on Industrial Electronics and Applications, Hefei, CHINA, 712-716, 2016.
[19] E. Blomqvist, P. Thollander, “An integrated dataset of energy efficiency measures published as linked open data”, Energy Efficiency, 8(6), 1125–1147, 2015.
[20] A. Tsanas, A. Xifara, “Accurate quantitative estimation of energy performance of residential buildings using statistical machine learning tools”, Energy and Buildings, 49, 560-567, 2012.
[21] A. Xifara, “Energy efficiency Data Set”, https://archive.ics.uci.edu/ml/datasets/Energy+efficiency, 19.04.2017.
[22] Y. Arima, R. Ooka, H. Kikumoto, “Proposal of typical and design weather year for building energy simulation”, Energy and Buildings, 139, 517-524, 2017.
[23] J. Lei, K. Kumarasamy, K. T. Zingre, J. Yang, M. P. Wan, E.-H. Yang, “Cool colored coating and phase change materials as complementary cooling strategies for building cooling load reduction in tropics”, Applied Energy, 190, 57-63, 2017.
[24] Support Vector Machine - Regression (SVR), http://www.saedsayad.com/support_vector_machine_reg.htm. 19.04.2017.
[25] N. Demir, “Lineer Regresyon’a Giriş”, http://www.necatidemir.com.tr/2015/09/lineer-regresyona-girisbolum-1/, 19.04.2017.
[26] L. Breiman, “Random Forests”, https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf. 19.04.2017
[27] M. Akman, Y. Genç, H. Ankaralı, “Random Forests Methods and an Application in Health Science”, Turkiye Klinikleri Journal of Biostatistics, 3(1), 36-48, 2011.
[28] H. Sökün, H. Kalkan, B. Cetişli, “Classification of physical activities using accelerometer signals”, 20th Signal Processing and