Enerji problemlerinin sezgisel üstü algoritma temelli yapay sinir ağları aracılığı ile optimizasyonu

Abstract

Enerji, üretilen bir model ya da sistemin iş yapma kapasitesidir. Günümüz dünyası enerji kaynaklarındaki tükenme olasılığını hesaba katarak teknolojik gelişmeleri enerji verimliliği noktasında kullanmak istemektedir. Tüketilen enerjinin büyük bir kısmı binalarda kullanılmaktadır. Enerji kaynaklarının sınırlı olması, binalarda enerji verimliliği ile ilgili yapılan çalışmaların ne denli önemli olduğunu açıklamaktadır. Bu çalışmanın amacı günümüz dünyasının enerji verimliliği gibi büyük problemlerini optimize edebilen sezgisel üstü algoritmalardan salp sürü algoritması (Salp Swarm Algorithm-SSA)'nın optimizasyoncu olarak değerlendirilmesi ve örnek bir enerji problemi ele alınarak sınıflandırıcı olarak tahmin gücünü gözlemlemektir. Enerjiyi etkili kullanma problemi bina tasarımı için seçilen ekipmanların seçiminde önemli bir yer tutan ısıtma yükü faktörü (Heat Load-HL) ve soğutma yükü faktörü (Cold Load-CL) faktörlerinin doğru tahminlemesi ile çözüme katkı sağlamaktadır. Bu problemin çözümünde makine öğrenme algoritmalarından, bir yapay sinir ağı mimarisi olan çok katmanlı algılayıcı (Multi Layer Percpetron-MLP) seçilerek sezgisel üstü algoritmalardan SSA danışman olarak ele alınmış ve alternatif algoritmalarla karşılaştırması yapılmıştır. Algoritmanın rekabet gücü ve kalitesi CEC 2019 fonksiyon seti vasıtasıyla gözlemlenmiştir. İstatistiki sonuçlar ve grafikler aracılığıyla elde edilen verilere bakıldığında SSA'nın rekabetçi yapıda, etkili ve güncel bir algoritma olduğu gözlemlenmiştir. Enerji verimliliği veri seti binalarda ısıtma, soğutma, havalandırma ve iklimlendirme (Heating, Ventilation, and Air Conditioning- HVAC) sistemlerinin optimal kullanımında değerlendirme kriteri olabilecek bir kaynak tezde kullanılarak SSA temelli MLP mimarisiyle eğitimi sağlanmıştır. Deneysel sonuçlar enerji probleminde de SSA'nın iyi bir sınıflandırma sağlayan danışman olduğu istatistiki deneyler aracılığıyla ispatlamıştır.Energy is the capacity of a system to do work. In today's world, the focus is on utilizing technological advancements to achieve energy efficiency, given the potential depletion of energy resources. A significant portion of energy consumption occurs in buildings, highlighting the importance of studies on energy efficiency in this sector. This study aims to evaluate the Salp Swarm Algorithm (SSA), a metaheuristic algorithm, in optimizing major contemporary issues such as energy efficiency. Specifically, it examines SSA's effectiveness as both an optimizer and a classifier in an example energy problem.Efficient energy use is crucial for accurately estimating heating load (HL) and cooling load (CL) factors, which are essential for selecting equipment in building design. To address this issue, the study employs the Multi-Layer Perceptron (MLP), an artificial neural network architecture, in conjunction with SSA as an optimization consultant, and compares it with alternative algorithms. Statistical results and graphs indicate that SSA is a competitive, effective, and modern algorithm.The research utilizes the energy efficiency dataset to evaluate the optimal use of Heating, Ventilation, and Air Conditioning (HVAC) systems in buildings. The SSA-based MLP architecture was trained using this dataset, and the experimental results demonstrated that SSA is an effective classifier for energy-related problems through various statistical analyses.