Sezgisel üstü algoritma temelli yapay sinir ağları kullanılarak, binalarda optimal enerji kullanımını tahminleme

Abstract

Bu tez, enerji ile ilgili sorunları ele almak için sezgisel üstü algoritmalarla desteklenen yapay sinir ağlarının (YSA) uygulanmasını araştırmaktadır. Enerji verimliliğinin önemini vurgulamakta ve akıllı binalarda ısıtma, havalandırma ve iklimlendirme (HVAC) sistemlerinin enerji kullanımı üzerindeki etkisini araştırmaktadır. Araştırma, yapılardaki ısı yükünü (HL) ve soğutma yükünü (CL) en aza indirmenin nasıl enerji tasarrufu sağlayabileceğini detaylandırmaktadır. Çalışmada, enerji verimliliğini artırmak için Karşıtlık Tabanlı Öğrenmeyi (OBL) Çok Katmanlı Algılayıcı (MLP) modeliyle bütünleştiren HGS algoritması (OBL-HGS) kullanılmıştır. OBL-HGS algoritmasının HGS algoritmasının sınırlamalarını aştığı ve karmaşık optimizasyon senaryolarında olağanüstü iyi performans gösterdiği bulunmuştur. Araştırma, UCI Enerji Verimliliği veri setini kullanarak binalardaki HL ve CL değerlerini tahmin ediyor ve OBL-HGS-MLP modelinin geleneksel HGS ve geleneksel yöntemlere kıyasla üstün doğruluk ve genelleme elde ettiğini gösteriyor. Sonuçlar, OBL-HGS algoritmasının MLP ile birleştirilmesinin enerji verimliliğini optimize etmek için yeni bir strateji sağladığını ve enerji yönetimi ve sürdürülebilirlik konusunda yeni perspektifler sunduğunu göstermektedir. Tez, enerji verimli akıllı binalar tasarlamayı ve HVAC sistemlerinde enerji yükü tahminini iyileştirmeyi amaçlamaktadır. Bu bağlamda, geliştirilen modelin HVAC sistemlerinde istenen verimliliğin elde edilmesinde bina tasarımcılarına yardımcı olabileceği iddia edilmekte ve küresel enerji krizinin ortasında iklim kontrol kalitesini artırmak için bina tasarımında uygun çevresel kontrol ekipmanlarının seçilmesinin önemi vurgulanmaktadır.This thesis investigates the networks of artificial neural networks (ANNs) that are purposed to address energy-related issues. The expansion of the energy system is investigated in the cooling and air conditioning of heating, ventilation and air conditioning (HVAC) energy usage in smart buildings. The research details how minimizing heat storage (HL) and cooling load (CL) in the building can save energy. The study uses the OBL-HGS integrated region (OBL-HGS) with the Multi-Layer Perceptron (MLP) model to increase the energy utilization. It is seen that the OBL-HGS software overcomes the limitations of the HGS software and performs exceptionally well in complex view scenarios. The research estimates the HL and CL values in buildings using the UCI Energy Efficiency dataset and shows that the OBL-HGS-MLP model achieves superior accuracy and generalization compared to the traditional HGS and conventional methods. The results show that combining OBL-HGS applications with MLP provides a new strategy demonstration for optimizing energy distribution and new perspectives on energy management and sustainability. The thesis allows to design energy-efficient smart buildings and to estimate energy load in HVAC systems. It is claimed that this flexible, regular model can help building designers to achieve desired changes in HVAC systems and emphasizes the importance of using appropriate cooling control equipment in building design for the moderate climate control constraint of global energy crises.