Kocaeli Üniversitesi Fen Bilimleri Dergisi

Binalarda Isıtma/Soğutma Yükünün Makine Öğrenmesi ile Tahmini

Machine Learning of Heating/Cooling Load in Buildings with Estimate

Levent YILDIZ 1
1
Kocaeli Üniversitesi, Fen Bilimleri Enstütüsü, Kocaeli, Lyildiz@yandex.com.tr

Article Info Abstract

Research paper / Review paper Enerji tüketmi her geçen gün artan maliyetler ve erişim zorluğu nedeniyle oldukça önemli bir hale
geldi.Buna istinaden elektrik tüketiminin önemli bir kısmının gerçekleştiği konutlar ve ticari
Anahtar Kelimeler binalardaki tüketimin control altına alınması ve tahminlenmesi her geçen gün önem kazanmaktadır.
Makine Öğrenmesi Bu çalışmada konutlardaki enerji tüketiminin makina öğrenmesi algoritmaları ile tahminlenmesi
Modelleme amaçlanmıştır.
Isıtma
Soğutma
Article Info Abstract
Research paper / Review paper Energy consumption has become very important due to the increasing costs and difficulty of access.
Based on this, controlling and estimating the consumption in residential and commercial buildings,
Keywords where a significant part of electricity consumption takes place, is gaining importance day by day.
In this study, it is aimed to predict the energy consumption in houses with machine learning algorithms.
Machine Learning
Modelling
Heating
Cooling

1. Giriş konutlarda kullanılan enerjiyi %25-45 oranında azaltmak

Karbon kaynaklı yakıtların her geçen tükendiği ve
buna bağlı maliyetlerimizin arttığı bir dönemden geçiyoruz.
İçinde bulunduğumuz bu dönemde “Enerji Verimliliği”
kavramı her geçen gün önemini arttırmaktadır Bu çalışmada
ele alacağımız binalarda kullanılan enerjinin büyük bir
kısmı fosil yakıt kaynaklarından elde edilmektedir. Binalar
birincil enerji tüketiminin yaklaşık %40’ından sorumludur.
Bu değer de elektrik tüketiminin yaklaşık %74’ünü
oluşturmaktadır. Bu sebeple, artan enerji ihtiyacı ve fosil
yakıtların geleceği konusunda yaşanan belirsizlik ve küresel
iklim değişikliği, artan sera gazları (metan, ozon,
karbondioksit, azot oksit, su buharı benzeri gazlar),
binalarda enerji tüketimini azaltma,enerji verimliliğini
arttırma ve yenilenebilir enerji kaynaklarını kullanma
yollarını zorunlu kılmaktadır.
Enerji tüketimi, günümüzün büyüme ve kalkınma
planlarının merkezinde yer almaktadır. Yapılan
araştırmalara göre enerji tüketimi en çok konut, sanayi,
ulaşım ve tarımda gerçekleşmektedir. Özellikle konutta
enerji tüketimi birçok ülkede olduğu gibi Türkiye'de de en
büyük paya sahiptir [1]. Binalarda enerji tüketimine ilişkin
yönetmeliklere göre binaların ısıl performanslarının
iyileştirilmesi mümkündür. Sadece birkaç tasarım önlemi ile
mümkündür [2]. Kullanılan enerjinin çoğu binaları ısıtmak
ve soğutmak için tüketilmektedir. Dış duvarlara uygulanan
ısı yalıtımı ve pencere-duvar oranları değiştirilerek ısıl
gereksinimler için tüketilen enerji miktarı büyük ölçüde
azaltılabilir [3]. Cheung, Fuller ve Luther, 2005 yılında
yaptıkları bir çalışmada ısı yalıtım kalınlığı, dış cephe rengi
gibi parametreler yüksek binalarda enerjinin verimli
kullanılmasını sağlamak için duvarlar, pencere sistemi,
pencere alanı ve gölgeleme elemanı eklenmesi. Bu
parametrelerin değişmesiyle sağlanan enerji tasarrufu,
TRNSYS bina enerji simülasyon yazılımı [4] yardımıyla
hesaplanmıştır. 2014 yılında Baykal, termal değişimlerin
etkisini araştırdı.Farklı cephelerde enerji yükleri üzerindeki
yalıtım kalınlıkları maliyet analizi yaparak optimum ısı
yalıtım kalınlığını belirlemiştir [5]. Daouas, 2011 yılında
yapıların optimum ısı yalıtım kalınlıklarını belirlemek için
CFFT analitik yöntemiyle sayısal olarak çalışmış ve ısı
yalıtım kalınlıklarının farklı yönlerde farklı olması gerektiği
sonucuna ulaşmıştır [6].
Tsanas ve Xifara, 2012 yılında evlerin enerji
performansını tahmin etmek için istatistiksel makine
öğrenimi araçlarını kullandı. Yaptıkları çalışmada, bina
formu, yüzey alanı, duvar alanı, toplam yükseklik, yön,
pencere alanı ve pencere konumu gibi parametrelerdeki

1
 Kocaeli Üniversitesi Fen Bilimleri Dergisi
değişimlere bağlı olarak meydana gelen ısıtma ve soğutma
yükündeki değişimler incelenmiştir. Bina enerji simülasyon
yazılımının sonuçları, ısıtma ve soğutma yükünü
hesaplamak için yapay zeka tabanlı bir algoritma ile
karşılaştırılmıştır [7]. Maçka, Yaşar ve Pehlevan 2011
yılında yaptıkları çalışmada, Trabzon ilinde olduğu
düşünülen bir bina için EnergyPlus bina enerji simülasyon
yazılımı yardımıyla farklı duvar tipleri ve farklı pencere-
duvar oranları ile hesaplamalar yapmışlardır. tanımladılar
Enerji kullanımı ve maliyet açısından uygun
alternatifler [8]. Bu çalışmada, konutların enerji
performansını iyileştirmek için yapay zeka teknikleri
kullanılarak ısıtma ve soğutma yükü hesabı yapılmayan
modellerin termal yükleri tahmin edilmiştir. Bu çalışma ile
ısı yalıtım kalınlığının ve pencere-duvar oranının bu iki yük
üzerindeki etkisi belirlenmiştir. Çalışma, binaların tasarım
aşamasında enerji tüketiminin azaltılabileceği sonucuna
varmıştır. Bu çalışma sayesinde binaların enerji
performansını etkileyen parametrelerin tek tek ara
değerlerin hesaplanmasına gerek kalmamaktadır.
Hesaplamalarda kullanılan değerlerin bir kısmı yapay zeka
ile öğrenilebilmekte ve ara değerlerin etkisi elde
edilebilmektedir.
Aynı zamanda binanın enerji performansını etkileyen
parametrelerden hangisinin daha etkili olduğunu belirlemek
için yapay zeka teknikleri ile tartılır. Bu yöntem ile bina
enerji simülasyon programını kullanmaya gerek kalmadan
enerji performansı hesaplanabilmektedir.
2. Malzeme ve Yöntem
Çalışma dört adımda gerçekleştirildi: referans binanın
oluşturulması; ısıtma ve soğutma yüklerinin hesaplanması;
yapay zeka tekniklerini kullanarak enerji tahmini; ve yalıtım
kalınlığının etkilerinin farklı yönlere ve pencere-duvar
oranına göre ağırlıklandırılması. DesignBuilder bina enerji
simülasyon programı kullanılarak Türkiye'nin en sıcak
iklimine sahip şehri Antalya'da olduğu düşünülen bir konut
binası modellenmiştir. Referans bina sırasıyla 10x10x3m
genişlik, derinlik ve yükseklik ölçüleri ile modellenmiş ve
TS 825 Binalarda Isı Yalıtım Kuralları Standardı'nda duvar,
tavan, döşeme ve pencereler için belirlenen U (Isı İletim
Katsayısı) değerleri dikkate alınarak seçilmiştir. Çalışmada
tasarlanan referans binanın tüm özellikleri aynı tutulmuş, ilk
olarak ısı yalıtım kalınlığı 3, 5 ve 7 cm olarak değiştirilerek
ısıtma ve soğutma yükü hesabı yapılmıştır.
Daha sonra yalıtım kalınlığının farklı yönlerdeki
etkilerini araştırmak için ilk hesaplamada başlangıçta bir
tarafın yalıtım kalınlığı 3-10 cm aralığında 1 cm'lik artışlarla
diğer üç kenar 3 cm'de tutulmuş, İkinci hesaplamada 5 cm,
üçüncü hesaplamada 7 cm. Çalışmada pencere-duvar
2
oranının ısıtma ve soğutma yüküne etkisini araştırmak için
pencere-duvar oranı %10, %20, %30, %40, %50 arasında
değiştirilerek hesaplama yapılmıştır. %60, %70 ve %80.
Daha sonra, pencere-duvar oranının farklı yönlerde
etkisini incelemek için pencere-duvar oranı bir yönde
değiştirildi ve diğer yönlerde sabit tutuldu. Elde edilen ısıl
yüklerin veri setleri ile yazılıma verilmeyen yalıtım
kalınlıkları ve pencere-duvar oranları için yapay zeka
teknikleri kullanılarak ısıtma ve soğutma yüklerinin
tahminleri yapılmıştır. Daha sonra farklı yönlerde pencere-
duvar oranının ağırlık oranları ile ısı yalıtım kalınlıklarının
ısıtma ve soğutma yükleri üzerindeki ağırlık oranları
belirlenmiştir.
2.1 Örnek Model
Çalışma için genişlik, derinlik ve yükseklik boyutları
sırasıyla 10x10x3m olan tek katlı bir bina modellenmiştir.
Düşük eğimli çatıya sahip yapının dört cephesi aynı
malzeme, yalıtım kalınlığı ve pencere oranına sahip olacak
şekilde tasarlanmıştır.
Isı yalıtım kalınlığının ve pencere-duvar oranının
farklı yönlere etkisi araştırıldığından bina boş bir mekan
olarak tasarlanmış ve binanın işlevi konut olmuştur (Şekil
1).
Figür 1
TS 825 Binalarda Isı Yalıtım Kuralları Standardında
Türkiye 4 derecelik gün bölgelerine ayrılmıştır. Antalya
(30:42oD 36:53oN) 1. derece gündüz kuşağında yer alır ve
sıcak-ılıman iklim özelliği gösteren Akdeniz ikliminden
etkilenir.
Kış aylarında yaz aylarına göre daha fazla yağış
görülür. En yüksek sıcaklık ve en uzun güneş ışığına sahip
aylar Temmuz ve Ağustos'tur (Tablo 1) [9]. Termal yüklerin
hesaplanması için Meteonorm'dan Antalya ilinin iklim
verileri elde edilmiş ve DesignBuilder bina enerji
simülasyon yazılımına yüklenmiştir [10].DesignBuilder,
EnergyPlus tabanlı bir yazılım aracıdır. Binaların
performansını enerji, karbon misyonları, aydınlatma ve
konfor açısından ölçün. Binada kullanılan malzemeler, bina
kullanıcıları, ısıtma, soğutma ve havalandırma sistemleri
 Kocaeli Üniversitesi Fen Bilimleri Dergisi
gibi veriler bu yazılımda tanımlanarak bina simülasyonu değerlendirilmesienerji yükleri, gölgeleme etkisinin
yapılabilmektedir. incelenmesi çevredeki binalara ve güneş ışığına, binaların
Yazılımın amaçları arasında; bina cephelerinin enerji havalandırılmasına ve ısıtma ve soğutma sistemlerinin
tüketimi ve gölgeleme faktörleri açısından tasarımı ve tanımlanması [11].
değerlendirilmesi, binalarda güneş ışınlarının kullanımı,
aydınlatma sistemlerinin çevreye etkisinin

Tablo 1. Meteoroloji verileri

2.2. ML Algoritmaları
Bu çalışmada yapılardaki ısıtma ve soğutma yükleri k-en yakın komşuluk, Destek vektör makineleri ve karar ağaçları
algoritmaları ile sınıflandırılmıştır. Bu bölümde sınıflandırma yapılırken kullanılan veri seti, sınıflandırma algoritmaları ve
çapraz doğrulama yöntemleri özetlenmiştir.

Makina öğrenme algoritmaları günümüzde birçok alanda kullanılmaktadır. Veri seti üzerinde çeşitli makine öğrenmesi
yöntemleri kullanılarak yük tahmini yapılması planlandığından bu yöntemleri kısaca değerlendirecek olursak yapılardaki
ısıtma ve soğutma yükleri 3 farklı sınıflandırma yöntemi ile sınıflandırılmıştır. [12].

2.2.1 k-En Yakın Komşuluk ile Sınıflandırma Yöntemi

k-EK sınıflandırma algoritması basitliği ve kullanım kolaylığı gibi avantajları sayesinde birçok alanda sıklıkla kullanılan
sınıflandırma metotların başında gelmektedir[13]. K-NN sınıflandırma algoritmasında eğitim aşamasında eğitim verisindeki
örnekler koordinat düzlemine yerleştirilerek
sınıfları ile ilişkilendirilir.
Daha sonra kurulan koordinat düzlemine test
için kullanılacak örnek yerleştirilir. k değeri
kadar test verisinin en yakın komşularına
bakılarak test verisinin sınıfı belirlenir. Test
verisinin sınıfı, komşu örnekler en çok hangi
sınıfa ait ise ilgili sınıfa ait olduğu tahmin edilir.

K-NN sınıflandırma algoritmasının

çalıştırılması için kullanıcı tarafından dışarıdan
bir k değeri girilmesi gerekmektedir. k değerinin
yanında kullanıcı tarafından uzaklık hesaplama ölçütünün de belirlenmesi gerekmektedir. Genellikle k değeri 1 olarak seçilip,
komşuluk uzaklık hesabı öklid uzaklığa göre hesaplanmıştır.

3
 Kocaeli Üniversitesi Fen Bilimleri Dergisi

2.2.2 Destek Vektör Makineleri ile Sınıflandırma Yöntemi

Destek Vektör Makineleri özellikle ikili sınıflandırmada oldukça yaygın
kullanılmaktadır. Bu yöntem, sınıflandırma problemlerinin çözümü için
Vapnik tarafından geliştirilmiştir. [14]

Destek Vektör Makineleri yönteminin en önemli avantajı işlem süresinin

kısa olmasıdır. Bu özelliğinden dolayı DVM, çok fazla örneğe sahip veri
setlerinde tercih edilmektedir.

2.2.3 Karar Ağaçları ile Sınıflandırma

Yöntemi

Sınıflandırma ve değer tahmini amacı ile

kullanılan karar ağaçları, anlaşılmasının ve
yorumlanmasının kolay olması sebebiyle
kullanımı oldukça yaygın olan makine
öğrenme algoritmalarındandır. . [15]
Bir karar ağacı modeli kök, düğüm, dal ve yaprak elemanlarından oluşmaktadır. Eğitim veri seti ile şekildeki gibi bir karar
ağaç modeli oluşturulur. Eğitim verisi ile oluşturulan ağaç yapısının başarı oranının hesaplanması için test veri setindeki
örnekler nitelik değerlerine göre oluşturulan ağaç yapısı ile sınıflandırılır.

Şekildeki örnek ağaç yapısında da görüldüğü üzere öncelikle test veri setindeki x2 niteliği göz önünde bulun
durulmaktadır. x2 niteliğinin değerine göre örnek 0 şeklinde sınıflandırılabilir veya diğer niteliklerinin sorgulanmasına devam
edilebilir. Bu şekilde tüm test verileri sınıflandırılmış olur.

3. Bulgular ve Tartışma

Yapılardaki ısıtma ve soğutma yükü

sınıfları,yandaki şekilde gösterilen işlem adımlarına
tabii tutularak belirlenmiştir.Veri işlemede
uygulanan yaklaşım sağdaki yapıda
gösterilmektedir. [16]
Sınıflandırma algoritmalarının sonuçları tahmin
değerleri belirtilen karmaşıklık matrisi ile çok daha detaylı gösterilebilmektedir.

4
 Kocaeli Üniversitesi Fen Bilimleri Dergisi

Makine öğrenmesi metodları ile belirtilen alandaki verilerin görselleştirilmiş hali sağdaki grafiklerde gösterilmiştir.Test ve
train setlerinde pareto yaklaşı göz önünde bulundurulmuştur. Temel olarak test seti toplam verinin yüzde 20’sini
oluştururken eğitim bölümü ise yüzde 80’ini oluşturmaktadır.

4.Sonuçlar

Makine öğrenmesi yöntemlerini temel olarak yapının enerji

tüketimini tahmin edilmesi amaçlanan bu çalışmada
doğruluk, duyarlılık, özgünlük ve hassasiyet
parametrelerinin bire yakın olması sonuçların güvenirliği
için oldukça önemlidir.
Bu bağlamda, tez aşamasında Kaliforniya Üniversitesi
Makine Öğrenme ve Akıllı Sistemler Merkezi’nden (UCI)
alınan Enerji Verimliliği veri setindeki ısıtma ve soğutma
tahminlemesi için kullanılması planlanlanmaktadır.

5. Kaynaklar
1- Kaynaklı, O., (2008). A Study on Residential Heating
Energy Requirement and Optimum Insulation
Thickness. Renewable Energy, Volume:33, pp:1164-
1172.
2- Chowdhury, A.A., Rasul, M.G., and Khan, M.M.K.,
(2008). ThermalComfort Analysis and Simulation for
Various Low-Energy CoolingTechonologies Applied to
an Office Building in a Subtropical Climate. Applied
Enegy, Volume:85, pp:449-462.
3- Al-Sanea, S. and Zedan M., (2011). Improving Thermal
Performance of Building Walls by Optimizing
Insulation Layer Distribution and Thickness for Same
Thermal Mass. Applied Energy, Volume:88, pp:3113-
3124
4- Cheung, C.K., Fuller, R.J., and Luther, M.B., (2005).
EnergyEfficient Envelope Design for High-Rise
Apartments. Energy and Buildings, Volume:37, pp:37-
48.
5- Baykal, C., (2014). Binalarda Yönlere Göre Yalıtım
Kalınlığının Ekonomikliğinin Araştırılması. Master of Thesis,
Natural&Applied Science, Yıldız Technical University,
İstanbul.
6- Daouas, N., (2011). A Study on Optimum Insulation Thickness
in Walls and Energy Savings in Tunisian Buildings Based on
Analytical Calculation of Cooling and Heating Transmission
Loads. Applied Energy, Volume:88, pp:156-164
7- Tsanas, A. and Xifara, A., (2012). Accurate quantitative
Estimation of Energy Performance of Residential Buildings
Using Statistical Machine Learning Tools. Energy and
Buildings, Volume:49, pp:560-567.
8- Maçka, S., Yaşar, Y., and Pehlevan, A., (2011). Investigating of
the Effects on Building Energy Consumption and Life Cycle
Cost of Building Envelope Alternatives. 12th International
Conference on Durability of Building Materials and
Component, Porto, Portugal.
9- General Directorate of Meteorology, Antalya Average
Temperature Data, (2017. htpp://www.mgm.gov.tr.
10- Meteonorm, (2017). http://www.meteonorm.com/en/.
DesignBuilder Software, (2017).
http://www.designbuilder.co.uk/.
11- Üstün O., (2009). Determination of Activation Functions in A
Feedforward Neural Network by using Genetic Algorithm.
Pamukkale Üniversitesi
12- K. Karadag and M. Ozerdem, "Classification of ECoG
patterns related to finger movements with wavelet
based SVM methods", 2014 22nd Signal Processing
and Communications Applications Conference (SIU),
2014.
13- Cover T, Hart P, “Nearest Neighbor Pattern Classification”
IEEE Transactions On Information Theory 13:21–27, 1967.
14- *V. Vapnik, “The nature of statistical learning theory,”
Springer-Verlag: New York, 1995.
15- J.R. Quinlan, C4.5: Programs for Machine Learning (Morgan
Kaufmann, San Mateo, CA, 1993).
16- *Maron, O. and Moore, A. W. Hoeffding races: Accel- erating
model selection search for classification and function
approximation. In Cowan, J. D., Tesauro, G., and Alspector,
J., editors, Advances in Neural Information Processing
Systems, volume 6, pages 59–66. Morgan Kaufmann
Publishers, Inc. (1994).
17-
18-