Makine Öğrenmesi Kullanımıyla Ev Tipi Klimalarda Parametre Ve Enerji Verimliliği Optimizasyonu

Abstract

Enerji ihtiyacı günümüzün ve geleceğin vazgeçilmezi olacaktır. Kaynaklar yönünden kısıtlı olan enerjinin tasarrufu ise büyük önem taşır. Enerji verimliliği, enerji tasarrufunun en pratik yöntemi olduğundan bu tezde enerji verimliliği konusu ev tipi klimalar için makine öğrenmesi yöntemleri kullanarak nasıl arttırılabilir konusu üzerinde durulmuştur. Avrupa Birliğinin 2020 hedefleri doğrultusunda yürürlüğe giren ErP regülasyonu ile mevsimsel enerji verimliliği kavramı hayatımıza girmiştir. Bu kavram bir klimanın bütün yıl çektiği çeşitli yükler ve yıl boyunca çeşitli sıcaklıklarda çalışması ile oluşacak farklı kapasiteler sonucu farklı yıl içinde sürekli değişen farklı enerji verimlilik değerlerinde çalışıyor olmasının bir sonucudur. Ev tipi klimaların kullanımı gün geçtikte artmaktadır ve enerji tüketimlerini azaltmak ve verimliliklerini arttırmak için sürekli çalışmalar yapılmaktadır. Bir klimanın enerji verimliliği termodinamik çevriminin verimini arttırarak ya da sistemin çalışma parametrelerini yazılımsal olarak en uygun şekilde seçerek arttırılabilir. Verimliliği arttırmak üzere çalışma kısmına geçmeden önce soğutma çevriminden bahsetmek gerekir. Tezin ikinci bölümünde teknoloji tanımı yapılmış ve soğutma çevrimi anlatılmıştır. HVAC, ısıtma, havalandırma ve iklimlendirme sözcüklerinin kısaltmasıdır ve en sondaki iklimlendirme kısmında klimalar yer almaktadır. Klimalar farklı kullanım alanlarına göre isimlendirilebilirler. Ev tipi klima olarak adlandırılan klimalar genellikle ev ve ofis gibi alanları iklimlendirmek üzere kullanılırlar. Genel olarak bir iç ve bir dış üniteden meydana gelirler ve termodinamik olarak prensipte bir soğutma makinesi gibi çalışmaktadırlar. Isı geçişi azalan sıcaklık yönünde olduğundan, bunun tam ters yönde gerçekleşmesini sağlamak yani sıcak bir ortamdan sıcaklığı daha düşük olan bir ortama doğru ısı atmak için böyle bir sistem dışarıdan bir güce ihtiyaç duyacaktır. Bu işlemi gerçekleştirebilmek için soğutma makinesi kullanılabilir. Soğutma makinesi temelde 4 bileşenden oluşur ve kapalı bir çevrim izler. Sistemin içinde dolaşan soğutucu akışkan kompresörün sıkıştırmasıyla enerji kazanarak sistemde yolculuğuna başlar. Sıkıştırılıp basıncı ve sıcaklığı artan soğutucu akışkan, yoğuşturucuya gider ve yüksek sıcaklıkta olduğundan, daha düşük sıcaklıktaki ortama doğru bir ısı geçişi gerçekleşir. Daha sonra kısılma vanasına gider, burada basınç ve sıcaklığı oldukça düşer. Buharlaştırıcıya geldiğinde sıcaklığı oldukça düşüktür ve dış ortamdan ısı geçişi bu kez soğutucu akışkana doğru gerçekleşir. Daha sonra tekrar kompresöre giderek çevrimi sürekli tekrarlar. Böylelikle buharlaştırıcının bulunduğu ortamın sıcaklığı düşürülmüş olur. Klimalar da soğutma makinesi prensibiyle çalışırlar ve bu sistemlerin verimlilikleri ya termal sistemin çalışma noktalarının belirlenmesiyle ya da sistem komponentlerinin değiştirilmesiyle çeşitlendirilir. Bu da klimanın veriminin ya yazılım ya da donanımdan geçtiğini anlatır. Donanımsal parçalar sabit kalmak üzere yazılımsal olarak bir klimanın verimliliğini arttırabilmek için öncelikle klimada verimlilik hesabının yani mevsimsel verimliliğin nasıl hesaplandığının irdelenmesi gerekir. Mevsimsel verimlilik, referans yıllık soğutma değerinin yıllık elektrik tüketimi değerine oranıyla bulunur. Referans yıllık soğutma değeri, klima tasarımı yapılırken, klima için ön görülen tasarım yükü yani klimanın gerekli koşullarda vermesi beklenen kapasite değeri ile bu değerin senelik soğutma saatleriyle çarpılması ile bulunur. Yıllık enerji tüketimi ise klimalar için yalnızca soğutma yaptıkları zaman çektikleri elektrik yükünü değil, hazırda bekleme modundayken, termostat kapalı moddayken ya da karter ısıtıcısı modundayken çektikleri elektrik yükünü de hesaba katar. Bu durumlar için elektrik tüketimi süreleri TS EN 14825 standardınca belirtilmiş olup, standartta geçen veriler hesaplamalarda kullanılmıştır. Mevsimsel verimlilik, esasen tüm yıl boyunca yapılan elektrik tüketimi ve gözlenen verimi içerdiğinden, sene boyunca klima farklı sıcaklıklarda çalışacağından standartta belirtildiği üzere 4 farklı dış ortam sıcaklığında kapasite ve güç tüketimi ölçümü almak gereklidir. 4 farklı dış ortam sıcaklığı için yazılım optimizasyonu gerçekleştirilmiştir. Bunun için kullanılan parametreler, klimanın iç ve dış ünite fan hızları, elektronik kısılma vanasının açıklığı ve kompresör dönme hızıdır. Parametre değişikliklerinin klima kapasitesine ve gücüne verdiği cevabı görmek için deney düzeneği gereklidir. Klima kapasitesi ölçümü için gerekli formülizasyonlar verilmiştir. Deneylerde psikrometrik tip deney odası kullanılmıştır. Bu odalar klimanın çalışmasını simüle edebilmek için bir iç ve dış ortam şeklinde iki kısımdan oluşur. Klimanın iç ünitesi iç ortama dış ünitesi dış ortama kurulur. Her iki ortam da şartlandırılabilir yani istenen kuru ve yaş termometre sıcaklıklarına ayarlanabilir. Bu sıcaklıklar sağlandıktan sonra kapasite ölçümü için iç ünitenin yarattığı hava debisi ve ortam sıcaklığında yarattığı değişim bulunmalıdır. Bu nedenle iç ünite bir hava debisi ölçüm sistemine bağlanır ve kapasite böylelikle hesaplanır. Parametreler birbirinden farklı birimlerde olduğundan normalizasyon yapılmıştır. Minimum maksimum normalizasyon yöntemi kullanılmış ve verim değeri birimsiz bir büyüklük olduğundan normalizasyona dahil edilmemiştir. 3. bölümde makine öğrenmesinin genel tanımı ve soğutma çevrimine uyarlanması incelenmiştir, konuyla ilgili literatür araştırmaları yapılmıştır. Makine öğrenmesi yöntemleri incelenmiştir. Makine öğrenmesi, mevcut verileri kullanarak yani bunları öğrenerek, daha önce hiç görmemiş olduğu veriler hakkında çıkarım yapabilmeyi saylayan bir yöntemdir. Makine öğrenmesi geniş uygulama alanlarına sahiptir ve optimizasyon problemlerine de katkıda bulunur. Makine öğrenmesi soğutma çevriminde genel olarak klimaların çalışma algoritmalarını düzenlemek için kullanılmıştır. Kullanıcı seçimlerinden yola çıkarak sonraki seçimleri kestirme, enerji verimliliği arttırma ve kullanıcı konforu arttırma gibi hedefleri vardır. Makine öğrenmesi yöntemleri içerisinde regresyon, girdiler ve çıktıların arasındaki ilişkiyi inceler. Çıktının girdilerle nasıl değiştiğine dair regresyon denklemleri üretir. Böylelikle daha önce verilmiş verilerden yola çıkarak önceden görmediği bir veri için çıktıyı kestirir. Rassal orman yöntemi de aslında bir regresyon türüdür ve karar ağaçları oluşturarak bir orman yaratır ve bu ormandan en iyi çıktıyı tahmin eder. Yapay sinir ağları, insan beynini ve nöronları taklit eden bir yapıya sahiptir. Kendine verilen örnekleri kullanarak öğrenme işlevini bir insan beyni gibi gerçekleştirir. Yapay sinir ağlarında her bir ağın kendine özgü bir ağırlık değeri vardır ve sakladığı bilgi bu sinir ağının ağırlığı ile orantılıdır. Eksik ve belirsiz bilgilerle dahi rahatlıkla çalışabilen bir yöntemdir. Makine yöntemleri tanıtıldıktan sonra soğutma çevriminde bu yöntemlerin nasıl kullanılacağı anlatılmıştır. Öncelikle 158 adet 4 farklı ortam koşulunda deney gerçekleştirilmiş, bu deneylerin girdileri ve çıktı olarak kapasite değeri normalize edilmiş daha sonra bu verilerin %80'i makine öğrenmesi ile öğrenilmiştir. Verilerin geri kalan %20'si ise öğrenilen kısımdan yola çıkılarak makine tarafından tahmin edilmeye çalışılır ve buna test denir. Sonuç olarak doğrusal regresyon, çok terimli regresyon, rassal orman ve yapay sinir ağları olmak üzere 4 farklı model için kodlar oluşturulmuş, veriler öğrenilmiş, test edilmiş öğrenme ve test sonuçları incelenmiştir. Rassal orman yöntemi bu yöntemler içinde test verilerinin ortalamadan sapmasının en düşük olduğu yöntem olarak belirlenmiştir. Daha sonra bu yöntemlerin her biri için optimizasyon problemi tanımlanmış ve kısıtlar girilmiştir. Verimin maksimum olacağı ve kapasitenin belirlenen aralıklarda kalacağı durumlar için bu kez hem bu noktaları sağlayacak parametreler hem de bu parametrelerin çıktısı olacak sonuçlar 4 farklı yöntem için elde edilmiştir. Elde edilen parametre değerleri normalize değerler olduğundan öncelikle bu değerler tekrar gerçek değerlerine çevrilmiştir. Daha sonra ayarlanabilecek en uygun tam sayıya yuvarlanmışlardır. Parametrelerin verilen değerlerinde deneyler tekrar edilmiştir. Deneylerin gerçekleşen sonuçları ile modellerin tahmin ettikleri sonuçlar kıyaslanmıştır. Modeller arasından en iyi mevsimsel enerji verimliliği değerini rassal orman yöntemi vermiştir. Makine öğrenmesi yöntemleri kullanılmadan önce yapılan deneylerin en iyi sonuçlarının kombinasyonu ile hesaplanan SEER değeri 6,689 iken makine öğrenmesi sonrası bu değer 6,767'ye yükselmiştir. Yıllık enerji tüketimi ise ürün başına 183,14 kW'tan 181,02 kW değerine kadar düşmüştür. Enerji verimliliği optimizasyonu konusunda makine öğrenmesi yöntemlerini kullanan bu çalışmayı geliştirmek için elde edilen sonuçlar tekrar öğrenme verinlerinin içerisine yerleştirilerek sonuçlar git gide iyileştirilecektir.

The need for energy will be indispensable for present and future. Conservation of energy, which is limited in terms of resources, is of great importance. Since energy efficiency is the most practical method of energy saving, this thesis focuses on how energy efficiency can be increased by using machine learning methods for home air conditioners. With the ErP regulation, which came into force in line with the 2020 targets of the European Union, the concept of seasonal energy efficiency came into our lives. This concept is the result of the fact that an air conditioner operates at different energy efficiency values that change continuously in different years as a result of the different loads that it has suffered all year and the different capacities that will occur at various temperatures throughout the year. In hot summer season, the air conditioner will consume more electricity in comparison with early or last days of summer. Considering this diversity of temperature throughout the year, the efficiency measurement for an air conditioner must vary depending on working temperatures. Through the seasonal energy efficiency calculation consumers could get more accurate information about the efficiency of an air conditioner. The use of home air conditioners is increasing day by day and continuous efforts are being made to reduce energy consumption and increase their efficiency. The energy efficiency of an air conditioner can be increased by increasing the efficiency of the thermodynamic cycle or by selecting the operating parameters of the system in the most appropriate way. In order to increase efficiency, it is necessary to talk about the cooling cycle before proceeding to the working principle. In the second part of the thesis, technology definition and cooling cycle are explained. HVAC stands for heating, ventilation and air conditioning, and air conditioning is located in the final part of the term. Air conditioners can be named according to different usage areas. Residential air conditioners generally used to air-condition areas such as home and office. They generally consist of an indoor unit and an outdoor unit, and thermodynamically operate in principle as a cooling machine. Since the heat transfer is in the direction of the decreasing temperature, such a system will need external power to ensure that, this takes place in the opposite direction, which is, to extract heat from a hot environment to a lower temperature. A cooling machine can be used to perform this operation. The cooling machine consists essentially of 4 components and follows a closed cycle. The refrigerant circulating through the system gains energy by compressing the compressor and begins its journey in the system. The refrigerant, which is compressed and increased in pressure and temperature, goes to the condenser and, since it is at high temperature, a heat transfer occurs to the lower temperature medium. It then goes to the expansion valve, where the pressure and temperature drop considerably. When it comes to the evaporator, its temperature is very low and the heat transfer from the outside takes place towards the refrigerant. It then goes back to the compressor and repeats the cycle continuously. Thus, the temperature of the environment where the evaporator is located is reduced. Air conditioners operate on the principle of cooling machines, and their efficiency is varied either by determining the operating points of the thermal system or by replacing the system components. This means that the efficiency of the air conditioner passes either through software or hardware. In order to increase the efficiency of an air conditioner in software with the hardware parts remaining constant, firstly, it is necessary to examine how the air conditioner efficiency calculation is calculated. In order to explain software change, first parameters should be explain in detail. To get to the parameters, first air conditioner structure must be covered. An air conditioner consists of an outdoor unit, an indoor unit and a connection pipe for connecting two units together. Indoor unit consists main parts as an evaporator, a centrifugal fan and a control box for communication with outdoor unit. Outdoor unit also has a control box which consists of all of working algorithm that air conditioner has. Besides the control box, the outdoor unit also has a compressor, a condenser, an electronic expansion valve and a fan. The parameters which effects the efficiency of the air conditioner are actually all of the parts that mentioned above. But since the hardware cannot be changed or modified easily only software is changed for this study. Software consists of indoor fan rotation speed, outdoor fan rotation speed, opening of electronic expansion valve and the compressor rotation speed. So all of these parameters can easiliy be changed and for different combination of these parameters tests were done. Seasonal efficiency is determined by the ratio of the reference annual cooling demand to the annual electricity consumption value. The reference annual cooling demand is calculated by multiplying the design load foreseen for the air conditioner, ie the capacity value expected to be provided by the air conditioner, and the annual cooling hours. The annual energy consumption does not only take into account the electrical charge they draw when air conditioners are cooling, but also the electrical load they take when in standby mode, thermostat off mode or crankcase heater mode. The electricity consumption times for these cases are specified in the TS EN 14825 standard and the data passed in the standard are used in the calculations. Since seasonal efficiency mainly includes electricity consumption and observed efficiency throughout the year, it is necessary to take capacity and power consumption measurements at 4 different outdoor temperatures as specified in the standard since the air conditioner will operate at different temperatures throughout the year. Software optimization was performed for 4 different outdoor temperatures. The parameters used for this are the indoor and outdoor unit fan speeds of the air conditioner, the opening of the electronic expansion valve and the compressor rotation speed. A test setup is required to see the response of the parameter changes to the air conditioning capacity and power. The necessary formulations for air conditioning capacity measurement are given. Psychrometric type test room was used in the experiments. These rooms consist of two parts, one internal and one external, for simulating the operation of the air conditioner. The indoor unit of the air conditioner is installed indoors and the outdoor unit is installed outdoors. Both environments can be conditioned, ie adjusted to the desired dry and wet thermometer temperatures. Once these temperatures have been achieved, the air flow generated by the indoor unit and the change in ambient temperature must be found for capacity measurement. The indoor unit is therefore connected to an air flow measuring system and the capacity is thus calculated. Since the parameters were in different units, normalization was performed. The minimum maximum normalization method was used and efficiency was not included in the normalization since the yield value was a unitless magnitude. In the third chapter, the general definition of machine learning and its adaptation to the refrigeration cycle are examined. Machine learning methods were examined. Machine learning is a method that counts the ability to make inferences about data that it has never seen before by using existing data. Machine learning has a wide range of applications and contributes to optimization problems. Machine learning is generally used to regulate the operating algorithms of air conditioners in the cooling cycle. Based on user choices, it has the goals of predicting the next choices, increasing energy efficiency and increasing user comfort. Within machine learning methods, regression examines the relationship between inputs and outputs. Generates regression equations for how output changes with inputs. Thus, based on the previously given data, the output is estimated for a data that it has not seen before. The random forest method is actually a type of regression and creates a forest by creating decision trees and predicts the best output from this forest. Artificial neural networks have a structure that mimics the human brain and neurons. Using the examples given to ann, ann performs the learning function like a human brain. In artificial neural networks, each network has its own weight value and the information it stores is proportional to the weight of the neural network. It is a method that can work easily even with incomplete and uncertain information. After introducing the machine methods, how to use these methods in the cooling cycle is explained. Firstly, 158 experiments were carried out in 4 different environment conditions, the input value and output capacity of the experiments were normalized and then 80% of these data were learned by machine learning. The remaining 20% of the data is estimated by the machine based on the learned part and is called the test. As a result, codes were formed for 4 different models: linear regression, polynomial regression, random forest and artificial neural networks, data were learned, tested learning and test results were examined. Random forest method has been determined as the lowest deviation of the test data from the average among these methods. Then, optimization problem was defined for each of these methods and constraints were entered. In cases where the efficiency will be maximum and the capacity will remain within the specified ranges, both the parameters that will provide these points and the results that will be the output of these parameters are obtained for 4 different methods. Since the obtained parameter values are normalized values, these values are first converted back to their real values. They are then rounded to the most appropriate integer that can be set. Experiments were repeated in the given values of the parameters. The actual results of the experiments were compared with the predicted results of the models. Among the models, random forest method gave the best seasonal energy efficiency value. While the SEER value calculated by the combination of the best results of the experiments performed before using the machine learning methods was 6,689, this value increased to 6,767 after the machine learning. Annual energy consumption decreased from 183.14 kW to 181.02 kW per product. In order to improve this study, which uses machine learning methods in energy efficiency optimization, the results obtained will be placed in the learning data again and the results will be improved gradually.