Prediction Of The Heating Season Indoor Thermal Data Based On Short-term Measurement

Abstract

This thesis aims to predict the heating season indoor thermal comfort data in the Kartal elderly home, which is 8 stories building with 18,108 m2 conditioned floor area in Istanbul, Turkey. The aim of this prediction is providing full heating season's thermal comfort dataset by using short-term measured data while the heating system is performing. The heating season of the building was evaluated by defining a critical monthly heating consumption, which was 250 MWh per month, and select the period when the building monthly consumption exceeds this value to be the heating season. Based on it the heating season was evaluated to be between November 15th and March 21st. The prediction work was done using two machine learning based models. The targeted dependent variables of the model were the indoor temperature and relative humidity. The independent input variables of the prediction were selected to be the outside dry-bulb temperature, outside dew-point temperature, wind speed, wind direction, atmospheric pressure, and solar azimuth, which obtained from the weather data, in addition to the simulation resulted in heating consumption. The dependent variables data was obtained by real measurements into the Kartal building. The measurements were done using 4 sensing devices implemented in four points inside the building. The first device was implemented in a basement room, the second in the 3rd floor room, the third in the 1st-floor level lobby and the last one was implemented in the ground floor lobby. The measurement process had been done during one year started by February 22nd, 2018. Short -term measured data had been collected since the measured started until the first heating season ended, these short-term data had been used in the prediction models training phase. The measured data of the second heating season which started on November 15th, 2018 had been compared with prediction results to decide the validity of the prediction models in term of accuracy. The first prediction approach was the feed forward Artificial Neural Network (ANN) with Back Propagation learning System (BPS). The ANN model was used to perform the prediction and it was structured by an input layer, output layer, and one hidden layer. Four ANN model was performed, each model used to predict the temperature and humidity of one of the four points in the building. The second prediction approach was the Adaptive Neuro-Fuzzy Inference System (ANFIS). The Sugeno ANFIS method was utilized in this prediction work. The ANFIS model was structured by 6 layers. Eight ANFIS models were performed to achieve the prediction, each model used to predict one of the targeted variables in one of the four selected points. The prediction results were compared with the measured data of the second heating season. The comparison showed that the ANFIS model was more efficient in this prediction work since it achieved 85% accuracy rate for indoor temperature and 81% for humidity prediction. While the ANN prediction accuracy was 81%, 80% relatively for the temperature and humidity. Then the comparison was scaled by selecting the most ordinary period in the measured data to be the data sample which will be used the comparison. The second comparison showed again that ANFIS model was a better fit than ANN model in this prediction work since the ANFIS prediction accuracy became 88% for temperature and 90% for humidity, while the ANN prediction accuracy became 83% for temperature and 87% for humidity. However, the stochasticity of the measured data which caused by the bad performance of the heating system in some periods, influenced the accuracy rates of the models since it was calculated by comparing the prediction results to the measured data. Hence, according to the achieved accuracy rates, both of the ANFIS and ANN approaches are highly validated in this type of prediction work.

Termal çevre, binanın konfor seviyesini iyileştirmek için en önemli faktör olduğundan binanın enerji performansının ve verimliliğinin ana endeksidir ve herhangi bir binada uygulanan sistemlerin çoğunun temel görevi, konforlu bir iç ortam sağlamaktır. Bu nedenle, binanın enerji tüketiminin çoğu ısıtma veya soğutma içindir. Bu sebeple, iç ortam konfor seviyesini yönetmek ve sürdürmek için sıcaklık ve nem gibi bazı konfor koşullarını yönetmek gerekir. Termal konfor koşullarının ölçülmesi ve doğrulanması ve normal şartlar altında enerji tüketimi üzerindeki etkisi, tüm ısıtma ve soğutma mevsimleri için yaklaşık 1-2 yıl sürer. Saatlik, günlük, aylık ve mevsimsel verilere dayanarak iç mekan termal ortamının dikkatlice tanımlanmasını gerektirir. Bu uzun süre ısıtma ve soğutma sistemlerinin performansını vermez kılan ölçüm ve doğrulama işlemlerini yapar. Her ne kadar ısıtma ve soğutma sistemleri kullanımdayken binanın ısıl çevresini incelemek, düşük sistem performansına neden olabilecek herhangi bir sorunu rapor etme ve çözme imkanı sağlar. Kısa vadeli ölçülen verileri kullanarak bir binanın iç mekan termal koşullarını tahmin etmek, ölçümler bina içindeki sistemler gerçekleştirilirken belli bir sürede yapıldıysa, binanın termal ortamını incelemek ve anlamak için etkili bir yol olabilir. Bu öngörülen veriler binadaki enerji yönetimini desteklemek için yararlı bir araç olabilir. Bu tezin amacı koşullandırılmış alanı 18,108 m2 olan İstanbul, Türkiye'de bulunan Kartal yaşlı bakım evinde ısıtma sezonu için iç ortam termal konfor verilerini tahmin etmektir. Bu tahminin amacı ise ısıtma sistemi çalışırken elde edilen kısa vadeli ölçüm verilerini kullanarak tüm ısıtma sezonu için termal konfor veri setini sağlamaktır. Binanın ısıtma sezonu 250 MWh olan bir aylık ısıtma tüketimi tanımlanarak değerlendirilmiş ve binanın aylık ısıtma tüketiminin bu değeri aştığı dönem ısıtma sezonu olacak şekilde seçilmiştir. Buna dayanarak, ısıtma mevsimi 15 Kasım ile 21 Mart arasında olduğu belirlenmiştir. Tahmin çalışması iki farklı makine öğrenmesi yaklaşımı kullanılarak yapılmıştır. Tahmin çalışmasında kullanılan yaklaşımların hedeflenen bağımlı değişkenleri iç ortam sıcaklığı ve bağıl nemdir. Tahminin bağımsız girdi değişkenleri ise dış ortam kuru ampul sıcaklığı, dış ortam çiğlenme noktası sıcaklığı, rüzgar hızı, rüzgar yönü, atmosferik basınç, hava durumu verilerinden elde edilen solar azimut, ve ayrıca simülasyon sonuçlu ısıtma tüketimi olarak seçilmiştir. Bağımlı değişken verileri Kartal binasında gerçek ölçümler sonucu elde edilmiştir. Ölçümler, binanın içinde dört farklı noktaya yerleştirilen dört ölçüm cihazı kullanılarak yapılmıştır. Ölçüm cihazlarının ilki bodrum katına, ikincisi üçüncü katta bulunan bir odaya, üçüncüsü birinci katta bulunan lobiye, sonuncusu ise zemin katta bulunan lobiye yerleştirilmiştir. Ölçüm süreci, 22 Şubat 2018'de başlamış ve bir yıl boyunca yapılmıştır. İlk ısıtma sezonu sonlanana kadar ölçümler başladığı için kısa süreli veriler toplanmıştır. Bu kısa süreli veriler tahmin modellerinin eğitim aşamalarında kullanılmıştır. 15 Kasım 2018'de başlayan ikinci ısıtma sezonunun ölçüm verileri, tahmin modellerinin doğruluğu açısından geçerliliğine karar vermek için tahmin sonuçlarıyla karşılaştırılmıştır. İlk tahmin yaklaşımı, Back Propagation Öğrenme Sistemine (BPS) sahip ileri besleme Artificial Neural Network (ANN) idi. ANN modeli kullanılmış ayrıca bir giriş katmanı, bir çıkış katmanı ve bir gizli katman tarafından yapılandırılmıştır. Dört ANN modeli oluşturulmuştur, her bir model binadaki dört noktadan birinin sıcaklığını ve nemini tahmin etmek için kullanıldı. Kullanılan ikinci tahmin yaklaşımı ise Adaptive Neuro-Fuzzy Inference System. Tahmin için Sugeno ANFIS yöntemi kullanılmıştır. ANFIS modeli 6 katman ile yapılandırılmıştır. Tahmini gerçekleştirmek için sekiz ANFIS modeli gerçekleştirilmiştir ve her bir model seçilen dört noktadan birinde hedeflenen değişkenlerden birini öngörmek için kullanılmıştır. ANFIS'i kullanmanın temel nedeni, ısıtma sistemi stokastik performansı nedeniyle açıkça ortaya çıkan ölçülen verilerin belirsizliğinden kaçınmaktı. Verilerin, ANN tahmininde, ölçülen verilerdeki sesleri azaltmak için kullanılmak üzere filtrelenmesine rağmen, ısıtma sistemi performansının stokastikliğinin, ANN tahmininde sakınılması zordu. Tahmin sonuçları, ikinci ısıtma mevsiminin ölçülen verileri ile karşılaştırılmıştır. Sıcaklık için ANN tahmin hataları, dört noktadaki nem için 1.5 ila 5.2 arasında ve 6.8 ila 10.5 arasında değişmiştir. ANFIS tahmin hataları, sıcaklık tahmin hataları 14 ile 4 arasında olduğundan ve nem için tahmin hataları 5.8 ile 10.4 arasında olduğu için farklılıkları da tanıdı. Bu sonuçlar, ANN ve ANFIS modellerinin, ölçülen verilerin daha az değişiklikle daha stabil olduğu noktada minimum hata oranıyla en iyi tahminde bulunduğunu göstermiştir. Karşılaştırma, ANFIS modelinin bu tahmin çalışması için daha verimli olduğunu göstermiştir, çünkü ortam sıcaklığı ve nem tahmininde %85 ve %81 oranında doğruluk ANFIS modeli ile elde edilmiştir. ANN yaklaşımıyla sıcaklık tahminin doğruluk oranı 81% iken, nem tahmini doğruluk oranı %80'dır. Stokastiklik, ölçülen ve öngörülen veriler arasındaki karşılaştırmayı ve hem ANFIS hem de ANN modellerinin tahmin doğruluğunu etkiledi. Bu etkiden kaçınmak için, öngörülen verilerle karşılaştırılacak bir örnek olarak ölçülen verinin en sıradan süresi seçilerek ve ardından seçilen örneğe dayanan doğruluk sağlayarak karşılaştırma ölçeklendirildi. İkinci karşılaştırma, ANFIS modelinin, bu tahmin çalışmasında ANN modeline göre daha uygun olduğunu, çünkü ANFİS tahmin doğruluğunun sıcaklık için %88 ve nem için %90, ANN tahmin doğruluğunun sıcaklık için %83 ve nem için %87 olduğunu göstermiştir. Isıtma sisteminin bazı periyotlarda kötü performans göstermesinden kaynaklanan ölçüm verilerinin stokastikliği göz önünde bulundurulmuştur. Tahmin sonuçları ölçülen verilerle karşılaştırılarak hesaplandığı için ölçüm verilerinin stokastikliği modellerin doğruluk oranlarını etkilemiştir. Bu nedenle, elde edilen doğruluk oranlarına göre, hem ANFIS hem de ANN yaklaşımlarının her ikisi de bu tür bir tahmin çalışmasında oldukça geçerli olmaktadır. Bu çalışma sonuçları ileriki çalışmalar için farklı yönlere gitme fırsatı sunmaktadır. Sonuçlar, gerçek zamanlı kalibrasyon yapmak ve beklenmeyen sonuçları bildirmek için bina içinde uygulanan izleme sistemini destekleyebilir, bu rapor binanın içindeki konfor seviyesinin iyileştirilmesine yardımcı olabilir. Tahmini sonuçlar ayrıca, belirlenmiş noktaları iyileştirerek binanın enerji performans simülasyonunun doğruluğunu kalibre etmek ve geliştirmek için bir endeks olarak da kullanılabilir.