Tesisat Dergisi 328. Sayı (Nisan 2023)

65 TESİSAT • Nisan / 2023 ÇEVİRİ MAKALE bölgesel ısıtmaya (networks toward low-temperature DH (LTDH)) dönüştürülmesi için baskılar artmaktadır. Dijital- leşme ve akıllı enerji sistemlerine genel bir geçiş ve şehirler böyle LTDH ağlarına bağlı son kullanıcılarla (binalarla) entegrasyon, iletişim ve işbirliği için daha yüksek şartlar ısmarlamaktadır. Sonuç olarak LTDH ağlarının gelecek nesil- leri, (4. ve 5.), düşük çalışma sıcaklıkları ve son kullanıcılarla (binalarla) ve bina ölçüsünde yenilenebilir enerji kaynakla- rıyla daha büyük çapta entegrasyon özelliğine sahip olacaktır. Ancak, bu tür entegrasyonların nasıl işletileceği hala ısıtma yüklerinin kapsamlı bir anlaşılması temeline dayanmaktadır. Ağı ölçmek ve kontrol etmek için dijital çözümler aralıklı olarak yenilenebilir enerji ve ısı pompaları kullanımıyla daha yüksek dereceli sistem optimizasyonlarna (iyileştirmelerine) imkân sağlayacaktır. Bunun anlamı ısıtma yüklerinin kısa vadeli tahminlerinin önemli olduğudur. Ancak eskiden kalan tüm kontrol sistemlerinin güncellenmesi çok pahalı ve uzun bir süreçtir. Hala hangi araçların mevcut olduğu ve bu yön- temlerin LTDH uygulamalarındaki yük tahminleri için kul- lanılmaları hakkında daha fazla bilgi için acil ihtiyaç vardır. Aynı zamanda, bu geçiş dönemi içinde mevcut ölçme (sayaç) sistemlerini kullanarak mevcut DH sistemleri üzerinde çalı- şabilecek iyileştirme ve çözümler için hala imkân vardır. DH yük tahminlerini araştıran çalışmalarda, ısıtma yüküyle dış hava sıcaklığıyla ilgili olarak güçlü doğrusal ilişki nedeniyle çok sayıda yöntem doğrusal regresyon modelle- rine dayanmaktadır. Mevcut yöntemler, bu tür tahminleri yaparken genellikle veri güdümlü yaklaşımları kullanmanın, makine öğrenmesi modelleri (machine learning (ML)) gibi, tüm üstünlüklerini kullanmamaktadır. Hatta ilgili alan- lardaki sınırlı sayıdaki yayın içinde hala makine öğrenmesi yaklaşımının sağlayacağı anahtar konumda hangi avantajlar olduğu ve eldeki sınırlı veri seti girdileriyle, nereye kadar doğruluk seviyelerinin ölçü ile belirlenebileceği çok açık değildir. Bu çalışma yukarıda işaret edilen zorluklar için bir uygulama getirmektedir. Bu çalışmada, bölgesel ısıtma son kullanıcıları için mev- cut sayaç verileri ve meteorolojik veriler kullanarak, bölgesel Isıtma sistemi (DH) son kullanıcılarının gün öncesinden saatlik çözümlerle ısıtma taleplerini tahmin etmek için, ML yöntemleri geliştirilmiştir. Geçmişe ait verilerin önemi– özel- likle tahmin modeline geçmişe ait saatlik yüklerinde bir girdi olarak dâhil edilmesinin önemi-araştırılmıştır. İlave olarak geçmişe ait verilerin farklı uzunluklarının etkisi incelen- miştir. Bu tarz modellerin ve kullanılabilirliği ve doğruluğu bir İskandinav ortamındaki gerçek durumdan elde edilen verilerle değerlendirilmiştir. Kısa dönem yük tahmin yön- temlerinin doğruluk seviyelerinin ayrıntılı bir analizi odak altına alınmıştır. Metodoloji Çalışma, iki aşamalı bir yaklaşımın kombinasyonlarını uygular: Adım 1. Bölgesel Isıtma (DH) ağının tam olarak anla- şılması ve yıllık bazda bina yükü, bir başka ifadeyle yük profilleri. Bu DH ağlarının genel bir görünümünü ve sınır koşullarını verir. Adım 2. DH yük profili tanımlarına dayanarak, bir gün öncesi tahmin modelleri geliştirilmiştir. Modelin esası Yapay Sinir Ağıdır(Artificial Neural Network (ANN)), giriş parametreleri değiştirilerek ve Bölgesel ısıtma veri grubu kullanılarak eğitimi yapılmış ve değerlendirilmiştir. Modellerin performansını ölçmek ve değerlendirmek için, 2019 test verilerini kullanarak (bunlar eğitim sırasında modeller tarafından görülmemiştir) Ortalama Kare Hatası (Mean Squared Error (MSE)) ve Ortalama Mutlak Hatanın (Mean Absolute Error (MAE)) ikisi de her model için eğitim tamamlandıktan sonra kaydedilir. Veri envanteri Isıtma yükü İskandinavya ikliminde, tümü Trondheim Norveç’te bulunan 20 ayrı bakım evinde ölçülmüş ve toplan- mıştır. Tüm bu binalar ayni Bölge Isıtması sistemine bağlıdır. Ölçümler ağ operatörünün ölçme cihazlarından doğrudan elde edildi. Veriler 1 Ocak 2016 ile 31 Alalık 2019 arasına yayılan zaman diliminde binaların her birinin saatlik ısıtma yüklerini içermektedir ve Trondheim Belediyesinin enerji izleme platformundan alınmıştır [9]. Modelin konstrüksiyonu ve değerlendirmesi için, her saat 20 bina boyunca her metre kare için ısıtma yükü (W/ m²) hesaplanmıştır. Veriler karşılık gelen dönem için Tron- dheim’daki Norveç meteoroloji istasyonundan alınan saatlik dış hava sıcaklıklarıyla birlikte alınmıştır. Yük profilinin geliştirilmesi Yük profili, çalışmadaki bir enerji imzası eğrisi (energy signature curve (ES))kullanılarak tanımlandı. Bu yöntem ısıtma sistemlerinin planlama ve boyutlandırma maksatları için yaygın olarak kullanılmaktadır. Bir ES eğrisinde sıcak- lığa bağlı bir kısım ve birde sıcaklıktan bağımsız bir kısım bulunur, bu da değişme noktası sıcaklığı (changing point temperature (CPT)) veya ısıtma efektif (etkin) sıcaklığıyla bölünmüştür ve şu şekilde tarif edilir: