Tesisat Dergisi 328. Sayı (Nisan 2023)
70 TESİSAT • Nisan / 2023 modellerinde geçmişe ait ısıtma yüklerinin kullanılmasının önemini göstermektedir. Ancak, genellikle geçmişe ait saatlik dış hava sıcaklığı değerleri kamunun kullanabileceği şekilde mevcutken, birçok durumda geçmişe ait ısıtma yükü bilgileri büyük gecikmelerle, o da eğer bulunabilirse, zayıf zaman bil- gileriyle mevcuttur. Ek olarak sonuçlar, geçmişin daha uzun dönemlerine ait sonuçların, 24 saatten öncekilerden daha eski verilere erişmek zayıf olasılıkta görülmesine rağmen, önemini göstermektedir. Geçmişe ait kayıtlar için en uygun bitiş tarihi ısıl ataletteki farklar nedeniyle muhtemelen farklı bina türleri arasında farklılık gösterecektir. Modellerin performansının, ölçülen gerçek dış ortam sıcaklığını, takip eden 24 saatlik tahmin için öngörülen dış ortam sıcaklığı olarak kullanılarak değerlendirdiği unutul- mamalıdır. Pratik uygulamalarda, bu tahmin genellikle hatalı olacaktır. Bu tür hatalar, bu çalışmada gözlemlenenden daha düşük performansa yol açacaktır. Bu nedenle, temel modelin mümkün olduğunca doğru olması, bu tür yanlışlıkların model içindeki yayılmasını azaltmak için önemlidir. SONUÇLAR Bu çalışma, dış hava sıcaklığı ile ısıtma yükü arasında güçlü bir doğrusal ilişki olmasına rağmen, gelecekteki ısıtma yüklerinin tahmini için geçmiş ısıtma yüklerinin bir girdi olarak dâhil edilmesinin hala önemli olduğunu göstermek- tedir. Doğruluk seviyeleri, giriş parametresi varyasyonlarına sahip ANN modelleri kullanılarak ölçülür. Ayrıca, sonuçlar, en azından önceki 24 saatlik geçmiş verileri dâhil etmenin önemli olduğunu göstermektedir, ancak bundan daha fazla geriye doğru verileri dâhil etmenin azaltılmasını önermek- tedir. Bu çalışmada geliştirilen modeller, gerçek bir kullanım durumundan elde edilen fiili olarak ölçülmüş veriler üzerinde değerlendirilmiş ve bu tür tahmin modellerinin pratik fizi- bilitesini göstermiştir. n [1] U. N. Environment, “2020 Global StatusReport for Buildings and Construction. ”https://globalabc.org/ news/launched-2020-global-status-report-buildings-and-construction (accessed Nov. 15, 2021). [2] K. Lygnerud, S. Werner, and etc., “Low-Temperature District Heating Implementation Guidebook. IEA DHC Report; 2021,” p. 206. [3] M. Lumbreras et al., “Data driven model forheat load prediction in buildings connected to District Heating by using smart heat meters,” Energy, vol. 239, p. 122318, Jan. 2022, doi: 10.1016/j.energy.2021.122318. [4] B. Talebi, F. Haghighat, and P. A. Mirzaei, “Simplified model to predict the thermal demand profile of districts,” Energy and Buildings, vol. 145,pp. 213–225, Jun. 2017, doi: 10.1016/j.enbuild.2017.03.062. [5] P. Xue, Y. Jiang, Z. Zhou, X. Chen, X. Fang, andJ. Liu, “Multi-step ahead forecasting of heat load indistrict heating systems using machine learning algorithms,” Energy, vol. 188, p. 116085, Dec. 2019,doi: 10.1016/j.energy.2019.116085. [6] Y. Lu, Z. Tian, P. Peng, J. Niu, W. Li, and H.Zhang, “GMM clustering for heating load patterns in-depth identification and prediction model accuracyimprovement of district heating system,” Energy andBuildings, vol. 190, pp. 49–60, May 2019, doi:10.1016/j.enbuild.2019.02.014. [7] J. Song, L. Zhang, G. Xue, Y. Ma, S. Gao, and Q.Jiang, “Predicting hourly heating load in a districtheating system based on a hybrid CNN-LSTM model,”Energy and Buildings, vol. 243, p. 110998, Jul. 2021, doi: 10.1016/j.enbuild.2021.110998. [8] D. Koschwitz, J. Frisch, and C. van Treeck,“Data-driven heating and cooling load predictions fornon-residential buildings based on support vectormachine regression and NARX Recurrent Neural Network: A comparative study on district scale,”Energy, vol. 165, pp. 134–142, Dec. 2018, doi:10.1016/j. energy.2018.09.068. [9] “iEOS -Planning. ”https://www2.esave.no/Esave.nsf/iEOS_Hovedbilde.xsp (accessed Feb. 24, 2021). [10] “Norsk Klimaservicesenter.” https://seklima.met.no/observations/ (accessed Feb. 24, 2021). [11] D. Ivanko, H. T. Walnum, and N. Nord,“Development and analysis of hourly DHW heat useprofiles in nursing homes in Norway,” Energy and Buildings, vol. 222, p. 110070, Sep. 2020, doi:7 of 8 10.1016/j. enbuild.2020.11007 Kaynaklar ÇEVİRİ MAKALE
Made with FlippingBook
RkJQdWJsaXNoZXIy MTcyMTY=