Kamu binalarında HVAC sistemlerinde enerji verimliliği ve optimizasyonu

Abstract

Bu çalışmada amaç, Balıkesir Büyükşehir Belediyesi Fen İşleri Dairesi Başkanlığı hizmet binasındaki Isıtma, Havalandırma ve İklimlendirme (HVAC) sistemlerinin enerji tüketimini, konfor optimizasyonu stratejilerinden yararlanarak tahmin etmektir. Çalışanlara uygulanan eşzamanlı ısıl konfor anketleri ve cihaz ölçümleri ile gerçek memnuniyetsizlik düzeyleri (APD) belirlenmiş ve bu sonuçlar dikkate alınarak dinamik mevsimsel ısıl konfor bantları hesaplanmıştır. Bina, DesignBuilder yazılımında modellenip gerçek fatura verileriyle kalibre edilmiştir. Doğrulanan bu dijital ikiz üzerinde yürütülen fiziksel simülasyon senaryolarında; %90 kazan verimi ve 4,5 COP değerinin eşzamanlı uygulandığı durumda toplam enerji tüketiminde yüksek düzeyde makro tasarruf potansiyeli saptanmıştır. Söz konusu optimizasyon stratejileri kapsamında bina kazan verimi , soğutma performans katsayısı (COP), hava değişim oranı (ACH) ve iç ortam sıcaklık ayar noktaları dikkate alınarak Waikato Environment for Knowledge Analysis (WEKA) platformu üzerinde çok boyutlu veri setleri üretilmiş; Çok Katmanlı Algılayıcı (MLP) ve Destek Vektör Regresyonu (SMOreg) algoritmalarıyla öğrenme modelleri oluşturulmuştur. Sonuç olarak; hesaplanan hata metrikleri karşılaştırıldığında, toplam enerji tüketimi tahmininde SMOreg algoritmasının 2,4414 ortalama mutlak hata (MAE) ve 4,6326 kök ortalama kare hata (RMSE) ile MLP ağlarından daha kararlı sonuçlar verdiği kanıtlanmıştır.The aim of this study is to predict the energy consumption of the Heating, Ventilation, and Air Conditioning (HVAC) systems in the service building of the Department of Public Works of Balıkesir Metropolitan Municipality by using comfort optimization strategies. Actual Percentage of Dissatisfied (APD) values were determined through simultaneous thermal comfort surveys and instrumental measurements conducted with building occupants, and dynamic seasonal thermal comfort bands were calculated based on these results. The building was modeled in the DesignBuilder software and calibrated using actual billing data. In the physical simulation scenarios conducted on this validated digital twin, a high-level macro saving potential in total energy consumption was determined when 90% boiler efficiency and a COP value of 4.5 were applied simultaneously. Multidimensional datasets were generated on the Waikato Environment for Knowledge Analysis (WEKA) platform based on these optimization strategies, considering boiler efficiency (0.70–0.95), cooling coefficient of performance (COP 2.5–4.0), air change rate (ACH 0.7–3.0), and indoor temperature setpoints (22–24 °C), and learning models were developed using Multilayer Perceptron (MLP) and Support Vector Regression (SMOreg) algorithms. As a result, comparing the calculated error metrics proved that the SMOreg algorithm yielded more stable results than MLP networks in predicting total energy consumption, with a Mean Absolute Error (MAE) of 2.4414 and a Root Mean Square Error (RMSE) of 4.6326.