Veri kıtlığında ertesi gün soğutma yükü tahmini için konuşlandırılabilir bilgi–veri hibrit modelleri: bir vaka çalışması ve performans doğrulaması

Binanın soğutmasını tahmin etmenin önemi

Kentler büyüdükçe ve sıcak hava dalgaları daha sık hale geldikçe, büyük ofis binaları klima sistemlerine giderek daha fazla bağımlı oluyor. Yarının soğutma talebini önceden bilmek, bina işletmecilerinin elektriği akıllıca satın almasına, soğutucuları verimli çalıştırmasına ve daha fazla güneş ve rüzgâr ekleyen bir elektrik şebekesine destek sağlamasına yardımcı olur. Yine de en yeni ve en verimli binaların genellikle işletmeye başlama ilk aylarından çok az veri bulunur; bu da standart yapay zeka araçlarının soğutma ihtiyaçlarını güvenilir şekilde tahmin etmesini zorlaştırır.

Sınırlı verinin yarattığı zorluk

Birçok mevcut tahmin aracı binayı kara kutu gibi ele alır. Geçmiş enerji kullanımı, hava koşulları ve programlar beslenir; bir öğrenme algoritması desenleri arar. Bu veri düşkünü modeller, yıllara yayılan yüksek kaliteli kayıtlar bulunduğunda iyi çalışabilir. Ancak yeni veya yeni yenilenmiş bir binada yalnızca kısa bir geçmiş vardır. Bu koşullarda, saf veri odaklı modeller sınırlı verideki tuhaflıklara takılma, ani talep sıçramalarını kaçırma ve günler arasında büyük dalgalanmalar gösteren tahminler verme eğilimindedir. Bu, özellikle işletmecilerin soğutma ekipmanını planlayıp elektrik piyasasıyla etkileşime 24 saat önceden girmek zorunda olduğu ertesi gün planlaması için sorunludur.

Basit fiziği modern öğrenmeyle harmanlamak

Çalışma, ayrıntılı fizik simülasyonları ile saf veri madenciliği arasında pratik bir orta yol sunuyor. Binadaki her ısı kaynağını modellemeye çalışmak yerine, yazarlar çoğu binada zaten bulunan bilgilerden hesaplanabilecek iki katkıya odaklanıyor: dışarıdan gelen taze havayla taşınan ısı ve duvarlardan ile pencerelerden sızan ısı. Temel ısı transferi formüllerini kullanarak, hava tahminlerini, cam özelliklerini ve havalandırma programlarını bu yüklerin kaba, fiziksel açıdan mantıklı tahminlerine dönüştürüyorlar. Bu tahminler ölçülmüş soğutma talebinin yerini almaz; bunun yerine konvolüsyonel ve tekrarlayan ağ katmanlarını birleştiren bir derin öğrenme modelini yönlendiren ek girdiler olarak eklenir.

Hibrit fikri gerçek bir ofis kulesinde test etmek

Yaklaşım, modern cam cepheli ve merkezi soğutma sistemine sahip, Çin’in Hangzhou kentindeki 23 katlı bir ofis binasında test edildi. Araştırmacılar bir soğutma sezonuna ait saatlik verileri, toplamda yaklaşık 4.300 saati kullandı ve ardından her modelin eğitim sırasında görebileceği geçmişi yapay olarak kısıtladı. Bazı testlerde modeller yalnızca verinin %10’undan öğrenebilirdi; bu da biraz fazla iki haftalık kayda denk geliyordu. Tahmincinin dört versiyonu arasında, üçü fizik temelli taze hava veya duvar ve pencere yüklerini yönlendirici sinyal olarak kullandı; dördüncü ise sadece geçmiş soğutma ve hava verilerine dayandı. Tüm modeller ertesi günün saat saat soğutma profilini tahmin etmeye çalıştı.

Daha doğru ve daha istikrarlı tahminler

Eğitim verisi kıt olduğunda yaklaşımlar arasındaki farklar belirgindi. Yalnızca verinin %10’una erişildiğinde saf veriyle çalışan model genellikle çalışanların gelişine bağlı sabah hızlı artışını kaçırdı ve sıcak öğleden sonra zirvelerini küçümsedi. Hataları, hangi günlerin eğitim için kullanıldığına bağlı olarak büyük ölçüde değişti. Buna karşılık, üç hibrit versiyonun tümü zirvelerin zamanlamasını ve yüksekliğini çok daha yakın takip etti ve hatalarında çok daha az saçılma gösterdi. Ortalama olarak, hibrit modeller tipik tahmin hatasını yaklaşık yarıya indirdi ve hataların yayılımını temel modele kıyasla neredeyse bir mertebe azalttı. Sadece taze hava yükünü ek bilgi olarak kullanan en basit varyant, doğruluk, kararlılık ve kurulumu kolaylığı açısından özellikle çekici bir denge sundu.

Gerçek binalar için bunun anlamı

Bina sahipleri ve enerji yöneticileri için ana mesaj, biraz fiziğin çok şey kazandırdığıdır. Taze hava ve bina kabuğunun soğutma ihtiyacına nasıl katkıda bulunduğuna dair basit, hesaplaması kolay tahminleri bir öğrenme modeline katmak, tarihsel verilerin hâlâ az olduğu işletmenin ilk aylarında bile faydalı ertesi gün tahminleri elde etmeyi mümkün kılar. Çalışma, bu bilgi-veri hibrit yaklaşımının aşırı uyumla mücadele edebileceğini, eğitim maliyetlerini makul tutabileceğini ve soğutucu ve depolama planlaması için güvenilir rehberlik sağlayabileceğini gösteriyor. Basitçe söylemek gerekirse, temel mühendislik içgörüsünü modern veri araçlarıyla birleştirmek, binaların konforunu korumasına, israfı azaltmasına ve değişen bir şebekeyle daha uyumlu çalışmasına yardımcı olur.

Atıf: Chen, J., Sun, T., Zhang, Y. et al. Deployable knowledge–data hybrid models for day-ahead cooling load prediction under data scarcity: a case study and performance validation. Sci Rep 16, 15079 (2026). https://doi.org/10.1038/s41598-026-45325-3

Anahtar kelimeler: soğutma yükü tahmini, bina enerjisi, hibrit modelleme, veri kıtlığı, derin öğrenme