A data-driven approach for predicting solar energy potential of buildings in urban fabric
Kent dokusu içindeki binaların güneş enerjisi potansiyelini tahmin etmeye yönelik veriye dayalı bir yaklaşım
- Tez No: 749204
- Danışmanlar: DOÇ. DR. İPEK GÜRSEL DİNO, DR. ÖĞR. ÜYESİ ÇAĞLA AKGÜL
- Tez Türü: Yüksek Lisans
- Konular: Mimarlık, Architecture
- Anahtar Kelimeler: Binalar, Fotovoltaik, Güneş enerjisi, Kent dokusu, Makine öğrenmesi, Buildings, Photovoltaic, Solar energy, Urban texture, Machine learning
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mimarlık Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Binaların çevresel etkilerini azaltmak ve kentlerde iktim değişikliğini önlemek için temiz ve sürdürülebilir enerji kaynakları kullanan verimli binalara ihtiyaç duyulmaktadır. Binalar, güneşe maruz kalma kapasiteleri ile güneş enerjisini hasat etmede büyük potansiyele sahiptir. PV teknolojilerindeki gelişmeler de bu sistemlerin mimari uygulamalara entegrasyonunu teşvik etmektedir. Ancak, kentsel bağlamlar yapı kabuğunu gölgeleyerek ve binaya entegre PV (BIPV) sistemleri için kullanılabilir alanı azaltarak binaların güneş enerjisi üretim kapasitesini sınırlayabilir. Kent formunun binaların güneş enerjisi potansiyeline etkisini anlamak için kentsel ölçekte analizlere ihtiyaç vardır. Fakat, kentsel ölçekte analizler, detaylı modelleme ve ihtisas gerektirir. Bu gereklilikler bina tasarım sürecinde veya sonrasıda sırasında mevcut olamayabilir. Bu tez, makine öğrenmesi (ML) tekniklerini kullanarak cephe ve çatı yüzey alanı başına BIPV enerji üretimini tahmin etmek için veriye dayalı bir yaklaşım sunar. İlk adım olarak, Ankara ilindeki farklı sokak ağı örüntüsüne sahip dört mahalleye simülasyon tabanlı veri üretme yöntemi uygulanmıştır. Üç ML modeli seçilmiş ve simülasyon verileriyle eğitilmiştir. Basit ve karmaşık olmak üzere iki öngörücü grubu oluşturularak, çeşitli bağlamlarda tahminlemeye olanak sağlanmıştır. Genel olarak, cepheler için en iyi tahmin modeli 0,98 R2 ve %10,83 nRMSE değerlerine sahiptir. Çatılar için en iyi R2 ve nRMSE sırasıyla %0,94 ve %3,13 değerlerine ulaşmıştır. Karmaşık öngörücüler daha iyi performans tahmini sağlarken basit öngörücüler üç boyutlu modelden bağımsız olarak BIPV potansiyelinin tahmin edilmesini sağlamaktadır. Farklı mahalleler için tahmin performanslarında gözlemlenen çeşitlilikler, BIPV potansiyelini tahmin etmede kentsel morfolojiyi gözeten yaklaşımlara olan ihtiyacı işaret etmektedir.
Özet (Çeviri)
Energy-efficient buildings that use clean and sustainable energy sources are urgently needed to reduce the environmental impact of buildings and mitigate climate change in cities. Buildings have great potential in harvesting solar energy by their solar exposure capacity. Developments in PV technologies also encourage the integration of PV systems into architectural applications. However, urban contexts can limit solar energy generation capacity of buildings by shading building envelopes and reducing available space for building-integrated PV (BIPV) deployment. Urban scale analyses are needed to understand the impact of urban form on solar energy generation potential. Nevertheless, urban scale analyses require tedious modeling and expertise, which may not be available during building design development or post-occupancy. This thesis presents a data-driven approach for predicting BIPV generation per façade and roof surface area utilizing machine learning (ML) techniques. As a first step, a simulation-based data generation method is applied to four neighborhoods in Ankara, representing different street network patterns. Three ML models are utilized and trained with simulation outputs. Two groups of predictors, simple and complex, are formed to allow predictions in various contexts. Overall, the best prediction model for facades has an R2 value of 0.98 and nRMSE of 10.83%. For roofs, R2 and nRMSE could reach up to 0.94 and 3.13%, respectively. Complex predictors offer better prediction performances, whereas basic predictors enable the prediction of BIPV potential independent of a 3D model. Varieties observed in prediction performances for different neighborhoods also imply the need for urban morphology inclusive approaches in predicting BIPV potential.
Benzer Tezler
- Hava tahmin modelleri ve yüzdelik dilim regresyonu temelli hibrit güneş enerjisi öngörü sistemi geliştirilmesi ve uygulamaları
Development and applications of a hybrid solar energy forcasting system integrating weather models and quantile regression
AYŞEGÜL BİÇER
Yüksek Lisans
Türkçe
2026
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET DURAN ŞAHİN
- Makine öğrenimi teknikleri kullanarak güneş radyasyon tahmini ile entegre edilmiş optimum ev enerji yönetim sistemi tasarımı
Design of an optimal home energy management system integrated with solar radiation forecasting using machine learning techniques
MUHAMMED ŞAMİL ÇİMEN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİzmir Bakırçay ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BAYRAM KÖSE
- Çift optik elemanlı yoğunlaştırılmış fotovoltaik sistemlerin akım-gerilim davranışının tahmini için makine öğrenmesi ile yaklaşık model geliştirilmesi
Development of a surrogate model using machine learning for current-voltage behavior of dual optical element concentrated photovoltaic system
MAHIR JAFAROV
Yüksek Lisans
Türkçe
2025
Makine MühendisliğiBursa Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN TURAN
- Türkiye enerji piyasasının makine öğrenmesi uygulamasıyla düşük-karbon salımına geçişte ajan temelli modellenmesi
Turkish energy market agent-based modeling for low-carbon transition with machine learning application
BURAK GÖKÇE
Doktora
Türkçe
2026
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU
- Forecasting of produced output electricity in photovoltaic power plants
Foto-voltaik güç santrallarında elektrik üretim tahmini
TARANEH SAADATI
Doktora
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DOÇ. DR. BURAK BARUTÇU