https://www.mdpi.com/1996-1073/17/19/4920
Binalar, Avrupa Birliği'nde enerji tüketiminin yaklaşık %40'ından ve sera gazı emisyonlarının %36'sından sorumlu olup, tek başına en büyük enerji tüketicisi konumundadır [1].
Binaların enerji verimliliğini ve topyekün sürdürülebilirliğini artırmak amacıyla, hem ısıl hem de elektriksel enerji tüketimlerini anlamak, modellemek ve tahmin etmek üzere birçok çalışma yapılmaktadır. Tarihsel olarak, ilk girişimler binalardaki enerji tüketimini modellemek için Energy Plus gibi mühendislik yazılım paketlerine dayanıyordu. Yazılımın kurulumu için harcanan önemli süreye ve binaların yapısal, geometrik ve malzeme özelliklerine ilişkin kullanılan verilere rağmen, sonuçlar genellikle beklendiği kadar değerli olmamaktadır. Bunun nedeni, enerji tüketimini etkileyen insana ait yüklerin, davranışların ve doğrusal olmayan durumların tahmin edilmesindeki zorluklardır. Daha verimli ve etkili bir alternatif olarak, binaların enerji tüketimini modelleme ve tahmin etmede veri odaklı yaklaşımlar araştırılmaktadır: enerji tüketim verilerini elde etmek için akıllı sayaçlar ve faturalar kullanılmakta, bu veriler makine öğrenimi algoritmalarına beslenerek enerji tüketimi ile hava durumu, derece-gün, zaman damgası özellikleri ve bina özellikleri gibi diğer değişkenler arasındaki karmaşık ilişkilerin ortaya çıkarılması sağlanmaktadır. Veri odaklı tahmin tekniklerine ilişkin literatür hızla büyümesine rağmen, bina enerji ihtiyaçları ve bunların dinamikleri ile ilişkilendirilebilecek en önemli değişken setinin ne olduğunu gerçekten araştıran çok az çalışma bulunmaktadır. Bu durum, bina enerji ihtiyaçlarının tahmin edilmesi açısından kritik bir unsurdur; zira aynı zamanda bina yönetimine yönelik kaynak tahsisinin ekonomik ve finansal yönleri ile bina çevresindeki toplulukları bire bir ilgilendiren çevresel sonuçlar üzerinde etkiye sahiptir. Bunun yanı sıra, kapsamlı çabalar ve çalışmalara rağmen konu günümüz şartlarında ulaşılması gereken seviyeye ulaşmaktan uzaktır. Bunun temel nedeni, her bir bina kabuğunu karakterize eden değişkenlikler ve etkileşimlerden kaynaklanan doğal karmaşıklıklar ile iyi bir tahmin performansı elde etmek için ihtiyaç duyulan büyük miktardaki veridir.
Bu anlamda, yapay zeka algoritmalarının (örneğin makine öğrenimi ve derin öğrenme) geliştirilmesi, önemli belirsizliklerin olduğu yani bu belirsizliklerin denklem setleriyle modellenmesi veya yeterli bir ölçüm araçları seti olmadan incelenmesinin zor olduğu durumlarda dahi, performansı ve tahmin yeteneğini artırmayı mümkün kılmıştır. Gerçekten de, veri bolluğu, sıradan ve kolayca tekrarlanabilir koşullar altında giderek daha sofistike ve yüksek performanslı modeller ve algoritmalar geliştirilmesini sağlamıştır. Aynı zamanda bu durum, tekrarlanması veya tahmin edilmesi zor olan tüm koşullarda (örneğin COVID-19 ve bunun bina tüketimine etkisi) veya daha basitçe, veri eksikliği olduğunda (örneğin bir arıza veya bakım faaliyetleri nedeniyle) bir zayıflık unsuru oluşturmaktadır.
Yapay zeka tabanlı modeller için genellikle ihtiyaç duyulan büyük miktardaki veri, özellikle incelenen binanın, modeli eğitmek ve eğitim seti dışındaki durumları tahmin etmek için yeterli genelleme seviyesine ulaşmak için yeterli bir izleme sisteminden gelen geçmiş veri setine sahip olmadığı durumlarda oldukça kritik bir unsurdur.
Bu çalışmada, yukarıda bahsedilen zorlukların üstesinden gelmek için bina enerji tüketim modellemesi ve tahmininde makine öğrenimi yöntemlerine dayalı bir benzerlik (similitude) yaklaşımı incelenmektedir. Yapay zekadan türetilen farklı veri odaklı modelleme yaklaşımları incelenmektedir. Literatür taramasının da gösterdiği üzre, her yaklaşımın güçlü ve sınırlı yönleri vardır ve mevcut olanlar arasında net bir üstünlük bulunmamaktadır. Bu nedenle, bina enerji tüketimiyle ilişkili girift durumları ve belirsizlikleri ele almak için bir dizi algoritma tanıtılmaktadır.
Vaka çalışması, İtalya'nın Treviso kentindeki Ca' Foncello Hastanesi (enerji talebi bilinen ve eğitim için kullanılan bir bina) ile İtalya'nın Ferrara kentindeki Sant'Anna Hastanesi'ne (enerji talepleri bilinmeyen ve test için kullanılan bina) odaklanmaktadır. Bu hastanelerin ısıtma, soğutma, elektrik ve buhar ihtiyacına karşılık gelen enerji talepleri, bina yönetim sistemlerinden toplanan veriler kullanılarak analiz edilmektedir. Bu projede geliştirilen algoritma, veri ayıklama ve normalizasyonu gibi otomatik ön işleme adımlarını ve topluluk yöntemlerinin hiperparametre optimizasyonunu içermektedir. Bu yöntemler, tahmin performansını iyileştirmek için birden fazla modeli birleştirmektedir. Makalenin geri kalanı aşağıdaki gibi yapılandırılmıştır. Bölüm 2, özellikle yapay zeka tabanlı araçlara odaklanarak, bina enerji ihtiyaçlarını tahmin etmek için mevcut yöntemlere genel bir bakış sunmaktadır. Bölüm 3, kolay ve ekonomik olarak elde edilebilen değişkenler yardımıyla, bilinen bir yapıya ait verilerin, başka bir yapının bilinmeyen enerji ihtiyaçlarını tahmin etmek kullanılmasına imkan sağlayan metodolojiyi tanımlamaktadır. Bölüm 4, vaka çalışmalarını ayrıntılı olarak özetlemekte, Bölüm 5'te sonuçlar raporlanmakta ve nihai sonuçlar Bölüm 6'da ortaya konulmaktadır. Bu araştırmanın başlıca özgün katkıları (i) bir benzerlik kriterinin kullanılması, (ii) istatistiksel analiz yerine tesis teknik özelliklerine dayalı veri ayıklama, (iii) zaman serileri analizi için yenilikçi bir metodoloji ve (iv) kullanılan tahmin tekniklerinin parametreleri için otomatikleştirilmiş bir optimizasyon prosedürünün kullanımı olarak verilebilir.
2. Literatür Taraması
2.1. Bina Enerji Tahmini için Yöntemler
Bina enerji tüketiminin modellenmesi ve tahmin edilmesi; hava koşulları, bina kabuğu özellikleri, antropik faktörler (örneğin davranışsal farklılıklar ve mahalde kullanıma bağlı doluluk vs), aydınlatma, elektrikli ekipmanlar ve HVAC performansı gibi çok sayıda değişkene bağlı olması nedeniyle zorlu bir görevdir [2]. Bu nedenle, son araştırmalarda çok sayıda teknik geliştirilmiş, uyarlanmış ve kullanılmıştır. Literatür, belirli bir bina tipini, enerji nihai kullanım ayrımlarını veya bina ölçeğindeki uygulamaları dikkate almaksızın, modelleme süreçlerinde aşağıdaki birleştirici terminolojiyi önermektedir [3,4]:
Beyaz-kutu yaklaşımları: Bu modeller, binaların enerji davranışını tanımlamak için birinci prensip denklemlerinin çözümüne dayanan şeffaf bir süreç kullanır. Fizik tabanlı modelleme, "mühendislik modelleri" gibi farklı isimlerle ortaya çıkmıştır [4]. Yukarıda belirtildiği gibi, bütün bir bina için beyaz-kutu modellerinin geliştirilmesi, fiziksel özelliklerin ve karakteristiklerin tanımlanması için önemli miktarda zaman gerektirir. Bu, bina enerji modellerinde(BEM) yeterli doğruluğu sağlamak üzere ancak ayrıntılı bilgilerin bir araya getirilmesiyle mümkün olmaktadır. Simülasyon süresini hızlandırmak için, simülasyonda temsilî binaların (arketip olarak adlandırılan) kullanılması yaygındır: bunlar genellikle farklı benzer bina gruplarının en yaygın özelliklerinin doğru bir şekilde belirlenmesinin ardından geliştirilir [5]. Bu yöntem, binaların farklı bölümlerini analiz eder, ve tüm bina portföyünün enerji performansını istenen doğruluk seviyesinde karakterize etme yeteneğini koruyan ayrıntılı BEM'ler üretir. Ayrıca, bir sınıflandırma süreci aracılığıyla yerel düzeyde doğru kıyaslama modellerinin oluşturulmasına olanak tanır. Sonuç olarak, bu yaklaşımın bir diğer önemli faydası da "eğer-öyleyse" senaryoları aracılığıyla iyileştirme (retrofit) müdahalelerinin değerlendirilmesidir [6]. Fakat, günümüzde bu tür bir temsil, belirli bir portföydeki binaları doğru bir şekilde temsil etmek amacıyla tasarlanmış özel simülasyon motorları ve büyük miktarda veri gerektirmekte olup, yukarıda sıralanan faydaları bir “potansiyel” olmaktan öteye taşıyamamaktadır.
Siyah-kutu yaklaşımları: Bu modeller, tek bina seviyesinden daha karmaşık bir ölçekte enerji tüketimini tahmin etmek ve öngörmek için bina veri analizi ve veri madenciliği araçlarını kullanır [4]. Hiyerarşik olarak önemli girdilerin seçimine dayalı enerji kullanımı tahmini ve öngörüsünde yaygın şekilde kullanılırlar [7,8]. Bina düzeyinde tahmin ve öngörü için en yaygın siyah-kutu yaklaşımları şunlardır [9]: basit regresyon modeli (SRM), çoklu doğrusal regresyon (MLR), karar ağaçları (DT), yapay sinir ağları (ANN) ve destek vektör makineleri (SVM). Sayılanların tümü, enerji tüketimini tahmin etmek için elde bir verinin bulunmasına dayalı yaklaşımlardır. Ayrıca, makine öğrenimine dayalı veri odaklı yaklaşımlar, ana bina kategorilerinin arketiplerini seçmek ve tanımlamak için kullanılmaktadır [10]. Bununla birlikte, bu yöntemler hem kısa hem de uzun vadede bina enerji talebi tahmini yapmak için kullanılmamaktadır.
Gri-kutu yaklaşımları: Bu modeller, birinci prensip fiziği ile veri odaklı yaklaşımları birleştiren hibrit bir yapıya sahiptir. Beklendiği gibi, beyaz-kutu ve siyah-kutu modellerinin bazı avantajlarını ve kısıtlarını paylaşırlar. Son dönemlerde literatürde hibrit modelleme iki ana yönelim arz etmektedir. Bazı örnekler, beyaz-kutu modellerinin belirli parametrelerini optimize etmek için veri odaklı yöntemler kullanırken [11], diğerleri bir Gauss sürecini direnç-kapasite toplu parametre modeliyle birleştirerek fizik tabanlı modelin hatasını tahmin eder ve düzeltir. Son olarak, veri odaklı ve fizik tabanlı modelleri birleştirmenin bir başka yolu da, örneğin enerji ekipmanına ait yük talebini temsil edecek şekilde fizik tabanlı modellerin bazı bölümlerini makine öğrenimi algoritmalarıyla değiştirmektir.
Yazarların bildiği kadarıyla, hiçbir makale mevcut tüm algoritmalar arasında kesin bir üstünlük sağlayamamaktadır. Bu durum, özellikle bina veri ve özelliklerinin bilinmediği ve benzerlik bulmanın zor olduğu durumlar için geçerlidir. Çalışma süresinin kritik olduğu ve maliyet etkinliğinin tüm süreci yönlendirdiği gerçek kullanım senaryolarının icrası asıl ilgi alanımız olduğundan, bu makale veri odaklı yaklaşımlara odaklanmaktadır. Makale, binaların enerji ihtiyaçlarını tahmin etmek için, sonuçları doğrulamak veya geçmiş verilerin yokluğunda tahmin yapmak amacıyla benzerlik kriterlerini uygulayan bir yöntem önermektedir.
2.2. Makine Öğrenimi Algoritmaları
Literatürde mevcut olan yapay zeka araçları arasında, veri odaklı modeller basittir ve birbirini izleyen iki ayrı aşamadan oluşur: öğrenme ve doğrulama. Öğrenme süreci, tüm parametrelerin dikkatlice seçilmesi ve ardından gelen doğrulama aşamasıyla, yani model çıktıları ile geçmiş veriler arasında sistematik bir karşılaştırma sonucunda bunların değiştirilmesiyle başlar. Hata, belirlenen eşik değerin altına düştüğünde, veri odaklı model doğrulanmış sayılır ve bunun sonucunda yeni girdi verileriyle pratik uygulamalarda kullanılmaya uygun hale gelir [13].
Düşük maliyetleri ve pahalı ekipman ve enerji etüdü faaliyetlerini ancak sınırlı ölçülerde gerektirmeleri nedeniyle veri odaklı yaklaşımlar çeşitli alanlarda (örneğin tıbbi teşhis, siyasi kampanyalar, ticaret) yaygın olarak uygulanmaktadır. Son zamanlarda, bunların kullanımı bina sektöründe, bina enerji taleplerini tahmin etmek veya enerji tüketim profillerini çıkarmak amacıyla yaygınlaşmıştır. En yaygın yöntemler Şekil 1'de gruplandırılmıştır.
 |
| Veri Güdümlü Modellerin Türleri |
Tekil Modeller (Single Models)
İstatistiksel regresyon ya da doğrusal regresyon (LR), yukarıda bahsedilen yöntemler arasında uygulanması en kolay ve en hızlı olanıdır. Bina enerji tüketimini tahmin etmek için doğrudan ve basit bir yaklaşımdır. Daha ayrıntılı olarak, çoğunlukla erken aşama çalışmalarda uzun bir zaman dilimi boyunca ortalama tüketimi tahmin etmek amacıyla kullanılır. Ancak, Yapay Sinir Ağları (ANN) veya Destek Vektör Makineleri (SVM) gibi diğer yaklaşımlarla karşılaştırıldığında, regresyon modelleri eğitim için geniş hacimli tarihsel veri setlerine ihtiyaç duyar ve kısa vadeli tahminlerde doğrulukları düşüktür. Ayrıca, geniş bir çevre ve atmosfer koşulları aralığında, bina enerji tüketimi ile iyi bir korelasyon elde edebilmek için elverişli bir öngörü değişken seti ve uygun zaman ölçeği seçmek de zordur. Bunun yanı sıra, seçilen değişkenler arasındaki öngörülemeyen korelasyonlar regresyon çıktılarında beklenmeyen doğruluk seviyelerine yol açabilir [2]. Başlıca uygulama alanları, idari binalar [14] ve yeni bina tasarımıyla ilgili olanlardır. [15]. Son yıllarda araştırmacılar, doğruluk problemlerini çözmeye yönelik istatistiksel regresyon üzerinde çeşitli iyileştirmeler önermiş ve çoğu durumda Yapay Sinir Ağı (ANN) modellerine kıyasla daha iyi sonuçlar elde ettiklerini iddia etmişlerdir.. Bununla birlikte yazarlar, bu yöntemin daha çok üçüncül sektörde hizmet verenlere benzer (hizmet sektörü) basit binalar ve sıcaklık değişim aralığının dar olduğu iklim bölgeleri için geçerli olduğunu düşünmektedir [16]. Buna rağmen, çoğu durumda istatistiksel regresyon; bina enerji performansını karakterize etmek için gereken önemli parametrelerin tahmini, bina tasarımı, bina ısıl davranışının izlenmesi ve analiz edilmesi [17] ya da enerji tasarrufu için ısı kontrol stratejilerinin oluşturulması [18] amacıyla kullanılmaktadır.
Bina enerji tahmini için bir diğer veri odaklı yaklaşım ise karar ağacı (DT) modelidir [19]: Bu model, her iç düğümün bir öznitelik üzerinden dallanmasını, her dalın dallanmanın ürettiği bir sonucu ve her bir yaprak (nihai) düğümünün de tüm öznitelikler hesaplandıktan sonra atanan bir sınıf etiketini temsil ettiği akış şeması benzeri bir yapıdır. Karar ağacının en üstteki düğümü, girdi verilerinin dallanma kriteri olarak önceden tanımlanmış bazı tahmin değişkenlerine dayalı olarak farklı gruplara ayrıldığı kök düğüm olarak bilinir. Bu bölünmüş veriler, kök düğümden çıkan dallar olarak alt düğümleri oluşturur. Alt düğümler üzerindeki veriler ya daha fazla bölünmeye uğrar ya da uğramaz: ilk durumda, bir sonraki seviyede grafiksel olarak oluşturulan alt dallar görevi görecek yeni alt gruplar oluşturmak üzere bir veri bölme işlemi gerçekleştirilirken, ikinci durumda, artık düğümler yaprak düğümler olarak adlandırılır ve burada yer alan veri grupları nihai çıktılarıdır. Karar ağaçları, erken tasarıma yönelik veya yapının iskanı sonrası gerçekleştirilen çalışmalara uygulanabilen çok yönlü veri odaklı tekniklerdir. Tahmin doğrulukları yapay sinir ağları ve Destek Vektör Makineleri ile karşılaştırılabilir düzeydedir.
Bina enerji tahmininde yaygın olarak kullanılan bir diğer makine öğrenimi algoritması, insan beyninin bilgiyi işleme biçimini taklit etmeye çalışan, biyolojik yapılardan esinlenen hesaplama ağları olan Yapay Sinir Ağlarıdır (YSA) [22]. YSA tasarımının temel amaçlarından biri, ağın her bir senaryonun özelliklerini özümsemesini sağlayan uygun değişiklikleri uygulamaktır.
Bir YSA'nın davranışını belirleyen üç bileşen şunlardır:
Mimari: nöronların/katmanların sayısı ve konumu ile bunlar arasındaki bağlantı düzeni;
Öğrenme algoritması: hatayı en aza indirmeye yönelik yinelemeli yöntem;
Aktivasyon fonksiyonları: YSA'ların doğrusal olmayan işlemleri gerçekleştirmesini sağlayan unsur.
İlk hususta yer verilen mimari bileşen, her biri bir düğümü temsil eden ve biyolojik akson-sinaps-dendrit bağlantılarına karşılık gelen bağlar aracılığıyla diğer düğümlere bağlanan bir dizi nörondan oluşur. Sonuçta her bir bağın, bir düğümün diğerini ne ölçüde etkilediğini belirleyen bir ağırlığı vardır [23]. Bu ağlar, yönlenmiş ve ağırlıklı bir çizge (graf) oluşturur. YSA'daki her bir yapay nöron, çıktıları girdilere (doğrusal) bir transfer fonksiyonu ve (doğrusal olmayan) bir aktivasyon fonksiyonu aracılığıyla bağlayan matematiksel bir fonksiyon olarak ele alınabilir. Çeşitli YSA türleri arasında, geri yayılım (backpropagation) öğrenme algoritmalarına sahip çok katmanlı algılayıcılar (algılayıcı:tek katmanlı yapay sinir ağı birimi) bu uygulamalarda yaygın olarak kullanılmaktadır. Doğrusal olmayan olguları ve süreçleri modelleme ve yeniden üretme yetenekleri, hata toleransı, sağlamlık ve gürültüye karşı bağışıklık özellikleri sayesinde YSA'lar birçok disiplinde ve durumda başarıyla uygulanmıştır. Bu durumda özellikle hizmet binaları [24], konutlar [25] ve eğitim binalarındaki [26] enerji taleplerinin tahmin edilmesine özel bir önem verilmiştir. Aslında bu ağlar, girdi ve çıktı değişkenleri arasındaki ilişkileri açıkça belirtmeye gerek kalmaksızın regresyon ve sınıflandırma problemlerini ele almak için esnek bir yöntem sunar. Binaların ağırlıklı olarak doğrusal olmayan dinamikler ve son derece karmaşık girdi-çıktı ilişkileri sergilediği göz önüne alındığında, bu olumlu bir özelliktir. Öte yandan, mimari seçim ve öğrenme hızı optimizasyon sürecinin hala duruma özel (ad hoc) yöntemlere dayandığı belirtilmelidir; bu durum, YSA'ların duruma bağımlı olduğunu ve her farklı uygulama için yeniden tasarlanıp doğrulanmaları gerektiğini ifade eder. Dolayısıyla, bina bağlamında YSA'lar, öngörülemeyen olayların tahmin edilmesini gerektiren görevleri etkili bir şekilde yerine getiremezler.
Veri odaklı yöntemlerin bir diğer kategorisinden, yani uzun kısa süreli bellek (LSTM) modellerinden de bahsetmekte fayda vardır; bu modeller örneğin çok katlı binalarda ısı yüklerini tahmin etmek [27] veya bir işletim yılına ait genel elektrik tüketim verilerini yeniden oluşturmak [28] amacıyla kullanılmıştır. Temelde yapay sinir ağlarına dayanan LSTM modelleri, uzun vadeli tahmin yapılmasına olanak tanır. Bununla birlikte, hiçbir çalışma bu modelleri benzeştirme yöntemleriyle birlikte kullanmamıştır.
Son olarak, literatürde bina enerji ihtiyacı tahminiyle ilgili makine öğrenmesi yöntemleri arasında yer alan ve başlangıçta örüntü tanıma problemlerini çözmek için tasarlanan Destek Vektör Yöntemi, yıllar içinde evrilerek çok boyutlu fonksiyon kestirimi problemlerini çözmede kullanılan bir araca dönüşmüştür. Günümüzde bu yöntem, regresyon problemlerini çözmek ve doğrusal olmayan girdiler ile sürekli ve gerçek değerli bir hedef değişken arasındaki ilişkiyi kestirmek amacıyla yaygın olarak uygulanmaktadır. Özellikle, regresyon için kullanılan destek vektör makinesi, Destek Vektör Regresyonu (SVR) olarak adlandırılır [13]. SVR; çeşitli zaman adımları, girdi değişkenleri ve gerçek ya da benzetim (simülasyon) verileri kullanılarak uygulanmıştır. Üstün tahmin performansı ve esnekliğine rağmen SVR önemli bir dezavantaja sahiptir: parametre kalibrasyonunun zorlu ve kritik süreci, tahmin doğruluğunu önemli ölçüde etkiler. Örneğin, çekirdek (kernel) fonksiyonunun doğru bir şekilde belirlenmesi sorunlu ancak hayati önem taşıyan bir husustur. Sonuç olarak, SVR parametrelerinin optimize edilmesi, bina enerjisi çalışmalarında temel bir zorluk haline gelmiştir [29]. Ayrıca, standart SVR'de eğitim süreci O(n³) zaman ve O(n²) bellek karmaşıklığına sahiptir (burada n, eğitim veri kümesi boyutunu ifade eder); bu durum, Li ve Hu'nun çalışmalarında [30] gösterdiği üzere, yöntemi çok büyük veri kümeleri (örneğin yüksek frekanslı veya uzun vadeli tahminler) için hesaplama açısından uygulanamaz kılmaktadır.
Modelin temel uygulama alanları arasında; düşük enerjili konut tipi binalarda birleşik soğutma ve ısıtma enerji talebinin [31], bir üniversite ofis binasının elektrik yükünün [32] ve bir ofis binasının bir gün öncesinden elektrik tüketiminin [33] tahmin edilmesi yer almaktadır. Daha ayrıntılı olarak belirtmek gerekirse, son iki vaka çalışmasında SVR ile Yapay Sinir Ağları (YSA) karşılaştırılmış ve SVR sonuçları tüm metriklerde YSA sonuçlarından daha iyi performans göstermiştir.
2.2.2. Birleşik Modeller
Birleşik modelleme teknikleri, tahmin doğruluğunu artırmak amacıyla tahmin yöntemlerinin optimizasyonuna odaklanır. Birleşik modelleme çerçevesi, bu yöntemleri ya optimizasyon teknikleriyle eşleştirir (geliştirilmiş modeller) ya da birden fazla bağımsız algoritmayı bir araya getirir (toplu modeller). Literatürde geliştirilmiş modeller, tekil modeller ile optimizasyon tekniklerinin birleşimi olarak tanımlanır [3]. İlk gruptakiler ağırlıklı olarak yukarıda bahsedilen YSA [34] ve SVR [35] iken; ikinci gruptakiler temel olarak genetik algoritma [36], diferansiyel evrim [37] ve parçacık sürü optimizasyonudur (PSO) [38]. Bu geliştirilmiş modellerin tamamı konut veya hizmet sektörü binalarında test edilmiş olsa da, hiçbiri karmaşık uygulamalarda ısıtma, soğutma ve elektrik enerjisi ihtiyaçlarını eşzamanlı olarak inceleme konusunda başarılı olamamıştır. Dahası, bu modellerin uygulaması esas olarak kısa vadeli tahminlerle (yarım saat ila bir gün sonrası gibi) sınırlıdır ve en gelişmiş tekniklerde dahi, tahmin edilen her bir veri noktası için gereken eğitim verisi oranı yaklaşık 250:1 düzeyindedir [35]. Bu durum, yeni binalar veya izleme sistemlerinin bulunmadığı durumlar için yine kritik bir husustur.
Buna karşılık, istatistik ve makine öğrenimi alanlarında toplu yöntemler, tek bir yöntemle elde edilenden daha iyi bir tahmin performansı sağlamak amacıyla birden fazla öğrenme algoritmasını birleştirir [39]; bu araç sınıfını destekleyen temel hipotez, birden fazla modelin bir araya getirilmesinin genellikle çok daha güçlü ve esnek bir model ortaya çıkarabileceği yönündedir [40]. Aslında temel modeller çoğu zaman yüksek yanlılık (bias) veya aşırı yüksek varyans nedeniyle düşük performans sergiler. Verinin altında yatan karmaşıklığı çözmek için iyi bir serbestlik derecesi arzu edilse de, yüksek varyanstan kaçınmak ve sağlamlık (robustness) elde etmek adına bu derecenin sınırlandırılması gerekir [40]; bu, iyi bilinen bir yanlılık-varyans ödünleşimidir (bias-variance tradeoff).
