Bina Enerji Talebi Tahmini için Tümleşik Bir Yapay Zeka Yaklaşımı

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).

Endüstriyel Proseslerin Temiz Enerji İle Gerçekleştirilmesinde Yüksek Verimli Termal Kapan

Çimento, metal ve çok sayıda kimyasal madde üretmek için bin santigrat derecenin üzerinde son derece yüksek sıcaklıklar gerekmektedir. Günümüzde bu ısıyı üretmek için çoğunlukla kömür veya doğal gaz gibi fosil yakıtlar yakılmakta ve bu da önemli miktarda sera gazı emisyonuna neden olmaktadır. Isıtmak için yenilenebilir elektrik kullanmak ne yazık ki bu kadar yüksek sıcaklıklarda verimli değildir. Nötr İklime doğru güçlü bir şekilde ilerliyor olsak da, endüstriyel süreçler muhtemelen fosil yakıtlara bir süre daha bağlı kalmaya devam etmek zorunda kalacak, çünkü bunları karbondan arındırmak oldukça zorlu süreçlere tabii. Ancak bu durum yakında değişebilir.

Üretim Süreçleri için Yüksek Sıcaklıklar Üretilmesi

ETH Zürih'teki araştırmacılar, endüstrileri fosil yakıtlardan bağımsız hale getirmenin bir yolunu buldu: Enerji ve Süreç Sistemleri Mühendisliği Grubu'nda bilim insanı olan Emiliano Casati ve yenilenebilir enerji kaynakları profesörü Aldo Steinfeld liderliğindeki bir ekip, bir termal kapan geliştirdi. Bu kapan, üretim süreçleri için gerekli olan yüksek sıcaklıkları üretmek için güneşin radyasyonunu kullanıyor ve üretilen ısıyı yayıyor. Burada esas bileşen, optik özellikleri nedeniyle güneş ışığını verimli bir şekilde emen ve ısıya dönüştüren bir kuvars çubuk.

Dış seramik emici ile çevrelenmiş bir kuvars çubuk çekirdeğinden oluşan termal kapanın gösterimi.

Laboratuvar deneylerinde araştırmacılar 7,5 santimetre çapında ve 30 santimetre uzunluğunda bir kuvars çubuk kullandı. Bu çubuklar yoğunluğu 135 kat artırılmış güneş ışığına karşılık gelen yapay bir ışığa maruz bırakıldığında 1050 santigrat dereceye kadar ulaşan sıcaklıklara ulaşıldı. Daha önce araştırmacılar benzer termal kapanlar kullanarak maksimum 170 santigrat dereceye ulaşabilmişlerdi.

Yüksek Sıcaklıkta Güneş Enerjisi Sistemlerinin Geliştirilmesi Mümkün Mü? 

İspanya, ABD ve Çin'de bulunan büyük güneş enerjisi santrallerinde güneş enerjisini yoğunlaştıran teknolojilere sahip olsak da, bunlar normalde 600 santigrat dereceye kadar sıcaklıklarda çalışır. Daha yüksek sıcaklıklarda, radyasyon yoluyla meydana gelen ısı kaybı artar ve bu da sistemlerin verimliliğini azaltır. ETH araştırmacılarının termal kapanının en önemli avantajı ısıyı yakalaması ve yansıtılan radyasyon enerjisini en aza indirmesidir.

Dijitalleşme Çağında Enerji Sarfiyatı

Muazzam bir şekilde büyüyen veri trafiği kaçınılmaz olarak eşit ölçüde yüksek bir güç tüketimine neden olmakta mıdır ? Yoksa bu iki büyüklüğü tümüyle birbirinden ayırmak gelecekte mümkün olacak mı? 

On yıllar önce, kapsamlı dijitalleşme hala geleceğin bir hayaliyken, trend araştırmacıları bu sürecin beraberinde çoğu enerji, trafik ve çevre sorununun çözümünün de bulunması gerekeceğini öngördüler. Bu büyüleyici ve insanlık tarihi referans alınacak olursa pek yeni olan bit ve baytlar dünyasında, çoğu şey, elektronik ve sanal olarak küresel ağ ölçeğinde gerçekleşecekti. Endüstriyel robotlar çalışan insan sayısı yönünden fakir fabrikaları dolduracak, işçiler ise ekrandan fabrikadaki üretimi uzaktan izleyerek denetleyeceklerdi. Çalışanlar artık her gün büyük ofis binalarına gidip gelmek zorunda kalmayacak, iş yaşamlarını ev-ofislerinde geçireceklerdi. Yine politikacı ve yöneticilerin artık uluslararası konferanslara seyahat etmeleri gerekmeyecek, video konferans teknolojisi sayesinde pahalı ve çevreye zarar veren uçak seyahatlerinden kurtulmuş olacaklardı. 

Bilgi Dijitalleştikçe Enerji Sarfiyatları Aynı Ölçüde Artmak Zorunda mıdır? 

Şimdilerde bilgiyi dijitalleştirme (sayısallaştırma) süreci gerçek manada hız kazanırken, bu süreç beraberinde ciddi bir maliyet de ortaya çıkarmakta. Küresel ağın oluşturulması ,devasa büyüklüklerde veri toplayan, depolayan ve bu bilgileri ilgili uçlara gönderen ve bu nedenle çok fazla enerji gerektiren çok sayıda büyük veri merkezlerinin varlığını gerekli kılmaktadır. Uzmanlar, bu tür sistemlerin küresel elektrik gereksinimlerinin 2005 ve 2010 yılları arasında yılda asgari 150 terawatt saatten (TWh) yaklaşık 250 TWh'ye yükseldiğini tahmin ediyor (bu,sürekli olarak yanan yarım milyar 50 watt'tan fazla ampulün tüketimine karşılık geliyor). Bu güçlü eğilimin kontrolsüz devam etmesinin dijitalleşmenin parlak imajını ciddi şekilde daha belirsiz hale getireceği görülmektedir.

Hiç şüphesiz, gelecekte mobil telefon, otonom araçlar ve yapay zeka teknolojileri tüm yeryüzünde daha yaygın hale gelirken işlenecek bilginin büyüklüğü de hızlı şekilde artacaktır. Peki ama aynı süreçte ihtiyaç duyulan enerji de illa ki aynı şekilde kontrolsüz şekilde artmak durumunda mı? 

Illinois eyaletinin Evanston şehrindeki Northwestern Üniversitesi'nden Eric Masanet ve etrafındaki ABD’li mühendis grubu bu soruya illa da öyle olmak zorunda değil cevabını veriyorlar. 2010'dan bu yana veri işleme teknolojisinde öyle bir gelişme yaşandı ki, 2018 yılına kadar küresel veri merkezlerindeki bilgi işlem adımlarının sayısı beş kattan fazla artmış olmasına rağmen bu sektördeki elektrik tüketimi sadece yüzde altı artarak aynı dönemde enerji verimliliğinde ciddi bir iyileşmeye işaret etmiştir. Görünüşe göre dijital enerji açlığının büyümesini veri hacmindeki artıştan büyük ölçüde ayırmak mümkün olmuştur. 

Bu durum, dijitalleşmenin önümüzdeki on yıllar içinde orantısız miktarda enerji tüketmeyeceği, ancak güçlü bir şekilde büyüyen küresel elektrik talebinin yalnızca yüzde bir ila ikisini tüketeceği şeklinde bir umudu beslemeye devam etmemizi sağlıyor. Tabii ki, bu çalışmayı gerçekleştirenlere göre, küresel veri işleme endüstrisi bu tip kazanımın üzerine yatarak uzun müddet bu şekilde yola devam etme şansına sahip bir konumda bulunmuyor: Buna göre bilişim alanındaki veri bulutlarının hacminin önümüzdeki üç veya dört yıl içinde iki katına çıkması bekleniyor. 

Kısa vadede sektörü huzursuzluğa itmeyen bu öngörü uzun vadede çok mu iyimser ? Veri işleme ve aktarma teknolojisindeki gelişmeler muhtemelen daha fazla enerji tasarrufu sağlayacak, ancak beraberlerinde kesinlikle ilave maliyet gerektiren yeni yöntemler de getireceklerdir. Kuantum bilgisayarların beklendiği üzere, en son trend olduğunu ve yavaş yavaş veri merkezlerinde boy gösterdiğini kabul etmek gerekiyor: Böylelikle, aşırı düşük sıcaklıkların söz konusu olduğu bir soğutmaya ve çevreden neredeyse tamamıyla izole olmayı gerektiren son derece hassas bir teknoloji veri işleme endüstrisinde kendini kabul ettirme yolunda ilerlemektedir. 

Yahut, şu anda sadece ara sıra kullanılan blok zinciri yöntemlerinin kendilerini ispatlayarak, doğaları gereği özellikle yüksek olan veri güvenliklerini sağlamak için gereken dağıtık ve yüksek maliyetli veri işleme bedellerini kaçınılmaz hale getirmeleri neticesinde ne olacak? Gelecekte dijitalleşmenin bedeli belki de korkulduğu gibi çok aşırı yüksek olmayabilir ama her halükarda artacaktır. 

Ticari Led Tüplere Geçiş Yapmak İçin En İyi 10 Nedeniniz!

Led Tüpler Floresan Tüpler Ve Armatürlere Alternatif Anlamda Mükemmel Bır Çözümdür. Floresan Armatürler Onlarca Yıldır Ofıs Ve Ticari Alanlarda Demirbaş Olarak Bulunmuştur Ancak Floresan Armatürlerın Yerine Retfofit Led Tüp Kullanan Şırketler Ciddi Anlamda Tasarruf Etmıştırler . İşte Sıze Retrofıt Led Tüplere Geçışı Düşünmek Içın Bırkaç Neden:

1. Düşük Enerji Tüketimi. T8 32 Watt Floresan Tüpü Yerıne 15 Watt Led T8 Tüp Armatür Kullanmak Aydınlatma Faturalarınızda Yaklaşık% 50 + Tasarruf Sağlar. Floresan Tüpler Çalışması Içın Bır Balasta Ihtıyaç Duyduğunu Ve Balastların Da Nomınal Güçten Yaklaşık% 15 Daha Fazla Tükettığını Unutmayın.

2. Azalan Bakım Malıyetleri. Tüm Led Tüp Aydınlatma Armatürler 50.000 Saat Içın Derecelendırılmıştır Ve Çok Zaman 5 Yıl Garantılıdır. Ofıs Lambalarının Günde 12 Saat Açık Ve Ayda Ortalama 20 Iş Günü Kabul Edılırse , Led Tüplerınız Onları Değıştırmenız Gerekmeden Neredeyse 15 Yıl Fazladan Çalışacaktır. Balastların Değıştırılmesı Dahıl Değıl, Bırkaç Yılda Bır Değıştırılmesı Gereken Floresan Tüplerle Karşılaştırın.

3. Azalan Soğutma Malıyetleri: Floresan Armatürler Yerıne Kullanılan Led Tüpler , Floresan Tüplerden Daha Az Isı Yayarlar. Bu, Aydınlatma Sıstemınız Tarafından Üretılen Isıyı Dengelemek Içın Daha Az Hvac Soğutmaya Ihtıyacınız Olacağı Anlamına Gelır. Bu, Sıcak Iklımlerde Ek Tasarruf Sağlar.

Retrofit Led Tüpler Florasan Tüplerin Yerine Kullanıldığında Beraberlerinde Çok Fazla Üstünlük Getirirler

4. Kırılmazlık : Bu Led Tüpler, Kırılmaz Özellıkte Istenıldığınde Oldukça Pahalı Olan Florasan Tüpler Içın Kusursuz Bır Alternatıftır. Artık Mevcut Altyapınızı Led Tüplere Dönüştürdüğünüzde Kırılmaz Floresan Tüplerı Ilgılendıren Hıçbır Malıyet Içın Endışelenmenıze Gerek Yok!

5. Tıtreşimsiz Aydınlatma: Floresan Tüpler İngılızcede Flicker Adı Verılen Ve Işığın Algılanması Esnasında Oluşan Bır Titreşim Gerçekleştirırler. Bu Tıtreşım Cıddı Sağlık Sorunlarına Neden Olur. Bunlar Arasında:

-Başağrıları

-Göz Yorgunluğu

-Nöbetler (Epılepsı) Vs Sayılabılır.

6. Cıva/ Pcb İçermemesi: Çoğu Floresan Tüp Cıva Içerır Ve Floresan Balastlar Pcb Yanı Polychlorınated Bıphenyls içerır. Sadece Bınalarında Cıva Bulunmasını Istemedığınden Floresandan Led'e Geçış Yapan Insanlar Var. Aynı Şekılde Pcb Konusunda Da Ihtıyatlı Davranıldığı Durumlar Vakı. Sağlığınızın Ne Kadar Önemlı Olduğunu Düşününce Bu Dönüşümlerın Gereklı Olduğu Aşıkardır.

7. Uğultunun Olmaması : Floresan Armatürlerde Balastlar Yaşlandıkça, Uğultu Çıkarma Olasılığı Artar. Genel Olarak Led Teknolojısi (Tüpler Dahil) Asla Uğuldamaz.

8. Daha iyi Bır Çalışma Ortamı:  Ofıs Ortamlarında Led Aydınlatma Florasanlara Göre Çok Daha Konforludur.

9. Lamba Eksiltme : Florasan Lambalar Sadece Bırebır Değıştırmede Sökme Takma Yönünden Değıl Daha Az Led Lamba Kullanıldığı Içın De Avantajlıdır. Hepsı Enerjı Tasarrufu Demek!

10. Titreşim, Florasan Tüplerın Alternatıf Akımla Çalışması Ve Bu Çalışmada Akım Dalgasının Kuzey Amerıka'da (Avrupa'da 50 Hz) 60 Hz'de Tekrarlaması Nedenıyle Oluşur. Yanı Sanıyede 60 Kez Açılıp Kapanıyor Gıbı Düşünebılırsınız. Led Doğru Akım Ile Beslenır. Doğru Akım Ise Tıtreşmez. Lambalarınızın Tıtreşmesıne Engel Olmak Içın Tüm Bınanızdakı Floresan Tüplerı Led Ile Değıştırın

11- Teşvık Konusudur: Led Aydınlatma Sıstemlerı Genellıkle Devlet Tarafından Teşvık Edılır. Enerjı Verımlılığı Konusu Hassas Bır Konudur. Kamunun Bu Konuda Teşvık Edılmesı Olağan Bır Süreçtır.

Daha Güçlü Motorlar Neden Daha Fazla Yakıt Tüketir

Çoğu durumda - her zaman olmasa da - bir otomobil daha büyük bir motora sahip olduğunda daha fazla yakıt tüketir. Bu ilk bakışta, tamamen doğal bir durum gibi görünüyor - ama bu duruma tekrar bir göz attığımızda görürüz ki bu aslında böyle olmak zorunda değil. Bu konuda dikkat edilmesi gereken bazı ilginç şeyler var.

Anma Tüketimi

Bir vasıtanın anma yakıt tüketimi tip doğrulama çerçevesinde standardize edilmiş bir ölçme yöntemi ile belirlenir. Güçlü bir motor, burada kendisinden daha zayıf bir motordan daha fazla iş yapmaz. Aynı aracı aynı hızda ve aynı mesafe boyunca hareket ettirmekten bahsediyoruz. Bu durumda daha büyük bir motorun çoğu zaman daha fazla tükettiği savının ne kadar açık olduğu belirsizdir. Aşağıda bu durumun en önemli sebepleri izah edilecektir.

Daha güçlü motorlar daha ağır olma eğilimindedir, dolayısıyla araç ağırlığı da buna paralel olarak artmaktadır. Bu bir yandan yuvarlanma direncini ve diğer yandan hızlanma sırasında meydana gelen enerji sarfiyatını arttırır. Ancak, artan motor gücüyle, aracın toplam ağırlığının yüzde birkaçtan daha fazla artmaması beklenir.

Ayrıca, dolaylı bir etki araç ağırlığını daha da artırabilir. Motor gücünün artırılması beraberinde, üretici ve müşterileri aracı yeterince hızlandırmak için ağırlığı düşük tutma ihtiyacını ortadan kaldırma imkanını sağlar. Bu nedenle bugün yollarda güçlü motorlara sahip olan birçok ağır binek araç görüyoruz. Örneğin, motor gücü yasalarca koltuk sayısı esas alınarak sınırlandırılmış olsaydı, hiç kimse bu duruma uygun düşen çok düşük performansa sahip olan ağır bir binek araca sahip olmak istemezdi.

Düşük Yükte Kullanım

Belirli bir güç talebi söz konusu ise daha güçlü bir motor buna uygun olarak daha düşük oranda yüklenmiş olacaktır. Bunun motor verimi yani genel konuşursak enerji verimliliği üzerinde önemli etkileri var:

Çok büyük yüklenmelerde örneğin başka bir aracı sollamada, motorun sınırlarını zorlamaması dahi avantajlı bir durum olabilir. Azami güç, verimin önemli ölçüde azaldığı yüksek hızlarda elde edilir. (Sürtünme ve akış kayıpları bu durumda daha büyük olacaktır.) Ayrıca, tam yükte yakıtı zenginleştirme işleminin sık kullanılması hem ekonomik hem de ekolojik olarak çok zararlıdır. Bu koşullarda, daha güçlü motora sahip bir aracın daha az kullanılması durumu bile söz konusu olabilir.

Öte yandan, özellikle şehir içi trafikte, ya çok düşük bir sürüş gücü veya hiç güç gerektirmeyen birçok durum vardır, ancak motorun hala çalışması gerekir (hibrit bir motorunuz yoksa). Maalesef, içten yanmalı motorlar bu alanda çok verimsizdir. Tabii ki, bu yaygın problem daha büyük motorlarda daha önemli hale gelmektedir. Örneğin, eğer 150kW'lık bir motor, bir aracı düz bir yolda sabit 40km / s hızda hareket ettirmek için sadece 2kW'lık bir tahrik gücü sağlayacaksa bunu 50 kW'lık bir motora kıyasla çok daha verimsiz bir şekilde yapar. En azından, bu dezavantajlı durumu gelişmiş teknolojilerle telafi etmenin oldukça zor olacağını söyleyebiliriz.

Aslında, pratikte daha güçlü modellerin kullanımının otoyollardan ziyade daha çok şehir trafiğinde gözle görülür şekilde arttığı (tabii ortalamalar üzerinden konuşuyoruz) görülmektedir.

Bununla beraber, motorumuzun sık sık rölantide çalıştırıldığını düşünün ki bu durum çoğu kişinin düşündüğünden çok daha fazla yakıt tüketilmesine neden olur. Daha büyük bir motorun - muhtemelen daha fazla sayıda silindirle (buna bağlı olarak daha fazla sürtünme kaybına neden olur) bu durumda daha kötü performans göstermesi hiç de şaşırtıcı değildir.

İlk Isınma

Bilindiği gibi, motorun ilk ısınma süresi içerisinde yakıt tüketimi önemli ölçüde artar. Daha büyük bir motor için bu daha önemli hale gelmektedir çünkü daha verimli çalışma mümkün olana kadar daha büyük bir kütlenin ısınması gerekliliği söz konusudur. Bu, özellikle kısa mesafelerde çalıştırılan araçlar için önem arz eder.

Hızlı Sürüş

Ayrıca, pratikte, daha güçlü bir motor genellikle daha "dinamik" (yani, savurgan) sürüş tarzını teşvik eder. Gerçekten gerekli olmasa bile hızlı ivmelenmenin tadını çıkarırsınız ve ardından yine buna bağlı olarak daha fazla enerji "ısı olarak " kaybedilir. Otoyolda daha hızlı sürüldüğünde hava direncine bağlı olarak enerji kayıpları hızla orantılı bir şekilde artar.

Teknolojik bir Çözüm olarak Hibrit Tahrik Uygun mu ?

Daha güçlü araçların daha fazla tercih edilmesine neden olan bu nedenlerin birçoğunun, iyileştirilmiş motor teknolojileriyle ortadan kaldırılması veya dengelenmesi oldukça zordur. Asıl sorun özellikle içten yanmalı motorların düşük yükte verimsiz çalışması olup aynı şey bu durum için de geçerlidir.

Bununla birlikte, bir hibrit sürücünün kullanılması oldukça etkili bir önlem olabilir. Burada böyle bir motor yapısının sunacağı bir takım üstünlükler ortaya çıkmaktadır ;

- Elektrikli motordan sollama manevraları için ilave güç temin edilebilir ise içten yanmalı motor daha küçük tasarlanabilir. 

Yanmalı motorların verim ve hareket kabiliyetlerinin az olması nedeniyle , diğer araçlardan farklı bir yol izlenerek bariz verimlilik üstünlüklerine sahip olan bir Atkinson motoru kullanılabilir.

-Düşük yükte, içten yanmalı motor tamamen kapatılabilir ve bu süre zarfından enerji ihtiyacı aküden karşılanır.

Ayrı olarak geri kazanım yani frenle ısıya dönüşecek olan araca ait kinetik enerjinin geri kazanılması imkanı vardır,

Bununla birlikte, hibrid konseptinin, pratik işleyişte yüksek maksimum performans ile yüksek verimlilik arasındaki sorunlu ilişkiyi tamamen çözebileceğine inananların sayısı fazla değil. Burada da, örneğin daha büyük içten yanmalı motor, ısınma aşamasında daha fazla yakıt tüketimi gerektirir. Ek olarak, akü ağırlığının getirdiği kısıt nedeniyle elektrik motorunun destekleme kabiliyeti de kısıtlanmaktadır; Büyük bir motor için konuşacak olursak , bir yandan akü sistemi için çok yüksek olan ama içten yanmalı bir motor için çok düşük değerlere karşılık gelen kayda değer bir tahrik sahasının varlığından bahsetmemiz mümkündür. Örneğin, birkaç kilowatt saatlik kapasiteye sahip bir hibrid araç bataryası çok uzun süre boyunca 5 kW lik bir yükü besleyemeyecektir. Diğer taraftan da 80 kW gücündeki bir motor bu 5 kW gücü verimli bir şekilde kullanamayacaktır. Bu nedenle, bugünün hibrit otomobillerinin daha düşük güçte olduklarında çok daha ekonomik olabileceklerini söyleyebiliriz. 

Özet 

Daha yüksek motor gücünün aracın daha hızlı sürülmediği halde dahi daha fazla yakıt tüketimine neden olmasının birkaç nedeni vardır. Bu nedenle, özellikle bunu ve yine iklimin korunmasının ne denli acil bir durum olduğunu kavrayan bir otomobil müşterisinin bir sonraki satın alma sürecinde daha temkinli olacağı aşikardır. 

Bu noktada, ulaştırma sektöründeki eğilimi yıllardır tersine döndüremediğimizi ve bu tersine döndürme ihtiyacının iklimin korunması için kesinlikle gerekli olduğunu özellikle vurgulamak istiyorum. Daha güçlü ve daha büyük/ağır araçlara yönelik devam eden eğilim, temel sorunlarımızdan biridir. İnsan topluluklarının , politikacıların ve üreticilerin bunu en kısa zamanda anlamaları ve sorumluluklarını yerine getirmeleri umulur. 

Almanya'da Cep Telefonuyla Sokak Aydınlatma Kontrolü Tasarruf Sağlıyor

Küçük yerleşim bölgelerinde geceleri sokak ışıkları söner. Löwenstedt'te karanlıkta eve gitmek istemiyorsanız, cep telefonunuzda bir düğmeye basmanız yeterli. 

Geç oldu. 26 yaşındaki Simon Hansen, bir doğum günü partisinden çıkmış evine gitmek istiyor. Ancak Kuzey Frisia'da bulunan Löwenstedt kasabasındaki sokak lambaları - Husum ve Flensburg arasında heps hepsi yaklaşık 650 kişi ikamet etmekte - çoktan söndürüldü. Dışarıda zifiri bir karanlık. Bilişimci arkadaşımızın aklına bir anda çok parlak bir fikir geldi. Evimizdeki evimizdeki tavan lambalarını uzaktan kontrol edebiliyorsak bütün kasabaların fenerlerini neden edemeyelim? 

Almanya'da Bir Firma Cep Telefonlarıyla Sokak Aydınlatmalarını Kontrol Eden Yazılım Geliştirdi. Ücretsiz! 

Işık kirliliğinin De Bir Maliyeti Var 

Yerleşim bölgelerimizdeki ışık kirliliği, sadece yıldızlarla dolu gökyüzümüzü karartmakla kalmaz, birçok hayvan için de sorun teşkil eder.Aydınlatma yapan her fener elektrik tüketir. Sadece ıssız yol ve yolları aydınlatsalar bile bu durum değişmiyor. Hansen, Löwenstedt'teki sokak lambalarını gerektiği gibi kontrol etme talebiyle , belediye başkanına gider. Bu kişi - yeni fikirlere ve hızlı İnternet kavramına açık olmasına rağmen – konuya başlangıçta şüpheci yaklaşır. Ancak nihayetinde, uzaktan kumanda uygulanması sayesinde evet, belediye hazinesi yılda yüzlerce avro tasarruf edebilecek. 

Knoop Yalnızca Akıllı Telefonlar İçin Değil 

Çözümün ismi "Knoop" (Kuzey Almancasında: Düğme) ve bu aslında her Löwenstedt’linin Simon Hansenin iş geliştirme firması olan "Sourceboat"’dan ücretsiz olarak temin edebileceği bir yazılım. Kasabadaki gençler hayran kitlesini oluşturuyorlar. Peki ya günlük yaşamlarını akıllı telefon olmadan idame ettiren yaşlı insanlar ne olacak diye merak ettiniz. Bunun içinde bilişimci arkadaşımızın bir çözümü var: Yaşlılara ait bakım evleri gibi kamu kurumlarına bir çeşit "düğme" koymak istiyor. Bir ışık anahtarına benzeyen bu düğme - uygulamasında olduğu gibi - talep üzerine basıldığında eve güvenli bir şekilde ulaşılmasını sağlar. 

Işığa giden Yolda Bir Buluş 

"Knoop" kullanıcılarının olumlu sonuçlandığı görülen deneyimlerinden dolayı, kasaba yöneticileri daha fazla elektrik tasarrufu sağlamak için gece yarısından önce sokak aydınlatmalarını kapatmayı düşünüyor. Simon Hansen, bu yeniliğin daha küçük topluluklara ulaşmasını umuyor. Sokakta bir düğmeye basarak geceleri aydınlananlar sadece Löwenstedt’lilerle sınırlı kalmamalı. 

Knoop Yazılımının Çalışma Şekli

Uygulama yazılımına bağlı bir kontrol ünitesi gerektiğinde sokak lambalarını devreye alır. Bunun için sadece kablosuz bir veri bağlantısı gereklidir. Uygulama yazılımı "Knoop" Löwenstedt bölgesindeki 107 sokak lambasından bir ağ oluşturur. Bunlar genellikle sabah saat birde kapanır. "Knoop" a basıldığında, lambalar on iki dakika boyunca tekrar aydınlatma sağlayacaktır. Tekrar basarsanız daha da uzun. Lambalar sadece ihtiyacınız olduğunda aydınlatır ve böylece elektrikten tasarruf sağlar.

Löwenstedt Kasabasında (650 Nüfuslu) 107 Sokak Aydınlatma Direği Ücretsiz Bir Yazılımla Kontrol Ediliyor

Makineden Makineye (M2M) Çözümler ve Nesnelerin İnterneti

Endüstri 4.0 üst başlığı altında geçen Makineden Makineye (M2M) çözümleri, yakın geçmişte iş dünyasının yabancı olduğu bir takım işletme potansiyellerini açığa çıkardığından ikincil ekonomik sektörlerde giderek daha fazla önem kazanmaktadır. M2M ilk etapta en az iki bilgisayarın otomatik bilgi alışverişinde bulunduğu bir süreçtir. Bunlar mesela uç elemanları, üretim makineleri, otomatlar, motorlu araçlar arasında ya da merkezi bir kontrol odası üzerinden gerçekleştirilebilir. İnternet makineler ve uç elemanları arasında bağlantı elemanı olarak kullanılacak olursa “nesnelerin interneti” nden bahsetmiş oluruz. Yerel M2M çözümleri, mesela RFID ile çalışırken Nesnelerin İnterneti’nde haberleşme yolu olarak farklı WAN erişim ağları kullanılır. Böylelikle M2M çözümleri bilişim ve iletişim tekniklerini birbiriyle ilintili hale getirmektedir. 

Enerji Verimliliği Yüksek Süreçlerin Oluşturulması. 

Bu tarz çözümlerin yardımıyla, iş akışlarının uygun maliyetlerle rasyonalize edilmesi ve üretim artışlarının sağlanması mümkün olabilmektedir. Örneğin satış otomatlarının merkezi bir bilgisayar ile bağlantılı hale getirilmesi sonrasında bu cihazlar kendi başlarına hangi haznesinin hangi ürün ile doldurulması gerektiğini bildirebilir hale gelecektir. Böylesi bir uzaktan takip sistemi sayesinde satış otomatında uzun süreli arıza nedeniyle oluşabilecek satış / kar kayıplarının önüne geçilerek, otomatın işletmesini yapanların otomat üzerindeki doğrudan ve düzenli denetimlerini devam ettirmeleri sağlanmış olacaktır. İş süreçlerinde meydana gelen bu iyileştirmeler ve bununla ilintili tasarrufların oluşması neticesinde sanayi için büyük bir Pazar potansiyeli ortaya çıkmaktadır. 

M2M ve Nesnelerin İnterneti 

      Herşeyden önce, M2M enerji yönetiminde daha önce hiç olmadığı kadar önemli bir rol oynamaktadır. Enerji talebi sürekli şekilde arttığından, enerji maliyetleri tüketiciler açısından olduğu kadar sanayi için de artmaya devam etmektedir. Aynı zamanda, büyük enerji tüketimine paralel olarak çevre sorunlarının giderek daha fazla ön plana çıktığı görülmektedir. Bu nedenle, tüm tüketicilerin gerçekleştirdiği enerji tüketiminin tanımlanarak ve tüm yönleriyle açıklığa kavuşturulnası sonrasında sağlanacak olan maliyetlerdeki düşüş ve enerjinin sürekliliği gibi kavramlar daha da optimize edilebilir. Bu hedefe Enerji-Konseptleri ile ulaşmak mümkündür. Enerji-Konseptleri ile kastedilenler arasında, örneğin Akıllı Monitör, Akıllı Mobil, ve Akıllı Bütüncül Çözüm (smart complete) vs sayılabilir. Özellikle, en son enerji yöntemleri M2M teknolojileri tabanlıdır ve akıllı şebekeler kavramıyla (smart grids ) birlikte tanınır hale gelmişlerdir. Akıllı Bütüncül Enerji-Konsepti akım ölçümü ve takibinde görev alan ve akıllı şebekeleri otomatikleştiren bütüncül bir sistemdir. Akıllı şebekelerde gerçek zamanlı olarak enerji tüketimini göstererek üretici ve tüketiciye aynı anda bu bilgiyi servis eden akıllı sayaçlar bulunmaktadır. Yine akıllı şebekelerle (kullanıcı dostu bir arayüz programı ile ) elektrik enerjisini bilinçli ve etkin kullanabilen meskenlere ait verilerin oluşturulması mümkündür. Akıllı Bütüncül Enerji Konsepti çözümü sayesinde en yüksek bir verimde bile sistemin şeffaflığı en üst seviyede garanti edilmektedir. 

İşletmelerde Akıllı Bütüncül Sistem, elektrik ihtiyat pazarına (spot pazar) yönelik olarak tümüyle akıllı bir ölçüm çözümü sunduğundan , işletmeler için özellikle faydalıdır. Bu çözüm sayesinde tüm enerji türlerine ait verilerin işlenmesi, otomatik bir ağ geçit kontrolü olarak Keep-Alive yani güvenli veri akışı çözümünün sunulması, ve uyarı/alarm verilmesi vs bir çok özellik, işletme için gereken iyileştirme süreçlerinde oldukça etkin şekilde kullanılmaktadır.

Osram Led Ampullerinin Ekolojik Denge Bakımından Değerlendirilmesi

Osram Led Ampulleri 

Osram Opto yarıiletkenleri kullanılarak yapılan LED ampüller ile ilgili olarak ekolojik denge hakkındaki bir çalışma bu ışık kaynaklarının en son jenerasyonlarının çevresel ortamla son derece uyumlu bir performans gösterdiklerini göstermiştir. Bu çalışmayı bir bağlama dahil edebilmek ve ona geçerlilik kazandırmak için ürünlerin tüm ömür beklentisi boyunca sürecek bir şekilde araştırmalar gerçekleştirilmiştir. Bunun için ampullerin üretiminde tüketilen enerji ve kullanılan malzemeler, kullanımları ve kullanımdan çıkarılmaları ve üretim sürecinin çevresel etkileri ciddi şekilde araştırılmıştır. Ampullerin faydalı ömürleri 25000 saat civarındadır ve bu rakam karşılaştırmada kullanılacak baz değerdir. Bu rakam tasarruflu ampullerinkinin 2,5 katı ve enkendesan ampullerin ise 25 katı civarındadır. Sonuç olarak : Günümüzdeki LED ampullerin ekolojik denge değerleri rakamsal olarak tasarruflu ampullerinki ile aynı, konvensiyonel enkendesan ampullerinkinden ise çok daha yüksek mertebelerdedir. 

Eco Siemens Corporate Technology İnovasyon Merkezi uzmanları ile beraber gerçekleştirilen çalışma, Tasarruflu ampullerde olduğu gibi Led ampullerde kullanılan tüm enerjinin % 98 i ışık üretiminde, % 2 kadarlık bir kısmı ise lambanın imalatında kullanıldığını göstermiştir. Gelecekte ekolojik denge bakımından daha iyi sonuçlar elde edileceğinden şüphe duyulmuyor. Araştırma sonuçları, piyasada led lambaların üretiminde çok büyük enerji sarfedildiği yönündeki yanlış kanaatin mesnetsiz olduğunu gösteriyor. Enkandesan lambaların üretiminde kullanılan 3300 kwh primer enerji miktarı ile karşılaştırıldığında, led lambalarda tüketilen enerjinin büyüklüğü olan 700 kwh ‘un ciddi şekilde düşük olduğu ortaya çıkmaktadır. Led ampullerin veriminin sürekli arttığı düşünüldüğünde gelecekte ekolojik denge bakımından çok ciddi iyileşmeler beklenmektedir.