Watt Rallisi 2027: Elektrikli Araçlar İçin Yeni Bir Uzun Mesafe Macerası

Access Organisation Group (AOG), tamamen elektrikli araçlara özel olarak tasarlanan ilk tur rallisi Watt Rally 2027’yi duyurdu. Etkinlik, elektrikli otomobillerin yalnızca şehir içi ulaşımla sınırlı kalmayıp uzun mesafeli maceralara da uygun olduğunu kanıtlamayı amaçlıyor.

Tarih ve Rota: 8-17 Haziran 2027 tarihleri arasında gerçekleşecek rallide 100 takım yarışacak. Amsterdam’dan başlayacak yaklaşık 3.000 kilometrelik rota; Almanya, Danimarka ve İsveç üzerinden geçerek Norveç’teki Hemsedal dağlarında sona erecek.

Teknik Mücadele: Klasik bir hız yarışından ziyade menzil ve batarya yönetimi, akıllı şarj planlaması gibi teknik detayların öne çıktığı bir dayanıklılık sınavı sunuyor. Yarışta VW, Škoda, Renault, BYD ve XPENG gibi markaların modellerinin yer alması bekleniyor.

Neden Norveç?: Şarj altyapısı ve elektrikli mobilite alanında dünya lideri olan Norveç, son etaplar için en ideal zemin olarak seçildi.

Daha önce klasik otomobillerle 20’den fazla ralliye imza atan AOG, bu yeni formatla elektrikli araçların Avrupa genelindeki uzun yolculuk potansiyelini sergilemeyi hedefliyor.

Havai Elektrik Hatlarında Kullanılan izolatörler

Havai Hat izolatörleri

Bilindiği üzere, havai elektrik hatları taşıyıcı direklerden düzgün bir şekilde yalıtılmazsa, akım direk üzerinden toprağa doğru akacak ve bu da tehlikeli bir durum arz edecektir. Tabii ki, bu durumda elektrik iletim hattı enerji aktarımına devam edemeyecektir. Bu nedenle, havai elektrik hatları her zaman direğe monte edilmiş izolatörler üzerinde taşınır.

Enerji iletim hatlarında izolatörler

 
Havai hat izolatörlerinin aşağıdaki özelliklere sahip olması gerekir:

İletken yüküne, rüzgar yüküne vb. dayanabilmek için yüksek mekanik dayanım.
Kaçak akımları en aza indirmek için yüksek elektrik direnci.
Yalıtım malzemesinin yüksek bağıl dielektrik sabitine sahip olması.
Yüksek delinme dayanımı/ark gerilimi oranı

Havai hat izolatörlerinde en yaygın kullanılan malzeme porselendir. Ancak bazen cam, steatit ve diğer bazı özel kompozit malzemeler de kullanılabilir.

Havai Elektrik Hatlarında Kullanılan İzolatör Türleri

Elektrik hatlarının başarılı bir şekilde çalışması için izolatörlerin doğru seçimi çok önemlidir. Havai hat izolatörlerinin çeşitli türleri vardır . En yaygın kullanılan türler şunlardır:

Pin tipi izolatörler
Askı tipi izolatörler
Gergi izolatörleri
Kelepçe izolatörleri

Pin Tipi İzolatörler

Pin tipi izolatörler veya pin izolatörleri , 33 kV'a kadar olan elektrik dağıtım sistemlerinde yaygın olarak kullanılmaktadır . Elektrik hatlarını taşımak için direklerin traverslerine sabitlenirler. Pin izolatörün üstünde iletkeni yerleştirmek için bir oluk bulunur. İletken tel bu oluktan geçirilir ve iletken tel ile aynı tel ile bağlanarak sabitlenir.

Pin izolatörleri genellikle porselenden yapılır, ancak bazı durumlarda cam veya plastik de kullanılabilir. Pin izolatörleri neredeyse her zaman açık havada kullanıldığından, yağmur hali için uygun yalıtım da önemli bir husustur. Islak bir pin izolatörü, akımın direğe doğru akması için bir yol sağlayabilir. Bu sorunu aşmak için, pin izolatörleri yağmur koruyucu veya eteklerle tasarlanmıştır. 33 kV'nin üzerindeki çalışma gerilimlerinde, pin izolatörleri çok hantal ve ekonomik olmaktan çıkar.

Yalıtım Arızası

İzolatör, hem mekanik hem de elektriksel zorlanmalara dayanacak şekilde uygun şekilde tasarlanmalıdır. İzolatör üzerindeki elektriksel gerilme, hat gerilimine bağlıdır; bu nedenle, hat gerilimine uygun izolatörler kullanılmalıdır. Aşırı elektriksel zorlanma ark atlaması veya delinme yoluyla izolatörün bozulmasına neden olabilir .

Ark atlama : İzolatör ark atlamasında, hat iletkeni ile izolatör pini (traverse bağlı olan) arasında bir ark oluşarak elektriksel deşarj meydana gelir. Deşarj, izolatörü çevreleyen havada en kısa mesafeyi izleyerek atlar. Ark atlama durumunda, izolatör aşırı ısı nedeniyle tahrip olmadığı sürece, tasarlanmış kapasitesine göre çalışmaya devam eder.
Delinme : Yalıtkanın delinmesi durumunda, iletkenden yalıtkanın gövdesinden geçen pine doğru elektriksel deşarj meydana gelir. Delinme kaynaklı arızayı önlemek için yeterli kalınlıkta porselen (veya yalıtkan malzeme) sağlanmalıdır. Böyle bir arıza meydana geldiğinde, yalıtkan kalıcı olarak hasar görür.
İzolatörün güvenlik faktörü : Delinme dayanımının atlama gerilimine oranı güvenlik faktörü olarak adlandırılır. İzolatörün delinmeden önce atlamanın gerçekleşmesi için yüksek bir güvenlik faktörü değerine sahip olması istenir. Pim tipi izolatörler için güvenlik faktörünün değeri yaklaşık 10'dur.

Askı izolatörleri

Yukarıda da belirtildiği gibi, pin izolatörleri 33 kV'nin üzerindeki gerilimlerde çok hantal bir hale gelir ve ekonomik olmaktan çıkar. Bu nedenle, 33 kV'den yüksek gerilimler için askı izolatörleri kullanılır. Bir askı izolatörü, birbirine metal bağlantılarla bir dizi halinde bağlanmış bir dizi porselen diskten oluşur. Hat iletkeni, direkteki traverse sabitlenmiş olan askı dizisinin alt ucuna asılır. Bir askı izolatör dizisindeki her disk, örneğin 11 kV gibi düşük bir gerilim için tasarlanmıştır. Bir dizideki disk sayısı, çalışma gerilimine bağlıdır. Askı izolatörleri daha çok yüksek gerilim iletim hatlarında tercih edilir .

Askı izolatörlerinin avantajları

 
Disklerin her biri düşük gerilim, örneğin 11 kV için tasarlanmıştır. Bu nedenle, çalışma voltajına bağlı olarak, belirli bir voltaj için uygun bir izolatör dizisi oluşturmak üzere istenilen sayıda disk seri olarak bağlanabilir.
İzolatör dizisindeki disklerden herhangi biri hasar görürse, kolayca değiştirilebilir. Tüm dizinin değiştirilmesi gerekmez.
Hat üzerindeki talebin artması durumunda, hat gerilimi artırılabilir ve yükseltilen gerilim için gerekli olan ek izolasyon, izolatör dizilerine istenilen sayıda disk eklenerek kolayca sağlanabilir.
Hat iletkenleri askı telleriyle asılı olduğundan, direklerin topraklanmış traverslerinin altından geçerler. Bu düzenleme, yıldırıma karşı kısmi koruma sağlar.
Askı düzeni, hatta daha fazla esneklik sağlar. Askı izolatörlerinin, mekanik gerilimlerin minimum olduğu pozisyona geçebilmeleri için salınmalarına izin verilir.

Gergi izolatörleri

İletim hattının son noktasında, köşesinde veya keskin köşe dönüşlerinde, iletim hattı büyük bir çekme yüküne maruz kalır. Bu büyük gerilimi karşılamak için, son noktalarda veya keskin köşelerde gerinim izolatörleri kullanılır. Yüksek gerilim iletim hatları için gerinim izolatörü, askı izolatörlerinin bir araya getirilmesinden oluşur. Bu durumda, askı dizisi yatay olarak düzenlenir ve izolatör diskleri dikey düzlemde bulunur. Daha büyük gerilimleri karşılamak için iki veya daha fazla askı dizisi paralel olarak birleştirilebilir. Düşük gerilim hatları (11 kV'den az) için gerinim izolatörü olarak kelepçe izolatörleri kullanılır.

Kelepçe izolatörleri

Kelepçe izolatörleri, alçak gerilim dağıtım hatlarında gergi izolatörü olarak kullanılır. Kelepçe izolatörü dikey veya yatay olarak kullanılabilir ve bir cıvata ile doğrudan direğe veya travers koluna sabitlenebilir. Bununla birlikte, dağıtım amacıyla yer altı kablolarının kullanımının artmasıyla bu tür izolatörlerin kullanımı azalmaktadır.

Diğer izolatör malzemesi türleri şunlardır:

 

Mesnet izolatörü

cam izolatör

polimer izolatör

uzun çubuk izolatör

ankraj tipi izolatör

Elektrikli Otomobillerde Sodyum Çağına Giriyoruz

Elektrikli otomobil: Kurşun yerine sodyum kullanan düşük voltajlı batarya seri üretime geçiyor.

1880'lerden beri endüstriyel olarak üretilen kurşun-asit batarya, otomotiv endüstrisinin başlangıcından beri tercih ettiği enerji depolama cihazı olmuştur. Modern elektrikli araçlardaki düşük voltajlı elektrik sistemlerine bile güç sağlar. Ancak, otomobilin doğuşundan beri, en modern araçlar da dahil, arızaların başlıca nedeni olarak ün salmıştır . Batarya teknolojisindeki gelişmeler, LFP bataryaları gibi modern bir alternatifin, ağırlık ve güvenilirlik dezavantajlarının üstesinden etkili bir şekilde gelebileceğini göstermiştir. Ancak bu piller pahalıdır. Kritik hammadde gerektirmeyen, daha ucuz ve daha güvenli araç içi bataryalar için yeni bir aday sodyum-iyon bataryadır.

Sodyum İyon Piller Kurşun Asit Pillerin Yerini Alıyor

Çinli batarya üreticisi Xupai, BAIC'in Arcfox markalı elektrikli araçlarını ilk kez düşük voltajlı elektrik sistemi için sodyum iyon bataryalarla donatıyor. Bu, sodyum iyon teknolojisini sadece elektrikli motorları besleyen çekiş bataryası olarak değil, aynı zamanda geleneksel 12 voltluk kurşun asit bataryaların yerine geçecek şekilde binek otomobillerin seri üretimine taşıyor.

Xupai'nin şirket web sitesinde belirttiği gibi , sodyum iyonlu düşük voltajlı bataryalar, araç elektrik sistemleri, kontrol üniteleri, bilgi-eğlence sistemleri ve sürücü destek sistemlerine güç sağlamak için yardımcı batarya olarak tasarlanmıştır. Şirket, çeşitli uygulamalar için farklı 12V, 24V ve 48V sodyum iyonlu bataryalar sunmaktadır: içten yanmalı motorlar için marş bataryası, start-stop sistemleri, hafif hibritler ve bataryalı elektrikli araçlarda yardımcı batarya olarak.

Kurşundan önemli ölçüde daha dayanıklı ve daha hafiftir.

Xupai'nin düşük voltajlı akülerinin teknik özellikleri dikkat çekici: 12 voltluk yardımcı versiyon için şirket, %100 deşarj derinliğinde 3.000'den fazla çevrim ömrü belirtiyor. Start-stop versiyonunun ise 180.000'den fazla çevrim ömrüne sahip olduğu söyleniyor. Xupai'ye göre, marş aküleri 500 ila 900 amper arasında marş akımı sağlıyor ve benzer kurşun-asit akülere göre yaklaşık %55 daha hafif. Tüm versiyonlarda CAN veya CAN-FD iletişimli bir BMS bulunuyor ve ASIL B fonksiyonel güvenlik seviyesini karşılayacak şekilde tasarlanmıştır.

Avrupa araçlarında yaygın olarak kullanılan geleneksel kurşun-asit AGM veya EFB aküler, yüksek deşarj derinliğinde genellikle yalnızca 200 ila 400 döngüye ulaşır ve sistem düzeyinde kilogram başına yaklaşık 30 ila 40 watt-saat enerji yoğunluğu sunar. Alman mühendislik hizmet sağlayıcısı IAV ve Çinli pil üreticisi HiNa'nın verilerine göre, düşük voltajlı sodyum-iyon aküler bunun iki ila üç katına ulaşarak kilogram başına yaklaşık 80 ila 110 watt-saat enerji yoğunluğuna ulaşır. Ortak bir projede, IAV, deşarj sırasında -40 ila +60 °C sıcaklık aralığında çalışan yalnızca 10 kilogram ağırlığında, 70 amper-saat ve 840 watt-saat kapasiteli 12V'luk bir prototip üretti.

Kurşun ve lityuma göre güvenlik avantajları

Güvenlik açısından sodyum iyon kimyası iyi performans gösterir; sodyum iyon hücrelerinde termal kaçış eğilimi, lityum NMC veya NCA kimyasına göre önemli ölçüde daha düşüktür. Altris gibi üreticiler "sıfır termal kaçış"tan bahseder. Kurşun asitli akülere kıyasla, sülfürik asit, korozyon ve aşırı şarj sırasında hidrojen gazı oluşumuyla ilgili riskler ortadan kalkar. Hücreler ayrıca Çin standardı GB/T-31485'e göre aşırı şarj direnci üzerinden test edilir. Entegre bir BMS, voltajı ve sıcaklığı izler ve kısa devre durumunda beslemeyi kontrollü bir şekilde kapatabilir. Xupai, akülerini yaygın standart boyutlarda tak ve çalıştır yedek parçalar olarak konumlandırır, bu nedenle aracın elektrik sisteminde herhangi bir değişiklik yapılması gerekmez.

BAIC ayrıca sodyum iyonlu çekiş bataryaları da planlıyor.

BAIC için araç içi elektrik sistemlerine geçiş görünüşe göre sadece bir başlangıç: Şirketin araştırma departmanı, kilogram başına 170 watt-saatten fazla enerji yoğunluğuna sahip, yaklaşık 11 dakikada şarj edilebilen ve büyük ölçüde 4C gibi yüksek bir şarj hızına sahip prizmatik bir sodyum-iyon pil geliştirdi . Bu teknoloji, Arcfox T1 modeli için çekiş bataryaları için tasarlanmıştır. Ayrıca BAIC, sodyum-iyon pillerle çalışacak 30.000'e kadar pil değiştirme istasyonundan oluşan bir ağ kurmayı planlıyor. Bununla birlikte, bireysel modellerin ötesinde yaygın seri üretim için resmi bir geliştirme planı henüz mevcut değil.

Çekiş gücü sektöründe sodyum iyon teknolojisi zaten daha gelişmiş durumda: CATL, seri üretilen ilk sodyum iyon tahrik bataryalı elektrikli otomobil olarak kabul edilen Changan Nevo A06 için Naxtra teknolojisiyle 45 kWh'lik bir batarya tedarik ediyor . CATL'ye göre, hücreler kilogram başına 175 watt-saate kadar verimlilik sağlıyor, -40 °C'de %90'ın üzerinde kalan kapasiteye sahip ve yaklaşık 15 dakikada %80'e kadar şarj edilebiliyor.

Avrupa pazarı için perspektifler

Avrupa'da da gelişmeler yaşanıyor: Çinli batarya üreticisi Camel Group, büyük bir Avrupalı ​​otomobil üreticisiyle ön geliştirme projesine 12 voltluk sodyum iyon bataryasını sağladı. Aynı zamanda, IEC (İrlanda Otomobil Komisyonu), 12 voltluk sodyum iyon start-stop bataryaları için uluslararası bir standart geliştirme çalışmalarını sürdürüyor. Dünyanın en büyük 12 voltluk batarya tedarikçisi Clarios da, orijinal ekipman ve satış sonrası pazarı için düşük voltajlı sodyum iyon bataryaları üzerinde çalışıyor.

Almanya, Avusturya ve İsviçre'deki bağımsız tamir atölyesi pazarı için, kurşun-asit bataryalardan sodyum-iyon bataryalara yaygın bir geçişin belirgin sonuçları olacaktır: Yeni teşhis cihazlarının CAN veri yolu üzerinden BMS tabanlı iletişimi desteklemesi gerekecek ve şarj cihazlarının kimyaya özgü şarj profillerine sahip olması gerekecektir. Önemli ölçüde daha uzun çevrim ömrü, değiştirme sıklığını azaltacak ve kurşun-asit bataryalar için geleneksel yedek parça işini küçültecektir. Sodyum-iyon batarya özelliklerine ve yeni standartlara ilişkin eğitim gerekli olacaktır

Quantinuum, Şimdiye Kadar Üretilmiş En Büyük Tuzaklanmış İyon Tabanlı Kuantum Bilgisayarını Tanıttı.

Quantinuum şirketi, 98 kübitlik bir kuantum bilgisayar olan Helios'u tanıttı. 

Helios,bugüne kadarki elektromanyetik olarak askıda tutulan tuzaklanmış iyonlara dayalı  en büyük sistemdir. Merkezi İngiltere'nin Cambridge şehrinde ve ABD'nin Broomfield kentinde bulunan şirket, daha önce 2023'te 32 kübit ve 2025'te 56 kübit içeren öncül sistemlerini sergilemişti.

Quantinuum şirketi, 98 kübitlik bir kuantum bilgisayar olan Helios'u tanıttı

Sabit kablolu kuantum bitlerine sahip süper iletken kuantum bilgisayarların aksine , Helios, baryum iyonlarını sistem içinde fiziksel olarak hareket ettirir. Bu, ilk kez sistemin birden fazla işlemi ardışık olarak değil, eş zamanlı olarak işlemesine olanak tanıyan yeni, dört kollu bir kesişim yapısı sayesinde mümkün olmaktadır ki bu, verileri yalnızca tek bir çizgi veya döngü boyunca hareket ettirebilen daha önceki sistemlerin başaramadığı bir şeydir. Yeni donanım, iki boyutlu kesişim yapısı boyunca verileri hareket ettirmek ve işlemek için en hızlı yolu hesaplayan Helios Runtime adlı özel olarak geliştirilmiş kontrol yazılımıyla tamamlanmaktadır. Uzmanlara göre, bu iki unsurun birleşimi, kuantum bilgisayarların yapımında önemli bir mühendislik ilerlemesini temsil etmektedir. 

Klasik simülasyon yeteneklerinin ötesinde, ancak pratik bir kullanım alanı olmayan hesaplamalar 

Yeni mimarinin en önemli sonuçlarından biri, Helios'un, günümüzün en büyük süper bilgisayarlarında bile bilinen yöntemlerle makul bir sürede ve makul bir enerji tüketimiyle tekrarlanamayan hesaplamaları gerçekleştirebilmesidir. Bu, sistemin ve haleflerinin, klasik algoritmalar ve donanımların kendileri gelişmeye devam etse bile, klasik bilgisayarların işlem gücünü aşabileceğini göstermektedir. Bununla birlikte, şimdiye kadar gerçekleştirilen hesaplamalar yalnızca rastgele kıyaslama (benchmark) testleridir; bu nedenle bu gelişmenin pratik faydaları şimdilik sınırlıdır. En iyimser tahminlere göre bile, bilim ve endüstride gerçekten pratik hesaplamalar yapmak için kuantum bilgisayarların, yaklaşık bir milyon kübit mertebesinde, kat kat daha güçlü olması gerekecektir.

IPD (Akıllı Güç Cihazı) Diğer Adıyla Elektronik Şalter Nedir?

IPD nedir?

Bir IPD (Intelligent Power Device / Akıllı Güç Cihazı), dahili koruma devreleri bulunan yüksek performanslı bir yarı iletken şalterdir ve örneğin endüktif yüklerde ortaya çıkan enerjiyi absorbe edebilecek yapıdadır.

Bölgeye bağlı olarak IPS (Intelligent Power Switch / Akıllı Güç Şalteri), Smart Switch (Akıllı Şalter) veya High-Side/Low-Side Şalter olarak da adlandırılabilir.

IPD Özelliği 1 (MOSFET ile karşılaştırma)

Yarı iletken şalterler düşünüldüğünde akla ilk gelen bileşenler genellikle MOSFET'lerdir.

Ancak tek bir MOSFET şalter olarak kullanıldığında, bağlı devrede bir kısa devre meydana gelirse MOSFET'in kendisi arızalanabilir.

Buna karşılık IPD'ler; aşırı akıma ve ısınmaya karşı koruma sağlayan ve enerjiyi (örneğin endüktif yüklerden gelen enerjiyi) absorbe eden devrelere sahiptir. Bu sayede kısa devre gibi anormal koşullardan kaynaklanan arızalar oluşmadan şalter işlevselliğini sürdürebilirler.

Mosfet Tabanlı IPD Akıllı Güç Cihazı (Elektronik Şalter)

IPD Özelliği 2 (Sigortalar ile karşılaştırma)
Sigortalar, aşırı akıma karşı koruma sağlayan bileşenlerdir.
Mekanik sigortalar, aşırı akım durumunda devreyi açarak akım akışını durdurur. Ancak normal çalışmaya devam edebilmek için değiştirilmeleri gerekir.
Bir IPD, yarı iletken sigorta olarak kullanıldığında, bileşen aşırı akım gibi anormallikleri algılar ve akım akışını keser. Ayrıca (örneğin MCU'ya) bildirim gönderme işlevine de sahiptir; bu özellik arıza nedeninin analizinde etkili olabilir. Bunun yanı sıra IPD'ler kendiliğinden sıfırlanabilir (self-resetting) özelliğe sahiptir, bu nedenle değiştirilmelerine gerek yoktur.

IPD Özelliği 3 (Mekanik röle ile karşılaştırma)
Röleler, harici bir sinyal yardımıyla elektrik devrelerini AÇMA/KAPAMA işlevi gören bileşenlerdir.
Mekanik röleler mekanik kontaklara sahip olduğundan, ömür ve güvenilirlik açısından endişeler söz konusudur. Ayrıca röleler, anahtarlama sırasında genellikle mekanik bir ses üretir.
Buna karşılık IPD kullanan yarı iletken röleler mekanik kontaklara sahip değildir; bu da daha uzun ömür, daha yüksek güvenilirlik ve daha sessiz çalışma sağlar. Ayrıca gövdesi küçük ve hafiftir ve reflow lehimleme ile monte edilebilir. IPD, açma/kapama röle işlevinin yanı sıra aşırı akımı algılayan bir koruma özelliğine de sahiptir

2G Kapatma

2G Teknolojisinde Kapatma Süreci Başladı

Küçük veri miktarları bile son derece önemli olabilir — örneğin akıllı sayaç sistemlerinde, alarm bildirimlerinde ve durum mesajlarında. 2G şebekesi bu tür kesintili iletimler için yeterlidir. Ancak 2028'de planlanan kapatmayla birlikte kritik bilgilerin kaybolması tehlikesi kapıya dayanmıştır. Wireless Logic Mdex'ten Timo Ross, enerji sağlayıcılarının şimdiden harekete geçmesi gerektiğini tavsiye etmekte.

Mobil şebeke operatörlerinin tüm duyurularına rağmen, ABD'de uzun süredir planlanan 3G şebekesinin kapatılması tam anlamıyla arka kapıdan bir karartma oldu. 2022 yılında on binlerce IoT cihazı kurumsal ağlardan sessiz sedasız kayboldu. Bu durum yalnızca hırsızlık ve yangın alarm sistemlerini, tıbbi acil yardım veya uzaktan izleme sistemlerini değil; enerji sağlayıcılarının şebekesindeki sayaçlar gibi kritik bileşenleri de etkiledi. Kuzey Dakota'daki bir şehirde su sayaçları ve tesisler artık izlenip yönetilemez hale geldi. Amerikan basınında pek çok acil çağrı sisteminin çökmesine atıfla "Alarmageddon" terimi yaygınlaştı.

Almanya'da 3G'nin kapatılması nispeten daha sorunsuz geçmişti. O dönemde eski 3G cihazlarının 4G'ye yükseltilmesi gerekmişti; ancak daha az sayıda yüksek güç tüketen IoT cihazı 2G'ye dönüş yaptı.

Almanya'da 2G şebekesinin Haziran 2028'den itibaren kapatılması planlanmaktadır; bu karar, operatörlere LTE ve 5G için daha fazla kapasite sağlamak amacıyla alınmıştır. Bu gelişme, 2021'deki 3G kapatmasından çok daha ağır sonuçlar doğurabilir. 2G şebekesi ortadan kalktığında, bu eski cihazlar IoT dünyasından tamamen "kaybolacaktır."

Enerji sektörü açısından en büyük risk kapsamlı bir karartma değil, kritik sistemler üzerindeki görünürlüğün yavaş yavaş yitirilmesidir.

Alman Enerji Sağlayıcıları İçin Acil Eylem Zorunluluğu

Almanya'daki kritik altyapılarda hâlâ kaç adet 2G bağlantısının aktif olduğu resmi olarak bilinmemektedir. Ancak pazar araştırma şirketi Gartner, Almanya'daki endüstriyel IoT'de en az 700.000 adet 2G bağlantısının hâlâ mevcut olduğunu tahmin etmektedir.

Wireless Logic mdex Genel Müdürü Timo Ross şunları açıklamaktadır: "2028'de planlanan 2G kapatması nedeniyle şimdiden harekete geçilmesi gerekmektedir. Sahada çoğunlukla yüzlerce sensör, router, sayaç ve diğer kritik cihazlar kurulu bulunmaktadır; bunların bir kısmının hangi şebeke teknolojisini kullandığı belgelenmemiş durumdadır. Özellikle enerji sağlayıcılarındaki geniş çaplı şebekeler, bağlı cihazların ayrıntılı bir envanterini zorunlu kılmaktadır. Bu da gerekli yatırımların yanı sıra ciddi bir zaman maliyeti anlamına gelmektedir."

Kapatmaya Hazırlık

Özellikle büyük dağıtım şebekeleri söz konusu olduğunda, Ross'un da vurguladığı gibi, şirketler cihaz envanterlerini kapsamlı bir denetime tabi tutmalıdır; bu denetim kullanılan mobil iletişim teknolojilerinin tespit edilmesini, hücresel modül tedarikçisinin adlarının ve parça numaralarının belgelenmesini ve cihazların fiziksel konumlarının kayıt altına alınmasını kapsamaktadır.

Bunu, üst nesil teknolojiye taşınma sırasının planlanması için bir önceliklendirme adımı izler. Kritik altyapı açısından doğrudan öneme sahip sistemler öncelikli olarak aktüaliz zorundadır.

Bir sonraki adımda şirketler, cihazlarının ve çözümlerinin mevcut ve gelecekteki bağlantı ihtiyaçlarını değerlendirmelidir. Veriler sürekli mi yoksa aralıklı olarak mı iletiliyor? Şebeke elektriği mevcut mu, yoksa pil ya da güneş enerjisiyle çalışma daha uygun bir seçenek mi? Cihazlar nerede konuşlanmış durumda (hem coğrafi açıdan hem de iç mekân/dış mekân, yer üstü/yer altı ayrımı bakımından)? Cihazlar hareket halindeyken mi veri iletiyor, yoksa sabit mi? Yalnızca veri mı iletiliyor, yoksa ses ve SMS de var mı?

Her uygulama için artık geleceğe yönelik, özel tasarımlı mobil şebekeler mevcuttur. Akıllı sayaç sistemleri çoğunlukla binaların derinliklerine gömülü olduğundan, optimum bina içi kapsama için 700 MHz, 800 MHz ve 900 MHz gibi düşük frekans bantları idealdir. Bu uzun dalgalı sinyaller, beton duvarları ve ısı yalıtımlı camları yüksek frekanslara kıyasla çok daha iyi geçmektedir. Ancak sayaç okumalarının aralıklı iletimi için 700 MHz bandındaki 5G fazla kapasiteli olur. Bu uygulama için daha enerji verimli bir alternatif, örneğin NB-IoT'dir. Bununla birlikte, NB-IoT'de radyo hücreleri arasında aktarım (handover) mümkün olmadığından, yalnızca sabit kurulum ve cihazlara uygundur. Öte yandan NB-IoT kapasitesi, aylık 5 MB'ın altındaki veri aktarımlarıyla sınırlıdır. LTE-M ise hem mobil cihazlarda hem de daha yoğun veri trafiğinde kullanılabilir.

Farkı Yaratan Donanım

Envanter sürecinde, sistem ve cihazların güvenlik ile en güncel endüstri standartları açısından mevcut ve gelecekteki gereksinimleri karşılayıp karşılamadığı da incelenmelidir. Entegre eSIM'e sahip router, gateway ve son kullanıcı cihazları önemli bir avantaj sunmaktadır. Yeni SGP.32 standardı, veri bağlantısının uzaktan bakımına olanak tanır; bu sayede operatör ve tarife değişiklikleri kablosuz olarak (over the air) gerçekleştirilebilir ve SIM kart değişimi için fiziksel müdahaleye gerek kalmaz.

Teltonika Almanya'nın Kıdemli Hesap Yöneticisi Chris Schulze şunları söylemektedir: "Daha önce 2G şebekesi üzerinden veri ileten uygulamalar için Teltonika RUT241, kompakt boyutlarıyla profesyonel bir çözüm sunmaktadır. Özellikle klasik SIM veya eSIM kullanımı arasında seçim yapabilme imkânı, over-the-air yönetimi aracılığıyla zahmetsiz bir sağlayıcı geçişi ve çoklu şebeke stratejileri için esnek seçenekler sunmaktadır."

Geçiş sürecinin başlangıçta organizasyonel masraflar ve muhtemelen yatırım gerektireceği bir gerçek olsa da 2G'nin kapatılması süreci büyük fırsatlar barındırmaktadır. Bu dönüşüm, bağlantı altyapısının sürdürülebilir biçimde modernize edilmesini zorunlu kılmakta kritik altyapıyı uzun vadede geleceğe hazır ve daha maliyet verimli bir hale getirmektedir.

Timo Ross şöyle devam etmektedir: "Ağ altyapısı kurmak, bir şirketin rekabet gücü açısından uzun vadeli ve belirleyici bir karar niteliği taşımaktadır. Amacımız, yeniden yapılandırma (retrofit) durumlarında dahi tarife ve mobil şebeke seçiminde tam esneklik sağlamaktır. Bu nedenle yalnızca küçük veri miktarları için özel tasarlanmış bağlantı çözümleri değil, aynı zamanda profesyonel ve uzun ömürlü donanım da sunuyoruz."

Red Pitaya : Elektronik Sevdalıları İçin Üst Düzey Bir Araç

Red Pitaya: Test ve Ölçüm İçin FPGA Geliştirme Kartı

Red Pitaya ve 1.000+ Click Board™ ile Sonsuz Olanaklar

Bir elektronik meraklısıysanız ve projelerinizi bir üst seviyeye taşımak istiyorsanız, Red Pitaya kartı tam size göre bir araçtır. Bu devrim niteliğindeki açık kaynak platformu, kompakt bir cihazda birden fazla enstrümanı birleştirerek mühendisler, hobi meraklıları ve araştırmacılar için olmazsa olmaz bir ürün özelliği sergiler. Red Pitaya kartı, genellikle elektroniğin İsviçre çakısı olarak adlandırılır ve osiloskop, sinyal üreteci ve spektrum analizörü gibi hantal laboratuvar ekipmanlarının yerini alır. Bu sayılanları kullanıcılara kredi kartı boyutunda, kompakt ve uygun fiyatlı bir pakette sunar. Açık kaynak tasarımı sayesinde kullanıcıların özel uygulamalar geliştirmesine ve paylaşmasına olanak tanıyarak yeniliği teşvik eder ve bu sayede elektronik projeleriniz için nihai hepsi bir arada çözüm haline gelir. 

Neden Red Pitaya'yı Seçmelisiniz?

• Gelişmiş Çok Yönlülük: Bir Red Pitaya kartı, sinyal işleme ve telekomünikasyondan robotik ve IoT projelerine kadar geniş bir uygulama yelpazesine uyarlanabilir. Modüler tasarımı sayesinde, her zaman özel ihtiyaçlarınıza göre uyarlayabilirsiniz.

• Uygun Maliyetli Yenilik: Pahalı, özel cihazlara elveda diyebilirsiniz.  Bir Red Pitaya kartı, bütçenizi zorlamadan üst düzey özellikler sunar ve gelişmiş elektroniği herkes için erişilebilir kılar.

• Taşınabilirlik ve Konfor: Red Pitaya'nın kredi kartı boyutundaki kompakt yapısı sayesinde laboratuvarınızı her yere götürebilirsiniz. İster hareket halinde olun ister masanızda oturun, Red Pitaya sürekli yol arkadaşınızdır.

• Açık Kaynak Topluluğu: Uygulamaları, eğitimleri ve fikirleri paylaşan küresel bir meraklı ve profesyonel ağına katılın. Kapsamlı dokümantasyon ve destek sayesinde kendinizi asla kaybolmuş hissetmezsiniz.

Click Shield ile Tanışın: Sonsuz Olanakları Ortaya Çıkarın
Red Pitaya yeterince çok yönlü bir cihaz olmakla beraber, yeni Click Shield onu tamamen yeni bir seviyeye taşıyor. Bu yenilikçi genişletme kartı sayesinde, MikroElektronika'nın 1.000'den fazla farklı Click Board™'unu bağlayabilir ve bir olasılıklar dünyasının kapılarını açabilirsiniz. Bu tak-çalıştır modüller, sensörler ve iletişim arayüzlerinden motor sürücüleri ve ekranlara kadar her şeyi kapsar. Click Shield ile projelerinize yeni işlevler eklemek hiç bu kadar kolay olmamıştı.

Click Shield Nedir?
Click Shield, Red Pitaya ile geniş Click Board™ yelpazesi arasında bir köprü görevi görür. Karmaşık kablo bağlantıları veya ileri düzey teknik bilgi gerektirmeden sorunsuz entegrasyon sağlar. Click Shield'i Red Pitaya'nıza takın, seçtiğiniz Click Board™'larını bağlayın ve yenilik yapmaya hazır olun.

Projelerinize Nasıl Katkıda Bulunabilir?

• Sınırsız Özelleştirme: Minimum çabayla istediğiniz her işlevselliği ekleyebildiğinizi hayal edin. Çevresel koşulları mı izlemeniz gerekiyor? Motorları mı kontrol etmeniz gerekiyor? Kablosuz iletişim mi uygulamanız gerekiyor? Bunun için bir Click Board™ var!

• Kullanım Kolaylığı: Click Shield, sorunsuz entegrasyon için tasarlanmıştır ve karmaşık konfigürasyonları gereksiz kılar. Lehimleme veya karmaşık kablo bağlantısı yok. Sadece Click Board™'u takın ve başlayın.

• Uygun Maliyetli Genişleme: Birden fazla özel cihaza yatırım yapmadan Red Pitaya'nızın yeteneklerini genişletin. Click Shield, projenizin kapsamını genişletmek için bütçe dostu bir yol sunar.

• Topluluk Desteği: Geniş bir kullanıcı topluluğu ve kapsamlı dokümantasyon ile başarınız için ihtiyacınız olan tüm kaynaklara sahipsiniz. Fikir alışverişinde bulunun, ilham alın ve ihtiyacınız olduğunda yardım isteyin.

Yapay Zekanın İmalat Sektöründe Kullanımı

Yapay Zeka Endüstri ve Veri İlişkisi

Günümüzde pek çok yönetici, yapay zekayı üretim proseslerinde de geniş ölçekte kullanmak istiyor. Halbuki sağlam bir veri altyapısı olmadan (pilot) projeler başarısızlığa mahkumdur. Verileri ikincil önemde bir unsur olarak değil, temel bir altyapı olarak ele alma anlayışı, günümüzde köklü bir dönüşüm için hayati önem taşımaktadır.

Endüstride, yapay zeka girişimlerine yönelik konsept kanıtlama işlemi genellikle büyük umut vaat eder, ancak çoğu zaman beklenen yatırım getirisini sağlayamaz. Burada suçlu genellikle yapay zeka modellerinin kendisi değil, altta yatan veridir: imalat sektöründe yaygın olarak görüldüğü üzere, parçalanmış, kötü yönetilen ve bağlamdan yoksun veri ortamları.

Bu nedenle AI girişimleri, işe kökten bir yeniden yönlenimle buradan başlamalıdır: Veriler artık sistemlerin bir yan ürünü veya bir uyum sorunu olarak değil, üretim planlarından kestirimci bakıma kadar her şeyin merkezinde yer alan bir unsur olarak görülmelidir. Bunu başarmak için veriler, kendi başına bir altyapı olarak ele alınmalı; verilerin bakımı yapılmalı, standartlaştırılmalı ve kalitesi izlenmelidir.

Onlarca farklı veri akışı

Ancak özellikle üretim ortamında bu, kolay bir iş değildir. Zira endüstriyel sensörler, ERP sistemleri, üretim hatları ve tedarik zincirleri arasında onlarca farklı veri akışı meydana gelmektedir. Bunları, öngörüye dayalı veya üretimi ilgilendiren modelleri destekleyen tutarlı bir tablo halinde bir araya getirmek, hem teknik hem de kültürel açıdan bir zorluktur.

Burada belirleyici olan,verileri bağlamlama, bir bağlama oturtma becerisidir. Çünkü gerçekten anlamlı verisel ürünler elde etmek için şirketlerin bütüncül bir bakış açısına ihtiyacı vardır. Bunun temeli, konsolide veri setleri, tutarlı tanımlar ve hangi verilerden kimin sorumlu olduğunun net bir şekilde belirlenmesidir.

Şirket Ölçeğinde Tanımlar

Özellikle şirket ölçeğindeki tanımların gerekliliği sıklıkla göz ardı edilir, ancak bu çok önemlidir. Örneğin, farklı departmanlar, sistemler veya uygulamalar "müşteri" için farklı tanımlar kullanırsa, bu karışıklığa yol açar ve güvenilir AI sonuçları elde edilemez.

Amaç sadece daha fazla veri depolamak değil, aynı zamanda bu verilerin uyumlaştırılması için gerekli koşulları yaratmaktır. Buna hem teknik araçlar hem de organizasyonel olgunluk dahildir: Yönetişim, kalite güvencesi, veri kaynağı belgeleme, erişim kontrolleri, şifreleme ve önyargıları azaltmaya yönelik önlemler en başından itibaren veri yığınına entegre edilmelidir.

Yapay Zekayla Çalışan Otonom Yazılımlar (Ajanlar) Bağlama İhtiyaç Duyar

Şu anda özellikle ajan-tabanlı yapay zeka ile ilgili büyük beklentiler var. Çünkü bu ajanlar dijital ekosistemlerde otonom olarak gezinebilir, sistemlere sorgu gönderebilir ve insan müdahalesi olmadan eylemler gerçekleştirebilir. Bu, eskiden veri federasyonu veya veri sanallaştırma olarak adlandırılan kavramına ait bir sonraki yineleme işlemidir. Ancak, gerekli bağlamı sağlayan konsolide ve düzgün yönetilen bir veri tabanı olmadan, güvenilirliği düşük ve tutarsız yanıtlar riski ortaya çıkar.

Finans veya insan kaynakları gibi alanların aksine, üretim sektörü endüstriyel verilerin fiziksel ve dağınık yapısı nedeniyle tamamen farklı zorluklarla karşı karşıyadır: Bir parçanın ne zaman üretilmesi gerektiğini belirlemek, çalışma süresini nasıl optimize edebileceğini bulmak veya kullanıma hazırlık halinin nasıl tahmin edebileceğini öğrenmek için tedarik zincirleri, operasyonel süreçler ve tesis performans verileriyle derin bir entegrasyon gereklidir. Böyle bir veri yapısı olmadan otonom ajanlar çalışamaz.

Modern Endüstriyel Veri Yığını

Peki, üreticiler veri altyapılarını kurarken nelere öncelik vermelidir? İlk adımda referans veriler, ERP sistemleri, müşteri hiyerarşileri ve tedarik ilişkileri yer alır. Buradan yola çıkarak, sistemler hızla IoT sensör akışlarına ve üretim verilerinin gerçek zamanlı olarak sürekli toplanmasına,  aktarım ve analizine genişletilmelidir. En geç bu aşamada veri konsolidasyonu kaçınılmaz hale gelir.

Bu süreçte sürekli yayın (streaming) platformları giderek daha fazla önem kazanmaktadır. Bu platformlar, makinelerden, kontrol sistemlerinden veya harici sağlayıcılardan gelen tüm kaynaklardan verileri beslemeyi ve bunları neredeyse gerçek zamanlı olarak bir analiz ve yapay zeka ortamına aktarmayı mümkün kılar. Önemli olan, bu veri akışlarının ortak, açık ve yaygın bir depolama formatında sunulmasıdır.

Veri Gölleri Temeli Oluşturmakta

Veri göllerine yüksek öncelik verilmelidir. Son yıllarda önemli ölçüde gelişen veri gölleri, artık sürekli yayın, yapay zeka ve gerçek zamanlı karar verme süreçlerinin güvenilir bir şekilde işleyebilmesi için gerekli temeli oluşturmaktadır. Apache Iceberg ve Delta Lake gibi sağlam teknolojiler, bu alanda yapılandırılmış, ölçeklenebilir ve maliyet etkin bir veri erişimine imkan sağlar. Tek tip kataloglar ve açık tablo formatlarıyla birlikte, üreticilere tek bir temiz ve yönetilebilir veri kümesiyle birden fazla iş yükünü yürütme esnekliği sunar. Bu gelişmeler, geleneksel veri ambarları ile veri gölleri arasındaki uçurumu giderek kapatmaktadır. Gelecekte bu ayrım tamamen ortadan kalkabilir.

Teknoloji ve Kurum Kültüründeki Dönüşüm

Ancak bu da yapay zeka girişimlerinin başarısını garanti etmez. En zor kısım genellikle mimari değil, uyumdur: Geleneksel bir kurum kültürü – özellikle BT, OT ve veri ekiplerinin birbirinden izole bir şekilde çalıştığı ortamlarda – en zarif çözümleri bile başarısızlığa uğratabilir. Bunu değiştirmek için yöneticilerin öncülük etmesi gerekir. Bunu başarmanın zarif bir yolu, verilerin ölçülebilir bir fark yaratabileceği küçük ama önemli bir sorun seçmektir. Burada olumlu bir sonuç ve ölçülebilir bir yatırım getirisi elde edilebilirse, bu durum bir vaka çalışması olarak kullanılır ve böylece şirket içinde güven tesisi ve kültürel dönüşüm elde edilmiş olur.

Verileri İşe Yönelik Kritik Kaynak Olarak Görmek

Bu kültürel dönüşüm sürecinde, verilerle ilgili sorumluluk konusunu da ele almak gerekir. Veriler teknik anlamda bir kaynak olarak değil, işe yönelik kritik bir kaynak olarak görülmelidir. Verinin kaynağı ve ana veri yönetiminden, yasal düzenlemelere uyum ve algoritmik şeffaflığa kadar uzanan yönetişim mekanizmaları, bunun için stratejik bir ön koşuldur.

AI Başarısının Temeli

Birçok imalat şirketi bu yolculuğun henüz başındadır. Bazıları modern veri işlem hatlarını ve veri odaklı stratejileri çoktan uygulamaya koymuşken, diğerleri hâlâ eski sistemler, birbirinden kopuk ekipler ve sınırlı pilot projelerle uğraşmaktadır. Ancak değişim hızlanıyor; son aylarda açık masa formatları ve tek tip altyapı konusunda güçlü bir dinamizm yaşandı. Teknolojileri olgunlaştıran bu ivmeyi, şirketler dijital stratejilerini yeniden değerlendirmek ve sağlam ve ölçeklenebilir bir yapı oluşturmak için kullanmalıdır.

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).

Akıllı Aydınlatma Tadilatı Hastanede Verimliliği, Teşhis ve Hastaların Esenliğini Artırıyor

Bryan Health, Nebraska ile Kansas, Iowa, Güney Dakota ve bölgedeki diğer eyaletlerin bazı bölgelerde hizmet veren, yerelde kar amacı gütmeyen bir sağlık kuruluşudur. Planlı bir tadilat gereksinimi ortaya çıktığında Bryan Health yönetimi, Nebraska'da bulunan Doğu ve Batı Kampüslerinin aydınlatma altyapısında bir iyileştirme ve floresan armatürleri enerji verimli LED'lerle değiştirme fırsatını değerlendirmek istedi. Yeni, modern bir aydınlatma sistemi; enerji tüketimini önemli ölçüde azaltma, işletme maliyetlerini düşürme ve bakımı kolaylaştırma vaadi taşıyordu. Peki başka neler yapılabilirdi ? Görünen o ki, oldukça fazla sayıda seçenekler söz konusuydu..

Bryan Health'te baş elektrik teknisyeni olan Mike Wiruth, dahili paydaşlarla birlikte aydınlatmaya yönelik uygulamalar ile olası entegrasyon stratejilerini araştırdı. Bu stratejiler, aynı zamanda doktorların verimliliğini destekleyebilir ve hastanın iyilik hali ile iyileşme sürecine katkıda bulunabilirdi.

Proje Hedefleri:

· KİŞİSELLEŞTİRME: İşyeri ve sağlık çalışanlarına, vazifelerine özel aydınlatma senaryolarını denetleme imkânı vermek. Aydınlatma kontrolü, özellikle radyologların röntgen çekimi ve görüntüleri incelemesi sırasında kritik önem taşımaktadır.

· DİMLEME(KISMA) KABİLİYETİ: Aydınlatma armatürlerinin, gün ışığından faydalanmak ve LED lambaların parlaklığını azaltarak kamaşmayı önlemek maksadıyla dimlenebilir/kısılabilir olması gerekiyordu.

· VERİMLİLİK: Belirli görevleri kolaylaştırarak otomatikleştirecek, gereksiz enerji tüketimini azaltacak ve elektrik faturalarını düşürecek bir aydınlatma sistemine ihtiyaçları vardı. Fazladan bir jest olarak, kurumun elektrik tedarikçisi Lincoln Electric System, Bryan Health'e sökülen her floresan lamba için bir geri ödeme ve sisteme ilave edilecek aydınlatma kontrol donanımının kurulum işçilik maliyetlerinin belirli bir yüzdesini karşılayacak ayrı bir indirim teklif etti.

· MERKEZİLEŞME: Tüm sistemi, kullanımı kolay, bulut tabanlı, merkezi bir aydınlatma sistemi ve gelişmiş veri görselleştirme araçlarıyla yönetmek istiyorlardı.

Wiruth ve ekibi, aydınlatma yönetimiyle ilgili seçenekleri değerlendirdikten sonra, gelişmiş aydınlatma kontrolleri, kullanıcı dostu bir gösterge paneli ve akıllı veri görselleştirmesi sunan Osram'ın Encelium aydınlatma yönetim sistemini seçti. Binaların geneline stratejik olarak yerleştirilen enerji kontrol üniteleri sayesinde Wiruth ve ekibi, tüm aydınlatma öğelerini uzaktan kontrol edebiliyor ve her iki kampüsteki performans, kullanım ve doluluk durumunu gerçek zamanlı olarak kuşbakışı görüşle izleyebiliyor.

Çalışma mahallerinde, her bölmeye doluluk sensörleri yerleştirildi. Bu sensörler, bölme boş olduğunda ışıkları otomatik olarak kapatıyor. Wiruth, bunun en büyük enerji tasarrufu sağlayan uygulama olduğunu belirtiyor.

Röntgen odalarında, radyologların röntgen görüntülerini incelemek için en uygun ışık seviyelerini otomatik olarak ayarlayabilmeleri amacıyla görev bazlı ayar seviyeleri ve önceden ayarlanmış aydınlatma senaryoları yapılandırıldı. Önceden ışıkları manuel olarak kısan hemşireler şimdi, sistem Röntgen modundayken bir ayak pedalına bağlı Sensör Arayüz Modülü üzerinden, doktorun daha önce kaydedilmiş aydınlatma tercihlerini ve özel senaryolarını otomatik olarak tetikliyor. Doktor ayağını pedaldan çektiğinde ise Röntgen modu kapanıyor ve sistem orijinal senaryoya geri dönüyor.

Hemşire istasyonunda, Encelium sistemine bağlı basit bir uzaktan kumanda anahtarı kurularak hemşirelerin istasyondan ayrılmadan ambulans giriş kapısını açabilmeleri sağlandı.

Büyük konferans salonlarında, bir depolama odasında "arka planda" bulunan bir Encelium denetleyicisine birden fazla aydınlatma senaryosu önceden programlandı. Salon bir etkinlik için hazırlanırken, sorumlu kişi tüm salonun mu yoksa salonun daha küçük konferans odalarına bölünerek mi kullanılacağına bağlı olarak uygun aydınlatma senaryosunu belirliyor. Bu durum, enerji tasarrufu sağlarken operasyonları da kolaylaştırıyor.

Acil Servis'te personel, altı kat aşağıdan, ağ bağlantılı bir anahtar kullanarak helikopter pistinin aydınlatmasını kontrol edebiliyor. Önceden, lambaları ikinci kattan sekizinci kattaki helikopter pistine giden vaviyen tesisat kullanarak açıyorlardı. Yenileme sırasında, bu uzun boru tesisatını taşımaları gerekecekti ve bunun yerine uzaktan çözümü kurmayı tercih ettiler.

Hastanelerde Aydınlatma Sistemleri Önemli Bir Tasarım Kriteridir. 

Aydınlatma sistemine yapılan yatırım, önemli enerji ve enerji dışı faydalar sağladı. Örneğin:

· ENERJİ VERİMLİLİĞİ: LED iyileştirmesi ve kampüs genelindeki hassas programlama sayesinde aydınlatma enerjisi kullanımında %57 oranında azalma sağlandı.

· DAHA İYİ TEŞHİS: Röntgen odalarındaki önceden set edilmiş aydınlatma senaryoları, doktorlar için son derece doğru tıbbi teşhis imkânı sağladı ve röntgen inceleme süreçlerini büyük ölçüde kolaylaştırdı. Wiruth, "Radyologlarımız ve ilgili doktorlarımız, aydınlatma kalitesinde ve kullanıcı arayüzünde büyük bir iyileşme gördü" diyor.

· DAHA AZ DESTEK TALEBİ: Artık patlamış floresan lambaları değiştirmeye gerek kalmadığından, yardım masasına ve tesis yöneticisine gelen destek taleplerinin sayısı gözle görülür şekilde azaldı.

· DAHA KISA MÜDAHALE SÜRELERİ: Tesis personeli, kullanıcılar fark etmeden arızalı lambaları tespit edip detaylı inceleme yapabildiğinden, genel günlük aydınlatma sorunlarını çözmede daha proaktif olabiliyorlar.

· ARTAN BİREYSEL KONFOR: Kendi aydınlık seviyelerini kişisel ihtiyaçlarına göre ayarlama, düzenleme ve özelleştirme imkânına sahip olan ofis personeli ve sağlık çalışanları, iş yerinde artan memnuniyet ve konfor ifade etti. Wiruth, "Çalışma alanlarında, her gün, kendi ihtiyaçlarına uygun ışık seviyelerini ayarlayabiliyorlar" diyor.

· UZAKTAN KONTROL: Biri ışıkları kapatmayı mı unuttu? Sorun değil. Sistemin gelişmiş aydınlatma kontrolleri sayesinde Wiruth, herhangi bir kampüs lokasyonundaki bir ışığı açıp kapatabiliyor. Wiruth, " Lambalar ağımıza bağlı olduğu sürece onları kontrol edebiliriz. Bu harika ve çok güvenilir" diyor.

Wiruth'a göre, aydınlatma ve kontrol sistemi yükseltme, uygulama ve entegrasyon süreci sorunsuz ilerledi. Benzer bir entegrasyon projesi üstlenmek isteyen tesis yöneticileri için şu tavsiyelerde bulunuyor:

· KÜÇÜK BAŞLAYIN VE ÖLÇEKLENDİRİN: Wiruth, kaldırabileceğinizden fazlasını yüklenmemenizi tavsiye ediyor. Bina portföyünüz büyüdükçe veya ihtiyaçlarınız değiştikçe kolayca ölçeklendirilebilecek bir sistem satın alın ve uygulayın.

· UZMAN OLUN: Sistemi en ince ayrıntısına kadar anlayan, sahiplenen ve bu konuda eğitim almış bir kişinin sahada bulunmasını öneriyor. Bu, sistemde zaruri bir değişiklik veya tamir gerektiğinde size zaman kazandırır. Wiruth ve bir teknisyen, Osram tarafından düzenlenen bir günlük kullanıcı eğitimine katıldı. Aydınlatma sistemini ve tüm özelliklerini öğrenmek için kullanım kılavuzunu okudu. Ayrıca, operasyonlardaki aksamaları en aza indirmek için, bir yenileme projesinde görev alacak müteahhitlere mevcuttaki sistemi yeterli olacak kadar tanıtıyorlar.