Ensemble Multi-Task Learning (E-MTL), bir hava işleme ünitesinin birbiriyle ilişkili birden fazla işletme değişkenini aynı anda tahmin eden farklı çok görevli öğrenme modellerinin çıktılarını Gradient Boosting Regression Tree (GBRT) tabanlı bir meta-modelde birleştiren veri-temelli bir tahmin çerçevesidir. Bu çalışmada sistem; RTU dönüş havası sıcaklığı, dönüş havası bağıl nemi ve RTU elektrik tüketimini birlikte tahmin etmek amacıyla Oak Ridge National Laboratory Flexible Research Platform'dan alınan gerçek HVAC işletme verileri üzerinde geliştirilmiştir.

Temel model ortak bir Gated Recurrent Unit (GRU) zaman serisi kodlayıcısı kullanmaktadır. Dokuz giriş değişkeninin geçmiş zaman penceresi iki adet 64 gizli birimli GRU katmanından geçirilmekte ve ortak temsil üç ayrı regresyon görevine ayrılmaktadır. Çalışmada ortalama kayıp kullanan standart Multi-Task Learning (MTL), geometric loss kullanan MTL-GL, dynamic weighting kullanan MTL-DW ve uncertainty weighting kullanan MTL-UW olmak üzere dört farklı görev ağırlıklandırma stratejisi değerlendirilmiştir.

Kaynağın yöntem bölümüne göre üç hedefin tamamı bir sonraki zaman adımı, yani 1 dakika sonrası için tahmin edilmektedir. Kullanılan girişler dış hava sıcaklığı ve bağıl nemi, ortalama iç ortam sıcaklığı ve bağıl nemi, RTU besleme havası sıcaklığı ve bağıl nemi, RTU hava debisi ile mevcut dönüş havası sıcaklığı ve bağıl nemidir. RTU elektrik tüketimi çıktı hedefidir ve dokuz girişli listede yer almamaktadır.

Bireysel modeller içinde standart MTL, dönüş havası sıcaklığı için MSE=0,0022, MAE=0,0391 °C ve \(R^2=0,9873\) ile güçlü sonuç vermiştir. Dönüş havası bağıl neminde en yüksek \(R^2\) değeri 0,9632 ile MTL-DW'de görülürken, RTU tüketiminde en düşük MSE ve en yüksek \(R^2\) sırasıyla 6702 ve 0,8861 ile MTL-UW'de; en düşük MAE ise 40,7777 ile MTL-GL'de raporlanmıştır.

Yazarlar ensemble yaklaşımını modellerin farklı görevlerdeki güçlü yönlerini birleştirmek amacıyla geliştirmiş ve E-MTL1'i tercih edilen ensemble yapı olarak tartışmıştır. E-MTL1 için dönüş havası sıcaklığı, bağıl nem ve RTU tüketimi \(R^2\) değerleri sırasıyla 0,9843, 0,9632 ve 0,8761'dir. Bununla birlikte yayınlanan Tablo 3 ve Tablo 4 karşılaştırıldığında ensemble modellerin bütün metriklerde bütün bireysel MTL modellerini sürekli olarak geçtiği yönündeki güçlü kaynak anlatımı sayısal tablolar tarafından tam olarak desteklenmemektedir. Bu nedenle sonuçlar, ensemble yaklaşımının potansiyelini gösteren fakat kaynak içi performans tablosu tutarsızlıkları dikkate alınarak yorumlanması gereken bir modelleme çalışması olarak değerlendirilmelidir.

Bir AHU neden tahmine dayalı olarak değerlendirilmek istenir?

Heating, Ventilation and Air-Conditioning (HVAC) sistemleri binalardaki sıcaklık, nem, hava kalitesi ve hava dolaşımını yönetir. Air Handling Unit (AHU), bu sistemin bina içine gönderilecek havayı hazırlayan temel bileşenlerinden biridir. AHU; dış hava ile dönüş havasını karıştırabilir, havayı filtreleyebilir, ısıtabilir veya soğutabilir, nemini değiştirebilir ve fanlarla şartlandırılmış hacimlere gönderebilir.

Çalışma, özellikle dönüş havası özelliklerinin sistem performansına ilişkin bilgi taşıdığı varsayımından hareket etmektedir. Dönüş havası sıcaklığının veya bağıl neminin beklenen çalışma aralığından sapması; aşırı soğutma, yetersiz soğutma, yetersiz nem alma veya ekipman davranışındaki başka bir değişimle ilişkili olabilir. RTU'nun elektrik tüketimi de aynı anda enerji performansının değerlendirilmesine yardımcı olabilir.

Çalışmanın araştırma boşluğu, HVAC literatürünün önemli bölümünün arıza teşhisi veya optimal kontrol üzerinde yoğunlaşmasına karşılık, AHU'nun gelecekteki işletme çıktılarının birlikte tahmin edilerek doğrudan performans göstergesi olarak kullanılması konusuna daha az odaklanmış olmasıdır.

Ensemble Multi-Task Learning Modeli Nedir?

Bu çalışmadaki Ensemble Multi-Task Learning modeli, aynı üç AHU çıktısını tahmin eden dört farklı GRU tabanlı çok görevli öğrenme modelinin tahminlerini ve doğrulama verisinden elde edilen model önem bilgilerini GBRT tabanlı bir meta-modelde birleştiren tahmin mimarisidir. Amaç, tek bir görev ağırlıklandırma yönteminin her değişkende aynı ölçüde başarılı olmayabileceği durumlarda farklı modellerin bilgi ve tahminlerini ortak bir üst modelde kullanmaktır.

AHU içindeki temel hava akışı

Vaka çalışması ve veri kaynağı

Deneysel veri Oak Ridge National Laboratory tarafından sağlanan gerçek zamanlı RTU işletme verisidir. Verilerin toplandığı Flexible Research Platform iki katlı bir araştırma binasıdır. Ana HVAC ekipmanı 44 kW kapasiteli, enerji verimlilik derecesi 9,6 olarak verilen bir rooftop unit'tir. Sistem direct-expansion (DX) soğutma serpantini ve ısıtma serpantini içermektedir.

Binada on termal bölge bulunmakta ve her bölge kendi Variable Air Volume (VAV) kutusuyla hizmet almaktadır. Orijinal deney altyapısında 500'den fazla sensör bulunmaktadır ve veriler Campbell Scientific CR3000 veri kaydediciyle 1 dakikalık çözünürlükte toplanmıştır.

Orijinal soğutma sezonu deneyi üç işletme dönemini içermektedir: 8–14 Temmuz 2021 temel işletme, 20–25 Temmuz 2021 free-floating işletme ve 28 Temmuz–4 Ağustos 2021 night-setback işletme. Bu araştırmanın ayrıntılı model analizinde yalnız 8–14 Temmuz 2021 temel soğutma dönemi kullanılmıştır.

Bu dönemde dış hava sıcaklığı yaklaşık 20 °C gece minimumu ile 32 °C gündüz maksimumu arasında değişmiştir.

Modelde kullanılan dokuz giriş ve üç çıktı

Kaynak Tablo 1'de RTU hava debisi m³/h olarak verilmesine karşın, model özelliği Tablo 2'de m³/s olarak gösterilmektedir. Aynı şekilde kaynak RTU değişkenini bazı yerlerde “power”, bazı yerlerde Wh cinsinden “power consumption/electric energy consumption” olarak adlandırmaktadır. Verianla metni bu birim ve terminoloji farklarını sessizce birleştirmemektedir.

Veri temizleme ve veri sızıntısının önlenmesi

Tarih alanı biçimlendirilmiş ve eksik gözlemler moving average yöntemiyle doldurulmuştur. Bölgesel VAV ölçümleri tek tek modele verilmemiş; on termal bölgenin iç sıcaklığı ve bağıl nemi bina temsilcisi ortalama değerlere dönüştürülmüştür.

Temizlenmiş veri önce 8:1:1 oranında eğitim, doğrulama ve test kümelerine ayrılmıştır. Böylece doğrulama ve test bilgilerinin eğitim ön işlemesine sızması azaltılmaya çalışılmıştır.

Aykırı değer analizi yalnız eğitim verisi üzerinde yapılmıştır. Her özellik için birinci çeyrek \(Q_1\), üçüncü çeyrek \(Q_3\) ve:

\[ IQR=Q_3-Q_1 \]

hesaplanmıştır. Aşağıdaki sınırların dışındaki gözlemler aykırı olarak işaretlenmiştir:

\[ [Q_1-1.5\,IQR,\;Q_3+1.5\,IQR] \]

Aykırılıklar özellikle RTU elektrik tüketiminde görülmüş ve yazarlar bunların büyük bölümünü gerçek işletme durumundan çok kısa süreli data-logger transientleri olarak yorumlamıştır. İşaretlenen RTU tüketim değerleri, normalizasyondan önce en yakın iki geçerli zaman noktası kullanılarak doğrusal enterpolasyonla değiştirilmiştir.

Standardizasyon için yalnız eğitim setinden elde edilen ortalama ve standart sapma değerleri kullanılmış; aynı parametreler doğrulama ve test setlerine uygulanmıştır.

GRU neden kullanılıyor?

Gated Recurrent Unit, ardışık zaman serilerindeki geçmiş bilgiyi gizli durum üzerinden taşıyan ve hangi geçmiş bilginin korunacağı veya bastırılacağını güncelleme ve sıfırlama kapılarıyla düzenleyen bir recurrent neural network yapısıdır. Kaynak, LSTM'ye göre daha sade iki-kapılı GRU yapısını daha düşük eğitim karmaşıklığıyla zamansal bağımlılıkları yakalayabilen bir alternatif olarak kullanmaktadır.

Kaynağın GRU hesaplamaları aşağıdaki zincirle verilmektedir:

\[ r_t=\sigma_{\mathrm{sig}}\left(U_rS_{t-1}+W_rx_t\right) \tag{1} \]

\[ \rho_t=\sigma_{\mathrm{sig}}\left(U_zS_{t-1}+W_zx_t\right) \tag{2} \]

\[ \check{S}_t= \phi_{\tanh}\left[ U_h(r_t\cdot S_{t-1})+W_hx_t \right] \tag{3} \]

\[ S_t=(1-\rho_t)\cdot S_{t-1}+\rho_t\cdot\check{S}_t \tag{4} \]

\(x_t\) mevcut zaman adımındaki giriş vektörünü; \(S_{t-1}\) önceki gizli durumu; \(r_t\) reset gate çıktısını; \(\rho_t\) update gate çıktısını; \(\check S_t\) aday gizli durumu; \(S_t\) ise yeni gizli durumu temsil eder. \(W\) ve \(U\) sembolleri öğrenilen ağırlık matrisleridir.

Reset gate geçmiş durumun ne kadarının yeni aday duruma aktarılacağını düzenler. Update gate ise eski gizli durumla yeni aday durumun hangi oranda birleştirileceğini belirler. Böylece model, her dakika yeni sensör değerlerini işlerken önceki dakikalardaki termal ve işletme bilgisinin tamamını eşit biçimde taşımak zorunda kalmaz.

Paylaşılan temsil ve görev başlıkları

Ana mimaride iki üst üste GRU katmanı bulunmaktadır ve her katman 64 gizli birim kullanmaktadır. Kaynakta temel giriş penceresi 15 zaman adımı × 9 özellik, yani (15, 9) tensörü olarak tanımlanmıştır.

Son GRU katmanının 64 boyutlu gizli durumu ortak temsil olarak kullanılır. Ardından üç ayrı fully connected görev başlığı bu ortak temsili sırasıyla dönüş havası sıcaklığı, dönüş havası bağıl nemi ve RTU tüketimi için tek bir skaler tahmine dönüştürür.

Multi-Task Learning kayıp fonksiyonu

Standart MTL yapısında görev kayıpları ağırlıklı olarak toplanmaktadır:

\[ L_{\mathrm{MTL}}^{(t)} = \sum_{i=1}^{N_T} \omega_i L_i\left( \phi_s^{(t)}, \phi_i^{(t)} \right) \tag{5} \]

Burada \(N_T\) görev sayısını; bu çalışma için \(N_T=3\)'tür. \(\phi_s\) ortak katman parametrelerini, \(\phi_i\) görev \(i\)'ye özgü başlık parametrelerini, \(L_i\) ilgili görevin kaybını ve \(\omega_i\) görev ağırlığını temsil eder.

Model parametrelerinin gradient descent güncellemesi:

\[ \phi^{t+1} = \phi^t - \eta \nabla_{\phi^{(t)}}L_{\mathrm{MTL}}^{(t)} \tag{6} \]

olarak verilmektedir. \(\eta\) öğrenme oranıdır.

Bu formülün temel problemi, görevlerden birinin kayıp büyüklüğü veya gradient etkisi diğerlerinden çok daha büyük olursa ortak katmanların öğrenmesini domine edebilmesidir. Çalışmada dört farklı ağırlıklandırma stratejisinin karşılaştırılmasının nedeni budur.

Dört MTL ağırlıklandırma stratejisi

MTL: Kaynakta “no weight update” veya ortalama/standart ağırlıklandırma olarak kullanılan temel modeldir.

MTL-DW: Dynamic Weighting yaklaşımında görev ağırlıkları eğitim ilerledikçe geçmiş epoch kayıplarındaki değişime göre güncellenir. Kaynak iki görevli gösterimde:

\[ L_{\mathrm{total}}^{(t)} = \omega_i^{(t)}L_i^{(t)} + \omega_k^{(t)}L_k^{(t)} \tag{7} \]

\[ \omega_i^{(t)} = \frac{\check L_k^{(t-1)}} {\check L_i^{(t-1)}}, \qquad \omega_k^{(t)}=1.0 \tag{8} \]

ifadelerini kullanmaktadır. \(\check L\), önceki epoch'taki ortalama görev kaybını temsil etmektedir.

MTL-GL: Geometric Loss, görev kayıplarının geometrik ortalamasını ortak amaç fonksiyonu olarak kullanır:

\[ L_{\mathrm{total}} = \left( \prod_{\tau=1}^{T}L_\tau \right)^{1/T} \tag{9} \]

Bu yaklaşım manuel görev ağırlığı seçme gereksinimini azaltmayı amaçlar.

MTL-UW: Homoscedastic Uncertainty Weighting, her görevin gözlem gürültüsünü temsil eden öğrenilebilir \(\sigma_i\) parametresini kayıp fonksiyonuna ekler:

\[ L(W,\sigma_i) = \sum_i \frac{1}{2\sigma_i^2}L_i(W) + \log \sigma_i^2 \tag{10} \]

Böylece model görevlerin göreli ağırlıklarını sabit elle seçilmiş katsayılar yerine eğitim sırasında öğrenebilir.

Ensemble meta-model nasıl oluşturuluyor?

Dört base modelin tamamı kullanıldığında her model üç görev tahmini ve bir doğrulama-temelli önem skoru üretmektedir. Böylece dört model × dört bilgi = 16 boyutlu meta-özellik oluşmaktadır. Üç base model kullanılırsa 12, iki base model kullanılırsa 8 meta-özellik elde edilir.

GBRT meta-modeli her hedef çıktı için ayrı eğitilmektedir. Kaynakta GBRT için 500 boosting aşaması, maksimum derinlik 3, öğrenme oranı 0,2 ve least-squares regression kaybı kullanıldığı belirtilmektedir.

Bu Çalışma Gerçekte Kaç Dakika İleri Tahmin Yapıyor?

Yöntem bölümünün açık tanımına göre modelin doğrulanmış temel çıktısı \(t+1\), yani 1 dakikalık örnekleme çözünürlüğünde 1 dakika sonrası dönüş havası sıcaklığı, bağıl nem ve RTU elektrik tüketimi tahminidir. Makalenin bazı bölümlerinde ve Şekil 12 başlığında “day-ahead” ifadesi kullanılsa da kaynak, 24 saatlik ayrı bir tahmin ufku eğitim veya test protokolü tanımlamamaktadır; bu nedenle “day-ahead” ifadesi 24 saat ileri doğrulanmış tahmin olarak yorumlanmamalıdır.

Kaynak başlangıç mimarisi için 15 adımlık lookback penceresi tanımlamaktadır. Her adım 1 dakika olduğundan bu, temel mimaride 15 dakikalık geçmiş gözlem anlamına gelir. Daha sonra 5, 10, 15 ve 20 dakikalık lag pencereleri üzerinde duyarlılık analizi gerçekleştirilmiştir.

Çalışmanın Yöntemi ve Bulguları

Eğitim ve hiperparametre seçimi

Bütün görevler regresyon problemi olarak ele alınmış ve eğitim kaybı olarak Mean Squared Error (MSE) kullanılmıştır. Model parametreleri Adam optimizer ile güncellenmiştir.

Hiperparametre araması Optuna 4.8.0 ile gerçekleştirilmiştir. Her aday yapı doğrulama MSE'sini değerlendirmek için başlangıçta 10 epoch eğitilmiş ve toplam 50 başarılı deneme yapılmıştır.

Modelin aşırı uyumunu azaltmak için doğrulama kaybı on ardışık epoch boyunca iyileşmediğinde eğitimi durduran callback, en iyi doğrulama durumunu kaydeden mekanizma ve beş ardışık iyileşmeme sonrasında öğrenme oranını ayarlayan scheduler kullanılmıştır.

Bireysel MTL modellerinin test sonuçları

Bu tablo tek bir modelin bütün hedefler ve bütün metriklerde en iyi olmadığını açıkça göstermektedir. Ortalama MTL dönüş havası sıcaklığında en düşük MSE ve MAE ile en yüksek \(R^2\)'yi üretmektedir. MTL-DW dönüş havası bağıl neminde en yüksek \(R^2\) değerine sahiptir. RTU tüketiminde MTL-UW en düşük MSE ve en yüksek \(R^2\)'yi verirken, MTL-GL en düşük MAE'yi vermektedir.

Ensemble yapıların kaynak Tablo 3 sonuçları

Tablodaki E-MTL5 ve E-MTL6 sıcaklık MAE değeri kaynakta 0,4958 olarak basılmıştır. Aynı satırdaki MSE=0,0037 ile bu değer matematiksel açıdan dikkat gerektirmektedir; ancak kaynakta 0,04958 veya başka bir değer yazmadığı için Verianla tarafından sessizce düzeltilmemiştir.

Ensemble Model Bireysel MTL Modellerinden Gerçekten Daha Başarılı mı?

Kaynak metni ensemble yaklaşımının bireysel MTL modellerini sistematik biçimde geride bıraktığını savunmaktadır; ancak yayınlanan Tablo 3 ve Tablo 4 bu güçlü genellemeyi bütün görev ve metriklerde desteklememektedir. Örneğin bireysel MTL modeli sıcaklık tahmininde E-MTL1'den daha düşük MSE/MAE ve daha yüksek \(R^2\) verir; MTL-UW RTU tüketiminde E-MTL1'den daha düşük MSE ve daha yüksek \(R^2\) üretir; MTL-GL ise daha düşük RTU MAE'sine sahiptir. Dolayısıyla çalışma ensemble mimarisinin uygulanabilirliğini ve çoklu model birleştirme yaklaşımını göstermektedir, fakat “her metrikte tüm bireysel modellerden üstün” sonucu kaynak tablolarıyla koşulsuz olarak doğrulanmamaktadır.

E-MTL1'in Tablo 3 değerlerinin MTL-DW satırıyla aynı olması da ayrıca dikkat çekmektedir. Kaynak metni E-MTL1'i “ortalama ağırlık + geometric loss” biçiminde tanımlarken Tablo 3 dipnotu E-MTL1'i “no weight update + DW” olarak tanımlamaktadır. Bu nedenle E-MTL1'in kesin base-model bileşimi kaynak içinde tutarlı değildir.

Kaynağın tercih ettiği E-MTL1 metrikleri

Bu yuvarlatılmış değerler kaynak sonuç bölümünde E-MTL1 için verilen sayılardır. Ancak yukarıdaki bireysel model tablosuyla birlikte okunmaları gerekir.

Lag penceresi neden önemli?

Bir zaman serisi modeli yalnız mevcut dakikayı değil, geçmiş dakikalardaki değişimin yönünü ve hızını da kullanır. Çok kısa bir geçmiş penceresi yeterli termal dinamiği yakalayamayabilir; çok uzun bir pencere ise eski bilgiyi gereğinden fazla taşıyarak ani değişimlere tepkiyi geciktirebilir.

Çalışma 5, 10, 15 ve 20 dakikalık lag pencerelerini Mean Absolute Percentage Error (MAPE) üzerinden karşılaştırmıştır. Kaynak yorumuna göre 5 dakikalık pencere bazı modellerde kısa süreli gürültü ve dalgalanmaların aşırı öğrenilmesine, 20 dakikalık pencere ise ani termal geçişlerde gereksiz gecikmeye yol açabilmektedir.

Kaynak sonuç bölümünde 10 dakikalık lag, incelenen 5–20 dakikalık aralık içinde responsiveness ve stability arasındaki en uygun statik ödünleşim olarak raporlanmaktadır.

Burada yöntemsel bir nüans bulunmaktadır: mimari açıklamasında giriş tensörü 15 adım × 9 özellik olarak tanımlanırken sonuç bölümünde 10 dakikalık pencere tercih edilmektedir. Bu durum, 15 dakikalık yapının başlangıç/ana mimari açıklaması ve 5–20 dakikalık çalışmanın ayrı duyarlılık deneyi olarak okunmalıdır.

Zaman serisi sonuçları ne gösteriyor?

Kaynak Şekil 12, gerçek ve tahmin edilen dönüş havası sıcaklığı, dönüş havası bağıl nemi ve RTU elektrik tüketimi zaman serilerini birlikte göstermektedir. Sıcaklık ve nem eğrileri genel olarak gerçek sinyali yakından izlerken RTU tüketiminde daha hızlı ve keskin salınımlar bulunmaktadır.

Yazarlar modelin RTU tüketimindeki bu dalgalı yapıyı takip edebilmesini, giriş değişkenleri arasındaki ilişkileri öğrenebildiğinin göstergesi olarak yorumlamaktadır. Ancak bu grafik tek başına modelin başka bir binada, farklı mevsimde veya farklı ekipman üzerinde aynı doğrulukla çalışacağını göstermez.

İki uygulama senaryosu gerçek deney midir?

Hayır. Makalenin 5. bölümündeki iki senaryo illustrative narratives, yani açıklayıcı örnek senaryolardır. Kaynak bunu açıkça belirtmektedir. Senaryolardaki 2 °C sıcaklık artışı, %5 bağıl nem artışı veya %10 güç artışı gibi sayılar belirli test örneğinde ölçülmüş yeni sonuçlar değildir.

Birinci senaryo, BMS'nin tahminleri kullanarak besleme havası koşullarını veya fan hızını önceden ayarlayabileceğini anlatmaktadır. İkinci senaryo, beklenmedik yüksek enerji tüketimi ile düşük dönüş sıcaklığı/yüksek nem kombinasyonunun stuck cooling valve veya sensör problemi gibi durumları araştırmaya yöneltebileceğini göstermektedir.

Bu örnekler modelin doğrulanmış tahmin hatalarının büyüklüğüyle uyumlu olacak şekilde kurgulanmıştır; ancak çalışma gerçek bir otomatik arıza teşhis deneyi veya gerçek zamanlı kapalı çevrim kontrol uygulaması gerçekleştirmemiştir.

Çalışmanın desteklediği sonuçlar

• Gerçek ORNL RTU işletme verileri üzerinde üç AHU performans değişkenini birlikte tahmin eden GRU tabanlı çok görevli öğrenme modeli geliştirilmiştir.
• Standart MTL, geometric loss, dynamic weighting ve uncertainty weighting stratejileri aynı temel mimari üzerinde karşılaştırılmıştır.
• Farklı görevlerde farklı ağırlıklandırma stratejileri öne çıkmıştır; tek bir bireysel model bütün hedef ve metriklerde açık ara en iyi değildir.
• RTU dönüş havası sıcaklığı ve bağıl nem tahminlerinde yüksek \(R^2\) değerleri elde edilmiştir.
• RTU tüketim tahmini çevresel değişkenlere göre daha zor olmakla birlikte kaynakta yaklaşık 0,88 düzeyine kadar \(R^2\) raporlanmıştır.
• GBRT tabanlı meta-model farklı MTL çıktılarının ve doğrulama-temelli önem bilgisinin tek ensemble çerçevesinde birleştirilebildiğini göstermektedir.
• Lag duyarlılığı 10 dakikalık pencerenin incelenen aralıkta iyi responsiveness–stability dengesi sağladığını göstermektedir.

Çalışmanın desteklemediği genellemeler

• Çalışma bütün AHU sistemlerinde veya bütün binalarda aynı doğruluğun elde edileceğini kanıtlamaz.
• Model yalnız ORNL Flexible Research Platform verileri üzerinde doğrulanmıştır; başka fiziksel binalara transfer testi yapılmamıştır.
• Kaynağın yöntem bölümü 1 dakika sonrası tahmini doğrulamaktadır; ayrı bir 24 saat ileri “day-ahead” deney protokolü verilmemiştir.
• İki uygulama senaryosundaki sıcaklık, nem ve güç değişimleri ölçülmüş yeni test vakaları değildir.
• Model doğrudan fiziksel arıza etiketleriyle eğitilmiş bir fault-diagnosis sistemi değildir.
• Tahmin ile gerçek ölçüm arasındaki farkın belirli bir valf, sensör veya komponent arızasını kesin olarak tanımladığı gösterilmemiştir.
• Modelin enerji tasarrufu veya karbon azaltımı gerçek sahada kapalı çevrim kontrol deneyiyle ölçülmemiştir.
• Yayınlanan tablolar, ensemble modellerin her görev ve her performans metriğinde bütün bireysel MTL modellerinden üstün olduğunu göstermemektedir.

Ana sınırlılıklar ve gelecek çalışma

Tek fiziksel veri kaynağı: Doğrulama ORNL Flexible Research Platform ile sınırlıdır. Held-out test seti aynı fiziksel sistemin görülmemiş bölümüdür; farklı binalar veya coğrafyalar üzerinde dış doğrulama değildir.

Statik lag: 10 dakikalık lag mevcut veri setinde uygun bir ödünleşim olarak bulunmuştur. Kaynak gelecekte hava koşullarının değişim hızına göre dinamik veya adaptif lookback window geliştirilmesini önermektedir.

Upstream sistemler: Chiller veya boiler tarafındaki verim kaybı AHU serpantin kapasitesini etkileyebilir. Mevcut model bu etkileri doğrudan su tarafı girişleriyle değil, besleme havası özellikleri üzerinden dolaylı olarak yakalamaktadır. Gelecekte chilled/hot water sıcaklığı ve debisi gibi parametrelerin doğrudan modele eklenmesi önerilmektedir.

Hesaplama yükü: Ensemble yapı birden fazla base modelin forward pass'ini gerektirir ve tek modele göre daha yüksek eğitim zamanı, bellek ihtiyacı ve inference maliyeti oluşturur. Kaynak bunun HVAC'ın dakika veya daha uzun ölçekli kontrol çevrimlerinde yönetilebilir olabileceğini, ancak sub-second uygulamalarda gecikme sınırı yaratabileceğini belirtmektedir.

Performans tablosu tutarsızlıkları: Ensemble üstünlüğüne ilişkin kaynak anlatımı ile yayınlanan tablolar tam uyumlu değildir. Bu durum modelin bağımsız yeniden uygulanması ve sonuçların yeniden doğrulanması açısından önemlidir.

Kaynak ve Yöntem Notu

Özgün çalışma: An Ensemble Multi-Task Learning Model for Predictive Performance Evaluation of Air Handling Units in HVAC Systems

Yazarlar: Tobi Michael Alabi; Adedayo Johnson Ogungbile; Favour David Agbajor.

Corresponding authors: Adedayo Johnson Ogungbile ve Favour David Agbajor.

Afiliasyon 1: Centre for Advances in Reliability and Safety (CAiRS), Hong Kong SAR, China.

Afiliasyon 2: School of Science and Technology, Hong Kong Metropolitan University, Hong Kong SAR, China.

Afiliasyon 3: School of Architecture and Built Environment, Deakin University, Geelong, Victoria, Australia.

Dergi: Sustainability.

Yayıncı: MDPI, Basel, Switzerland.

Cilt / sayı / makale numarası: Volume 18, Issue 15, Article 7980.

DOI: 10.3390/su18157980.

Gönderim tarihi: 11 Haziran 2026.

Revizyon tarihi: 29 Temmuz 2026.

Kabul tarihi: 3 Ağustos 2026.

PDF yayın tarihi: 6 Ağustos 2026.

Bibliyografik tarih notu: MDPI'nin güncel özel sayı listelemesinde makale tarihi 5 Ağustos 2026 olarak görünürken resmî PDF 6 Ağustos 2026 vermektedir. Bu Verianla metninde PDF tarihi korunmuştur.

Kaynak türü: Hakemli araştırma makalesi; gerçek HVAC işletme verisine dayalı veri-temelli makine öğrenmesi/model doğrulama çalışması.

Lisans: Creative Commons Attribution (CC BY).

Resmî yayın kimliği: DOI 10.3390/su18157980.

Veri kaynağı: Oak Ridge National Laboratory Flexible Research Platform RTU/HVAC işletme veri seti.

Veri çözünürlüğü: 1 dakika.

Detaylı analiz dönemi: 8–14 Temmuz 2021 temel soğutma işletmesi.

Eğitim/doğrulama/test: 8:1:1.

Model: İki katmanlı, her katmanda 64 gizli birim kullanan GRU tabanlı Multi-Task Learning; dört görev ağırlıklandırma stratejisi ve GBRT ensemble/meta-model.

Tahmin hedefi: Kaynak yöntem bölümüne göre bir sonraki zaman adımı, yani 1 dakika sonrası dönüş havası sıcaklığı, dönüş havası bağıl nemi ve RTU elektrik tüketimi.

Finansman: Yazarlar araştırmanın dış finansman almadığını bildirmiştir.

Destek/Acknowledgments: Çalışmanın Centre for Advances in Reliability and Safety (CAiRS), AIR@InnoHK Research Cluster ve Hong Kong Metropolitan University tarafından desteklendiği belirtilmiştir.

Etik kurul: Uygulanabilir değildir.

Bilgilendirilmiş onam: Uygulanabilir değildir.

Veri erişilebilirliği: Çalışmada sunulan verilerin corresponding author'dan makul talep üzerine alınabileceği belirtilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını bildirmiştir.

Yazar katkıları: Kavramsallaştırma T.M.A. ve F.D.A.; yöntem T.M.A., A.J.O. ve F.D.A.; yazılım T.M.A.; doğrulama T.M.A.; kaynaklar A.J.O.; veri düzenleme T.M.A.; ilk taslak T.M.A., A.J.O. ve F.D.A.; inceleme ve düzenleme F.D.A.; görselleştirme T.M.A. ve F.D.A.; proje yönetimi A.J.O.; finansman edinimi A.J.O.

Kaynak içi tutarsızlık 1 — GRU/LSTM: Yöntem metni, Şekil 7 ve sonuç bölümü ortak kodlayıcıyı GRU olarak tanımlar. Buna karşılık kaynak Şekil 8'de merkezi kutu “LSTM model shared layers” şeklinde etiketlenmiştir. Bu Verianla makalesi yöntem metnindeki GRU mimarisini esas almıştır ve şekil etiketindeki farkı gizlememiştir.

Kaynak içi tutarsızlık 2 — tahmin ufku: Yöntem bölümü çıktıları açıkça \(t+1\), yani 1 dakika sonrası olarak tanımlarken bazı metinler ve Şekil 12 “day-ahead” terimini kullanmaktadır. Kaynak ayrı bir 24 saat ileri tahmin protokolü tanımlamamaktadır.

Kaynak içi tutarsızlık 3 — tablo numarası: Ensemble modeller kaynak Tablo 3'te, bireysel modeller Tablo 4'te verilmiştir; buna rağmen bazı anlatım ve sonuç cümlelerinde E-MTL1 “Table 4” ile ilişkilendirilmektedir.

Kaynak içi tutarsızlık 4 — E-MTL1 bileşimi: Kaynak Tablo 3 dipnotu E-MTL1'i “no weight update + DW” olarak verirken açıklama metni E-MTL1'i ortalama ağırlık + geometric loss biçiminde tanımlamaktadır.

Kaynak içi tutarsızlık 5 — ensemble üstünlüğü: Metin ve sonuç bölümü ensemble modellerin bireysel MTL varyantlarını bütün görevlerde sürekli geçtiğini belirtmektedir; yayınlanan Tablo 3 ve Tablo 4 değerleri bu güçlü ifadeyi tüm metriklerde desteklememektedir.

Kaynak içi tutarsızlık 6 — E-MTL5/E-MTL6: Tablo 3'te bu iki modelin dönüş havası sıcaklığı MAE değeri 0,4958 olarak basılmıştır. Kaynak adına ondalık basamak değiştirilmemiştir.

Kaynak içi birim notu: RTU airflow rate kaynak Tablo 1'de m³/h, seçilmiş özellikler Tablo 2'de m³/s olarak verilmiştir. RTU elektrik değişkeni de farklı bölümlerde “power”, “power consumption” ve Wh cinsinden elektrik tüketimi olarak adlandırılmaktadır.

Uygulama sınırı: Model başka fiziksel binalar veya bağımsız HVAC sistemleri üzerinde dış doğrulamaya tabi tutulmamıştır. Kaynak bunu gelecek çalışma alanı olarak belirtmektedir.