AKILLI ŞEHİR UYGULAMALARINDA ÇOKLU SENSÖR VERİ FÜZYONU İÇİN YENİ YAKLAŞIMLAR

Abstract

Günümüzde artan enerji talebi ve kapalı mekânlarda kullanıcı konforuna yönelik beklentilerin yükselmesi, akıllı binalarda iklimlendirme sistemlerinin daha doğru ve verimli biçimde yönetilmesini zorunlu hâle getirmektedir. Bu bağlamda iç ortam sıcaklığının güvenilir biçimde tahmin edilmesi, enerji verimliliği ve operasyonel sürdürülebilirlik açısından kritik bir rol oynamaktadır. Ancak akıllı bina sensörlerinden elde edilen verilerin eksik, gürültülü ve düzensiz yapıda olması, çok bölgeli yapılarda tutarlı bir model oluşturmayı güçleştirmektedir. Bu tez çalışmasında, çok katlı bir akademik ofis binasında iç ortam sıcaklığını tahmin etmek amacıyla sıcaklık, bağıl nem, aydınlık ve HVAC tüketimi verilerinden oluşan çok değişkenli zaman serisi verisi kullanılarak çeşitli derin öğrenme modellerinin performansı incelenmektedir. Bangkok'taki yedi katlı bir binaya ait CU-BEMS veri seti, eksik veri analizi, aykırı değer yönetimi, veri füzyonu ve Z-skor normalizasyonu uygulanarak modellemeye uygun hâle getirilmektedir. Çalışmada zamansal bağımlılıkları yakalayan RNN, LSTM ve GRU mimarileri ve mekânsal ilişkileri temsil eden GCN tabanlı hibrit yapılar (GCN-RNN, GCN-LSTM, GCN-GRU) sistematik biçimde karşılaştırılmaktadır. Ek olarak Transformer ve XGBoost modelleri de referans olarak değerlendirilmektedir. Deneysel bulgular, GCN-GRU mimarisinin $R^2$ = 0.9976 başarı oranı ve dengeli yapısıyla diğer modellere kıyasla daha yüksek doğruluk ve kararlılık sağladığını ortaya koymaktadır. Tez kapsamında geliştirilen etkileşimli karar destek arayüzü, tahmin sonuçlarının görselleştirilmesini, hata analizlerinin yapılmasını ve senaryo tabanlı kapalı çevrim simülasyonlarının yürütülmesini mümkün kılmaktadır. Simülasyonlar, önerilen kontrol stratejisinin enerji tüketimini \%39.94 oranında azalttığını ve sistemin \%95.7 düzeyinde termal konforu koruyabildiğini göstermektedir. Bu çalışma, çok bölgeli sensör verisinin zamansal ve mekânsal boyutlarını bütüncül biçimde işleyen bir yaklaşım sunarak derin öğrenme modellerinin gerçek veri üzerindeki performansını kapsamlı biçimde ortaya koymakta ve akıllı binalarda enerji verimliliğini destekleyen karar mekanizmalarının geliştirilmesine önemli katkılar sağlamaktadır.

The increasing demand for energy and the rising expectations for user comfort in indoor environments necessitate more accurate and efficient management of climate control systems in smart buildings. In this context, reliably predicting indoor temperature plays a critical role in ensuring energy efficiency and operational sustainability. However, the incomplete, noisy, and temporally irregular nature of data obtained from smart building sensors makes it challenging to construct a consistent model, particularly in multi-zone structures. In this thesis, the performance of various deep learning models is examined using multivariate time series data temperature, relative humidity, light, and HVAC consumption to predict indoor temperature in a multi-story academic building. The CU-BEMS dataset from a seven-story building in Bangkok is preprocessed through missing data analysis, outlier handling, data fusion, and Z-score normalization to create a suitable structure for modeling. Temporal deep learning architectures such as RNN, LSTM, and GRU, as well as hybrid GCN-based models (GCN-RNN, GCN-LSTM, GCN-GRU) that capture spatial interactions across floors and zones, are systematically compared. Additionally, Transformer and XGBoost models are included as reference baselines. Experimental results show that the GCN-GRU model outperforms the others, achieving an $R^2$ score of 0.9976 and demonstrating higher accuracy and stability due to its balanced structure. An interactive decision-support interface is also developed to enhance the applicability of the proposed approach. This interface enables visualization of prediction results, detailed error analysis, and the execution of scenario-based closed-loop simulations. Simulation outcomes indicate that the proposed control strategy reduces energy consumption by 39.94\% while maintaining 95.7\% thermal comfort. Overall, this study offers a comprehensive approach that jointly processes the temporal and spatial dimensions of multi-zone sensor data, provides an extensive performance comparison of deep learning models using real-world measurements, and contributes to the development of decision-support mechanisms that promote energy efficiency in smart buildings.