ANN-LSTM-STA, geçmiş kullanım sıcak suyu tüketim dizisini LSTM, ikincil ağırlıklı zamansal dikkat ve ANN katmanlarıyla işleyerek gelecekteki sıcak su talebini tahmin etmek üzere geliştirilen hibrit bir zaman serisi modelidir. Bo Deng, Xin Zhou, Shaojie Wang, Dong Wang ve Xin Meng tarafından yürütülen çalışma, gerçek bir üniversite öğrenci apartmanından toplanmış saatlik kullanım sıcak suyu verilerini ANN-LSTM-STA ile tahmin ederek bu tahminleri güneş kolektörü–hava kaynaklı ısı pompası sıcak su sisteminin feedforward–feedback kontrolüne bağlamıştır. Gerçek su tüketim verisi 1 Mart–30 Kasım 2023 döneminden gelirken enerji sistemi performansı POLYSUN simülasyonunda değerlendirilmiştir.

ANN-LSTM-STA modeli, kaynak Tablo 2'de normalize RMSE = 0,320, fiziksel ölçeğe çevrilmiş RMSE = 167,0 L ve normalize MAE = 0,217 ile ANN, LSTM ve tek dikkatlı ANN-LSTM-A modellerinden daha düşük hata vermiştir. Tablo 2 ve ayrıntılı sonuç metnine göre ANN'e kıyasla RMSE %33,05, MAE %24,65 azalmıştır.

Tahmine dayalı Şema II, geleneksel sabit talep temelli Şema I ile aynı meteorolojik ve ekipman koşullarında POLYSUN'da karşılaştırılmıştır. Şema II'de güneş kolektörü ısı üretimi %9,47 artmış; ASHP ısı üretimi %57,52, ASHP çalışma süresi %33,45, pompa enerji kullanımı %16,65 ve toplam sistem enerji tüketimi %43,85 azalmıştır. COP %6,42, sistem COP'si ise %18,39 yükselmiştir.

Bu bulgular gerçek sıcak su tüketim verisiyle beslenen tahmine dayalı kontrolün simülasyon ortamında güçlü enerji tasarrufu potansiyeli gösterdiğini desteklemektedir. Bununla birlikte enerji tasarrufu ve COP sonuçları gerçek bir binada ölçülmüş saha sonuçları değildir; araştırmacılar gerçek zamanlı saha doğrulamasını, farklı binalar ve iklim bölgelerinde testleri gelecekte yapılması gereken çalışmalar arasında belirtmiştir.

Çalışmanın çözmeye çalıştığı mühendislik problemi

Üniversite yurtlarındaki kullanım sıcak suyu talebi gün içinde ve haftanın farklı günlerinde büyük ölçüde değişebilir. Geleneksel tasarım yaklaşımında sistem kapasitesinin yüksek talebi karşılayacak sabit bir kota üzerinden belirlenmesi, düşük talep dönemlerinde gereksiz ısı üretimine ve ekipmanın uzun süre çalışmasına neden olabilir.

Güneş enerjisi ve hava kaynaklı ısı pompasının birlikte kullanılması bu sorunu tek başına çözmez. Güneş ışınımı ile kullanıcı talebinin zamanlaması uyuşmadığında güneş enerjisinin bir bölümü yeterince değerlendirilemeyebilir; ASHP ise gereğinden uzun çalışabilir veya düşük kısmi yük koşullarında verimi düşebilir.

Çalışmanın yaklaşımı, enerji sistemini yalnız mevcut sıcaklık veya anlık talebe tepki veren reaktif bir sistem olmaktan çıkarıp gelecekteki sıcak su tüketimini önceden tahmin eden bir kontrol yapısına dönüştürmektir.

ANN-LSTM-STA Modeli Bu Çalışmada Neyi Tahmin Ediyor?

ANN-LSTM-STA modeli, Xi'an'daki 700 öğrencili No. 7 öğrenci apartmanının geçmiş saatlik kullanım sıcak suyu tüketim dizisini kullanarak gelecekteki DHW tüketimini tahmin eder; tahmin edilen tüketim daha sonra güneş kolektörü ve hava kaynaklı ısı pompasının ne zaman ve ne ölçüde çalıştırılacağını belirleyen feedforward kontrol girdisi olarak kullanılır.

Araştırma binası ve tasarım sıcak su ihtiyacı

Çalışmanın referans binası altı katlı bir öğrenci apartmanıdır ve toplam 700 öğrenci barındırmaktadır. Geleneksel tasarım kotası 20–25 L/(kişi·gün) aralığından üst sınır olan 25 L/(kişi·gün) seçilmiştir.

Buna göre tasarım günlük sıcak su miktarı:

700 kişi × 25 L/(kişi·gün) = 17.500 L/gün

olarak alınmıştır.

Kaynağın sıcak su ısı yükü denklemi

Kaynak Denklem (1)'i aşağıdaki biçimde basmaktadır:

\[ Q_h=\frac{m q_r (t_r-t_o)\rho_r}{86400} \tag{1} \]

Kaynak açıklamasına göre \(Q_h\) tam günlük tasarım saatinin ısı tüketimini (kW), \(m\) kullanıcı sayısını, \(q_r\) günlük sıcak su kotasını, \(t_r\) tasarım sıcak su sıcaklığını, \(t_o\) yerel soğuk su sıcaklığını ve \(\rho_r\) sıcak su yoğunluğunu temsil eder. Tasarım sıcak su sıcaklığı \(t_r=50\,^{\circ}\mathrm{C}\) olarak alınmıştır.

Kaynak aynı açıklamada suyun özgül ısı kapasitesini \(C=4{,}187\ \mathrm{kJ/(kg\cdot ^\circ C)}\) olarak tanımlar; ancak \(C\) terimi basılı Denklem (1)'de bulunmamaktadır. Bu nedenle Denklem (1) Verianla tarafından sessizce düzeltilmemiş, kaynakta basıldığı biçimde ve raporlama uyarısıyla korunmuştur.

Güneş kolektörü alanı nasıl belirleniyor?

Kaynak güneş kolektörü alanı için:

\[ A_C= \frac{Q_w\rho_r C(t_r-t_o)f} {J_T\eta_{cd}(1-\eta_L)} \tag{2} \]

denklemini kullanmaktadır.

Burada \(Q_w\) ortalama günlük sıcak su tüketimini, \(\rho_r\) su yoğunluğunu, \(C\) suyun özgül ısı kapasitesini, \(t_r-t_o\) sıcaklık artışını ve \(f\) güneş enerjisi garanti oranını temsil eder. \(J_T\) güneş ışınımını, \(\eta_{cd}\) yıllık ortalama kolektör verimini ve \(\eta_L\) tank ve boru sistemindeki ısı kaybı oranını gösterir.

Xi'an, kaynakta sınıf III güneş enerjisi bölgesi olarak ele alınmış ve \(f\) için 0,4–0,5 aralığı verilmiştir. Kaynak sistem şemasındaki düz plakalı güneş kolektörünün brüt alanı 324 m² olarak gösterilmektedir.

Hava kaynaklı ısı pompası nasıl çalışıyor?

ASHP çevre havasından ısı çeken evaporatör, kompresör, kondenser ve genleşme valfinden oluşan klasik buhar sıkıştırmalı çevrim kullanır. Evaporatörde ortamdan ısı alan soğutucu akışkan buharlaşır, kompresörde yüksek sıcaklık ve basınca çıkar, kondenserde ısısını sıcak su tankına aktarır ve genleşme valfinden sonra tekrar evaporatöre döner.

Kaynak ASHP tasarım ısı yükünü:

\[ Q_g= \frac{q_h m C_W(t_{end}-t_0)\rho_W} {3600T} \tag{3} \]

olarak basmaktadır. Ancak bu denklemin hemen altındaki açıklama yalnız \(q_h\), \(C_W\) ve kullanım süresini tanımlamakta; denklemdeki diğer sembollerin tamamını sistematik biçimde açıklamamaktadır. Bu terminolojik eksiklik kaynakta korunmuştur.

Kaynak hesaplanan ısıtma gereksinimini 34 kW olarak verir ve güvenilirlik için 40 kW ısıtma kapasiteli ASHP seçer. Ünitenin elektrik gücü 10 kW, soğutucu akışkanı R-407c ve bildirilen soğutucu miktarı 20,2 kg'dır.

S-ASHP sisteminin fiziksel düzeni

POLYSUN 2025.12 modelinde sistemin üç temel enerji bileşeni düz plakalı güneş kolektörü, hava kaynaklı ısı pompası ve suyla çalışan sıcak su depolama tankıdır. Depolama tankı güneş kolektörü ile ASHP arasındaki kısa süreli ısı arzı farklılıklarını dengelemek ve kullanıcıya daha kararlı sıcak su sağlamak için termal tampon görevi görür.

Kaynak Figure 1'de ayrıca güneş dolaşım pompası, su pompası, yardımcı ısıtma kontrolörü, üç yollu vana ve karışım vanası gösterilmektedir. Sistem çıkış sıcaklığı 50 °C hedefiyle düzenlenmektedir.

Tahmin modeli hangi veriyi kullanıyor?

ANN-LSTM-STA modeli yalnız geçmiş DHW tüketim dizisini girdi olarak kullanan tek değişkenli bir zaman serisi tahminidir. Dış hava sıcaklığı, güneş ışınımı, tatil, sınav dönemi, haftanın günü veya saat bilgisi ayrı model girdisi değildir.

Veri, öğrenci apartmanındaki IC-kart ölçüm sisteminden 1 Mart–30 Kasım 2023 arasında saatlik olarak toplanmıştır. Toplam 6600 geçerli kayıt bulunmaktadır.

Ön işleme sırası:

ANN-LSTM-STA mimarisi

Kaynağın ana mimari tanımında model dört ardışık modülden oluşur: LSTM giriş/temporal kodlama katmanı, secondary weighted temporal attention (STA), ANN gizli katmanı ve ANN çıktı katmanı.

LSTM geçmiş tüketim dizisinin zamansal bağımlılıklarını gizli durumlar halinde kodlar. STA katmanı bu gizli durumları tahmin açısından önemlerine göre yeniden ağırlıklandırır. Dikkat ağırlıklarıyla zenginleştirilmiş temsil daha sonra 50 ReLU nöronlu ANN gizli katmanına ve tek lineer çıktı nöronuna aktarılır.

Kaynak toplam eğitilebilir parametre sayısını yaklaşık 45.000 olarak bildirmektedir.

İkincil ağırlıklı zaman dikkat mekanizması

Kaynak Figure 3, dikkat yapısını iki aşamalı ağırlıklandırma şeklinde göstermektedir. İlk adımda gizli durumlar ağırlıklandırılır fakat toplanmaz; ikinci adımda yeniden ağırlıklandırılmış temsiller oluşturulur. Şemada cosine correlation hesaplamaları kullanılarak ikinci ağırlıklandırmanın ve son birleştirmenin oluşturulduğu gösterilmektedir.

Buna karşılık sonraki metin “spatiotemporal attention (STAM)” başlığı altında hem temporal hem spatial dikkat ağırlıkları tanımlamaktadır:

\[ e_t^T=v_T\tanh(W_T h_t+b_T) \tag{4} \]

\[ \alpha_t^T= \frac{\exp(e_t^T)} {\sum_{j=1}^{T}\exp(e_j^T)} \tag{5} \]

\[ e_i^S=v_S\tanh(W_S h_i+b_S) \tag{6} \]

\[ \alpha_i^S= \frac{\exp(e_i^S)} {\sum_{j=1}^{N}\exp(e_j^S)} \tag{7} \]

\[ \alpha_{t,i}^{ST}= \alpha_t^T\cdot\alpha_i^S \tag{8} \]

\[ \hat{h}= \sum_{t=1}^{T}\sum_{i=1}^{N} \alpha_{t,i}^{ST}h_{t,i} \tag{9} \]

Bu denklem zinciri temporal ve spatial ağırlıkların çarpılarak birleşik attention haritasına dönüştürülmesini ifade eder. Ancak makalenin veri tanımı tek değişkenli DHW zaman serisi, modelin ana adı ise ANN-LSTM-STA'dır. Kaynak, Figure 3'teki iki aşamalı cosine-correlation STA yapısıyla Denklem (4)–(9)'daki STAM yapısının uygulamada nasıl eşleştirildiğini açık biçimde açıklamamaktadır.

Model nasıl eğitildi?

Grid search sırasında LSTM hidden dimension için 32, 64 ve 128; ANN gizli nöron sayısı için 30, 50 ve 100; batch size için 32, 64 ve 128; learning rate için 0,001, 0,0005 ve 0,0001 adayları karşılaştırılmıştır.

Yazılım ortamı Python 3.9, TensorFlow 2.10.0/Keras, scikit-learn 1.2.0, pandas 1.5.3, NumPy 1.23.5 ve Matplotlib 3.7.0'dır. Donanım Intel Core i7-12700H, 32 GB RAM ve NVIDIA GeForce RTX 3060 6 GB GPU'dur; CUDA 11.2 ve cuDNN 8.1 kullanılmıştır.

Veri bölme protokolündeki kaynak içi sorun

Kaynak bir yerde özgün kod bölmesini Mart–Ekim eğitim (~%73), Kasım doğrulama (~%9) ve “test set yok” şeklinde tanımlar. Daha sonra nihai modelin “held-out test set” üzerinde değerlendirildiğini belirtir. Ayrı test kümesinin hangi tarihlerden veya hangi kayıtların yüzde kaçından oluştuğu açıklanmadığından performans metriklerinin tam bağımsız değerlendirme protokolü kaynaktan güvenilir biçimde yeniden kurulamaz.

Feedforward–Feedback Kontrol Geleneksel Sabit Kontrolden Nasıl Ayrılıyor?

Şema I sıcak su talebini sabit tasarım kotasına göre belirleyip sistem çalıştıktan sonra geri beslemeyle tepki verirken, Şema II ANN-LSTM-STA'nın 24 saat ileri tüketim tahminini feedforward giriş olarak kullanıp güneş ve ASHP üretimini önceden planlar; gerçek kullanım hedefi karşılamazsa PI tabanlı feedback düzeltmesi devreye girer.

Şema I

Şema I geleneksel DHW tasarım standardına dayanır. Terminal sıcak su talebi sabit moda göre belirlenir ve sistem esas olarak geri besleme yoluyla çalışır. Gerçek kullanıcı tüketimindeki tepe ve dipler önceden tahmin edilmez.

Şema II

Şema II önce ANN-LSTM-STA ile su tüketimini tahmin eder. Tahmin edilen talep feedforward kontrol üzerinden terminal sıcak su talebini önceden belirler. Sistem çalışmaya başladıktan sonra gerçek talebin karşılanıp karşılanmadığı izlenir; hedef karşılanmıyorsa feedback mekanizması güneş ve ASHP çıkışlarını yeniden düzenler.

Kaynakta bildirilen kontrol özellikleri şunlardır:

Bulutlu gün senaryosunda kolektör devreden çıkarılmakta ve ASHP tam yükü karşılamaktadır. Şema II ayrıca ASHP çalışmasını düşük tarifeli saatlere önceden planlayabilmektedir.

Gaussian gürültü dayanıklılık testi

Kaynağa göre %5–15 Gaussian gürültü altında kontrolcü sıcak su tankı sıcaklığını ±3 °C içinde tutmuş ve enerji tüketimindeki artışı %4'ün altında sınırlamıştır. Bu, kaynak içinde bildirilen simülasyon dayanıklılık testidir; gerçek sensör gürültüsü altında saha deneyi değildir.

Çalışmanın Yöntemi ve Bulguları

RMSE ve MAE neyi ölçüyor?

RMSE ve MAE tahmin edilen sıcak su tüketimi ile gerçek tüketim arasındaki hatayı ölçmektedir. Düşük değer daha iyi tahmin performansını ifade eder.

Kaynak RMSE için:

\[ RMSE= \sqrt{\frac{1}{n}\sum_{i=1}^{n} (\hat{y}_i-y_i)^2} \tag{10} \]

denklemine yer verir. Kareleme işlemi daha büyük hataları daha fazla ağırlıklandırır.

MAE ise:

\[ MAE= \frac{1}{n}\sum_{i=1}^{n} |\hat{y}_i-y_i| \tag{11} \]

olarak tanımlanmıştır ve tahminlerin gerçek değerlerden ortalama mutlak sapmasını ölçer.

Dört tahmin modelinin performansı

Tahmin eğrileri nasıl değişiyor?

Kaynak Figure 4–7 gerçek ve tahmin edilen saatlik tüketim serilerini karşılaştırmaktadır. ANN modeli özellikle yüksek tüketim tepe noktalarında gerçek eğriden daha belirgin sapmalar göstermektedir. LSTM, periyodik yapıyı daha iyi takip etmektedir.

ANN-LSTM-A ile tepe ve vadiler daha iyi örtüşmekte, ancak bazı keskin değişim noktalarında sapmalar devam etmektedir. ANN-LSTM-STA grafiğinde tahmin eğrisi özellikle yüksek tüketim piklerinde gerçek seriye daha yakın ilerlemektedir.

Bu grafikler modelin göreli tahmin davranışını destekler; ancak ham saatlik veri tablosu makalede yayımlanmadığı için grafiklerden yeni kesin ara değerler çıkarılmamalıdır.

POLYSUN karşılaştırmasının deney tasarımı

Şema I ve Şema II aynı meteorolojik veri, aynı ekipman kapasitesi, aynı başlangıç tank sıcaklığı ve aynı konfor gereksinimleriyle modellenmiştir. Temel fark terminal DHW talebinin nasıl üretildiği ve kontrolün ne ölçüde öngörülü olduğudur.

Bu tasarım, iki kontrol yaklaşımının aynı temel sistem koşullarında karşılaştırılmasını sağlar. Buna karşılık sonuçlar simülasyon modelinin doğruluğu ve varsayımlarına bağlıdır.

Güneş kolektörü ısı üretimi

Şema II'nin toplam güneş kolektörü ısı üretimi 11.206,26 kWh'den 12.267,75 kWh'ye yükselmiştir. Artış %9,47'dir.

Kaynak Figure 10'da özellikle bazı Kasım günlerinde Şema II'nin daha yüksek güneş ısısı kullandığını göstermektedir. Araştırmacılar bunu talebin önceden tahmin edilerek güneş enerjisinin daha uygun zamanlarda değerlendirilmesiyle ilişkilendirmektedir.

ASHP ısı üretimi ve çalışma süresi

ASHP'nin toplam ısı üretimi Şema I'de 14.643,11 kWh iken Şema II'de 6220,71 kWh'a düşmüştür. Bu %57,52 azalmadır.

ASHP toplam çalışma süresi 293 saatten 195 saate düşmüş, yani %33,45 azalmıştır. Figure 11 günlük ASHP ısı üretimi ve çalışma süresinin birçok günde Şema II'de daha düşük olduğunu göstermektedir.

Pompa enerji kullanımı

Kaynak Tablo 3, pompa enerji kullanımını Şema I için 879,86 Wh ve Şema II için 733,37 Wh olarak vererek %16,65 düşüş raporlamaktadır.

Buna karşılık Figure 12'yi açıklayan metin “average daily energy consumption” için %18,7 azalma bildirmektedir. Kaynak bu iki yüzdeliğin hesaplama tanımlarını tam olarak uzlaştırmadığından genel karşılaştırmada Table 3'teki toplam sonuç olan %16,65 esas alınmıştır.

Toplam sistem enerji tüketimi

Toplam sistem enerji tüketimi Şema I'de 3266,56 kWh, Şema II'de 1834,28 kWh olarak raporlanmıştır. Azalma:

%43,85

olarak verilmiştir.

Figure 13'te Şema II'nin çoğu Kasım gününde daha düşük enerji tükettiği görülmektedir. Kaynak metni bu farkı “statistically significant” olarak adlandırsa da karşılaştırma için p değeri, güven aralığı veya bağımsız hipotez testi sunmamaktadır. Bu nedenle sonuç burada yalnız bildirilen simülasyon farkı olarak yorumlanmaktadır.

Sıcak su tankı sıcaklığı

Kaynak Figure 14'te 50 °C set değerini referans çizgisi olarak göstermektedir. Geleneksel Şema I'in bazı günlerde set değerinin altına düştüğü, özellikle 21 Kasım'da ortalama tank sıcaklığının 47,05 °C olduğu belirtilmiştir.

Kaynağa göre Şema II aynı günlerde tank sıcaklığını 50 °C'nin üzerinde tutmuştur. Bununla birlikte bazı günlerde Şema II sıcaklığının da set değerinin belirgin üzerinde olduğu grafikte görülmektedir; bu nedenle performans yalnız “tam 50 °C'de tutma” değil, talebi karşılayan daha öngörülü kontrol olarak değerlendirilmelidir.

COP ve COPsys Sonuçları Nasıl Yorumlanmalıdır?

Kaynakta COP tekil ısı pompası/ünite performans katsayısını, COPsys ise bütün S-ASHP sisteminin performans katsayısını temsil eder; Şema II'de ortalama COP 3,58'den 3,81'e, COPsys ise 7,32'den 8,97'ye yükselmiştir, ancak bu değerler POLYSUN simülasyon sonuçlarıdır ve gerçek saha COP ölçümü değildir.

Sonuç bölümündeki RMSE/MAE yüzde tutarsızlığı

Kaynak Tablo 2 ve ayrıntılı sonuç metni ANN-LSTM-STA'nın ANN'e göre RMSE'yi %33,05, MAE'yi %24,65 azalttığını bildirmektedir. Buna karşılık conclusion bölümü aynı model için %27,20 ve %22,22 değerlerini vermektedir.

%27,20 ve %22,22 değerleri Tablo 2'de ANN-LSTM-A modeline ait olduğu için bu Verianla makalesinde ANN-LSTM-STA karşılaştırması için Tablo 2 ve ayrıntılı sonuç metniyle uyumlu %33,05 ve %24,65 kullanılmış; kaynak içi fark ayrıca korunmuştur.

Çalışmanın desteklediği sonuçlar

Gerçek öğrenci yurdu tüketim verisinde ANN-LSTM-STA, kaynakta karşılaştırılan ANN, LSTM ve ANN-LSTM-A modellerinden daha düşük RMSE ve MAE üretmiştir.

POLYSUN simülasyonunda tahmine dayalı feedforward–feedback kontrol, geleneksel sabit talep temelli kontrolle karşılaştırıldığında daha yüksek güneş enerjisi kullanımı, daha düşük ASHP ısı üretimi, daha kısa ASHP çalışma süresi ve daha düşük toplam sistem enerji tüketimiyle ilişkilidir.

Şema II'nin simülasyon COP ve COPsys değerleri Şema I'den daha yüksektir.

Kaynak içindeki Gaussian gürültü senaryosu, kontrolün belirli model bozulmaları altında sıcak su tankı sıcaklığını sınırlı bir bantta tutabildiğini göstermektedir.

Çalışmanın desteklemediği sonuçlar

Çalışma gerçek bir üniversite sıcak su tesisinde %43,85 enerji tasarrufunun ölçüldüğünü göstermez. Bu değer POLYSUN simülasyonundan gelir.

Çalışma ANN-LSTM-STA'nın farklı kampüslerde, iklim bölgelerinde veya kullanıcı profillerinde aynı hata değerlerini sağlayacağını göstermemektedir.

Azalan enerji tüketiminden karbon salımının azalabileceği çıkarımı yapılabilir; ancak çalışma gerçek CO₂ emisyonunu doğrudan ölçmemiştir.

Kaynağın “statistically significant” ifadesine rağmen Şema I–II enerji farkları için bağımsız inferans testi raporlanmadığından istatistiksel anlamlılık düzeyi doğrulanamaz.

Veri bölme protokolündeki çelişki nedeniyle Tablo 2 metriklerinin gerçek anlamda bağımsız, hiç görülmemiş test kümesi performansı olup olmadığı kaynak metninden kesin olarak doğrulanamaz.

Çalışmanın Temel Doğrulama Sınırı Nedir?

Çalışmanın en önemli doğrulama sınırı, sıcak su tüketiminin gerçek bir üniversite binasından ölçülmesine rağmen S-ASHP enerji performansı ve kontrol kazanımlarının gerçek sistemde değil POLYSUN simülasyonunda değerlendirilmesidir; saha uygulaması, farklı binalar ve farklı iklimlerde genelleme henüz yapılmamıştır.

Gelecek çalışma önerileri

Yazarlar tahmin modeline saat, haftanın günü, sınav dönemleri, tatiller ve hava durumu değişkenlerinin eklenmesini önermektedir. Mevcut tek değişkenli model bu bilgileri doğrudan kullanmamaktadır.

Benchmark karşılaştırmalarının Transformer tabanlı modeller ve gecikmeli özellikler kullanan XGBoost ve Random Forest gibi ağaç tabanlı yöntemlerle genişletilmesi önerilmektedir.

En kritik gelecek adımlarından biri gerçek sıcak su sisteminde gerçek zamanlı saha uygulamasıdır. Yazarlar ayrıca modeli birden fazla bina ve iklim bölgesinde doğrulamak istemektedir.

Buffer tank kapasitesinin kontrol performansına etkisinin duyarlılık analizi ve STA mekanizmasının cosine-similarity veya multi-head attention varyantlarının incelenmesi de gelecekteki araştırma hedefleri arasındadır.

Kaynak ve Yöntem Notu

Özgün başlık: Research on the Operation of a Solar–Air Source Heat Pump Hot Water System Based on the Demand-Side ANN-LSTM-STA Algorithm for Prediction Response.

Yazarlar: Bo Deng; Xin Zhou; Shaojie Wang; Dong Wang; Xin Meng.

Corresponding author: Xin Meng.

Kurum: LiZhi College, Shaanxi University of Technology, Hanzhong 723001, China.

Dergi: Energies.

Yayınevi: MDPI, Basel, Switzerland.

Yayın bilgisi: Energies 2026, 19, 4173.

DOI: 10.3390/en19174173.

Makale geçmişi: Alındı 17 Temmuz 2026; revize edildi 27 Ağustos 2026; kabul edildi 31 Ağustos 2026; yayımlandı 3 Eylül 2026.

Kaynak türü: Hakemli, açık erişimli özgün enerji mühendisliği/modelleme makalesi; gerçek DHW tüketim verisine dayalı makine öğrenmesi tahmini + POLYSUN enerji sistemi simülasyonu.

Lisans: Creative Commons Attribution (CC BY).

Araştırma nesnesi: Xi'an'da 700 öğrencili, 6 katlı No. 7 öğrenci apartmanı.

Veri dönemi: 1 Mart 2023–30 Kasım 2023.

Örnekleme: 1 saat.

Geçerli kayıt: 6600.

Eksik veri: <%0,5; doğrusal interpolasyon.

Normalizasyon: Min–Max [0,1].

Sliding window: 24 saat.

Tahmin modeli: ANN-LSTM-STA.

Karşılaştırma modelleri: ANN, LSTM, ANN-LSTM-A.

Ana tahmin metrikleri: RMSE ve MAE.

Seçilen LSTM hidden dimension: 64.

ANN hidden neurons: 50.

Optimizer: Adam; learning rate = 0,001; β1 = 0,9; β2 = 0,999.

Loss: Mean Squared Error.

Training: 100 epoch; batch size 64; early stopping patience 10; dropout yok; random seed 42.

Yazılım: Python 3.9; TensorFlow 2.10.0/Keras; scikit-learn 1.2.0; pandas 1.5.3; NumPy 1.23.5; Matplotlib 3.7.0.

Hesaplama donanımı: Intel Core i7-12700H; 32 GB RAM; NVIDIA GeForce RTX 3060 6 GB; Windows 11; CUDA 11.2; cuDNN 8.1.

Enerji simülasyonu: POLYSUN 2025.12.

S-ASHP ana bileşenleri: Düz plakalı güneş kolektörü, hava kaynaklı ısı pompası, sıcak su depolama tankı ve dolaşım/pompa kontrol ekipmanı.

Güneş kolektörü: Kaynak Figure 1'de brüt alan 324 m².

ASHP: 40 kW ısıtma kapasitesi; 10 kW elektrik gücü; R-407c; 20,2 kg soğutucu akışkan.

Kontrol: 24 saat ileri tahmin, 45–55 °C çalışma bandı, 50 °C set değeri, güneş öncelikli / ASHP destekli / bekleme modları, değişken frekanslı pompa ve PI feedback.

Finansman: Key Science and Technology Program of Shaanxi Province (2025QCY-KXJ-015) ve Key Research and Development Program of Shaanxi (2025CY-YBXM-378).

Veri erişilebilirliği: Veri seti ve kod corresponding author Xin Meng'den talep üzerine edinilebilir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını bildirmiştir.

Yazar katkıları: Veri kürasyonu Xin Zhou, Shaojie Wang ve Dong Wang; finansman edinimi, proje yönetimi ve danışmanlık Xin Meng; özgün taslak Bo Deng olarak bildirilmiştir.

Kaynak içi veri bölme tutarsızlığı: Yöntem bir yerde Mart–Ekim eğitim / Kasım doğrulama ve test kümesi olmadığını belirtirken daha sonraki bölüm final modelin held-out test set üzerinde değerlendirildiğini söylemektedir. Test setinin hangi kayıtlardan oluştuğu açıklanmamıştır.

Kaynak içi sonuç tutarsızlığı: Table 2 ve ayrıntılı sonuç metni ANN-LSTM-STA için ANN'e göre RMSE/MAE azalışını %33,05 / %24,65 verirken conclusion %27,20 / %22,22 yazmaktadır. Son iki değer Table 2'de ANN-LSTM-A'ya aittir.

Kaynak içi mimari tutarsızlığı: Modelin ana tanımı ve Figure 3 secondary weighted temporal attention (STA) yapısını anlatırken sonraki Equation 4–9 bölümü spatiotemporal attention (STAM) ve spatial attention terimleri kullanmaktadır; kaynak bu iki tanımı açık biçimde uzlaştırmamıştır.

Denklem raporlama notu: Denklem (1) altında \(C\) özgül ısı kapasitesi tanımlanmasına rağmen \(C\) denklemde görünmez. Denklem (3)'ün bazı sembolleri de hemen altındaki açıklamada tanımlanmamıştır. Bu noktalar Verianla tarafından sessizce düzeltilmemiştir.

Temel yöntemsel sınır: Gerçek bina su tüketimi modele girdi sağlarken enerji tasarrufu, COP ve işletme performansı sonuçları POLYSUN simülasyonuna aittir. Gerçek zamanlı saha doğrulaması yapılmamıştır.

Görsel yeniden kullanım notu: Kaynak CC BY lisanslıdır; ancak Verianla için özgün sistem, model mimarisi ve kontrol akışı şemaları oluşturmak, kaynak figürlerini piksel düzeyinde yeniden kullanmaya tercih edilmelidir.