Ofis aydınlatma kontrol sistemlerinde kullanılacak verilerin yapay sinir ağları ile belirlenmesi

Abstract

ÖZET İnsanlar üzerindeki fizyolojik ve psikolojik etkileri dolayısıyla, aydınlatma çalışanların iş verimini etkileyen önemli faktörlerden biridir. Ofislerde, kişisel isteklere cevap verebilecek otomatik aydınlatma kontrol sistemlerinin kullanılması hem enerji tasarrufu sağlanacak, hem de iş verimin artmasına yol açacaktır. Kişisel isteklere cevap verebilecek sistemlerin gelişmesi ise ancak tercihlerin önceden tahmin edilebilmesi ile mümkündür. Bu çalışmada, ofis çalışanlarının yapay aydınlık düzeyi tercihlerinin yapay sinir ağlan ile tahmin edilmesi amaçlanmıştır. Çalışmada kişilerin yapay aydınlık düzeyi tercihlerini belirlemek amacıyla Hollanda Philips'de yapılan deneysel çalışmaların bir yıllık verileri kullanılmıştır. Yapılan incelemelerde, yapay aydınlık düzeyi terciMerinin, doğal aydınlık düzeyi ve saate bağlı olarak değişimlerinin yaz ve kış aylarında birbirlerinden farklı olduğu görülmüştür. Sonuçlardan, insanların çalışmaya başladıkları anda istemiş oldukları toplam aydınlık düzeyinin ise kişisel özelliklerini ortaya koyduğu ve gün boyu tercihler üzerinde etkili bir faktör olduğu da anlaşılmaktadır. Kişisel tercihler, başlangıçta istenen aydınlık düzeyinin çok ( Ebt>1500 lux ) veya az ( Ebt<1500 lux ) olması ve mevsime ( çalışmada mevsimsel özellikler yaz aylan ve kış aylan olmak üzere iki sınıfa aynlmıştır ) göre farklılıklar gösterdiğinden hatanın daha az olması amacıyla, her bir sınıf için ayn ayrı öğretme işlemi gerçekleştirilmiştir. Yapılan incelemeler sonucunda, girişleri doğal aydınlık düzeyi, saat, başlangıçta istenen yapay aydınlık düzeyi ve o andaki doğal aydınlık düzeyi olmak üzere çalışanların tercih edecekleri yapay aydınlık düzeylerinin, kabul edilebilir hata sınırlan içinde tahmin edilebileceği görülmüştür. XIV

DETERMINATION OF DATA FOR OFFICE LIGHTING CONTROL SYSTEMS BY USING NEURAL NETWORKS SUMMARY The purpose of the automatic control systems is to create the efficient and comfortable working environment, and to save energy by ensuring the right illumination criterion. Many projects and studies are progressing so as to develop the automatic lighting control systems that ensure the most economical solutions for the purpose. The subject that must not be ignored while doing these studies is to search whether this system is accepted widely by the users, and how this system effects the work efficiency. If a system could be developed which controls the artificial illuminance related to the daylight by taking personal preferences into account, then it would increase the work efficiency and help saving energy. In order to developed such a system, initially the artificial illuminance preferences of the user must be known. However these preferences vary from person to person, also related to the time of the day, daylight illuminance levels and other additional criterion. Therefore it is a difficult task to predict the personal preferences. In this study, a model which, predicts artificial illuminance levels depending on the illuminance level of daylight and time, considering the preference of the office workers was formed by using neural network. Neural Networks consist of a great number of processing elements ( neurons) which are connected to each other ( fully connected networks). The strength of connections is called weight. External data enter the network through the input neurons. After typically non-linear transformations output data are generated by the output neurons. By layered networks, there are a layer of input neurons, a layer of output neurons and one or more hidden layers. There are no connections between the neurons in the same layer. The information is transferred from the one layer to the following layer. A typical example of four-layered architecture is shown in Figure 1. In neural networks, the knowledge lies in the interconnection weights between neurons, which have to be adjusted in order to allow the network to perform the required task. The back-propagation method is the most popular algorithm for performing supervised learning. During the training phase, the weights wy are successively modified based on a set of input patterns and the corresponding set of XV