27 ENERJİ & DOĞALGAZ • KASIM - ARALIK / 2025 ÇEVİRİ / MAKALE • Seviye 2 – Yüksek Çözünürlüklü Veri: SHM’lerdeki optik göz kullanılarak, 4 saniyede bir ve 1 W hassasiyetle alınan veriler; çok daha yüksek çözünürlük sunar. • Seviye 3 – Ek Sensör Verileri: İkincil taraftaki (ısı eşanjöründen sonraki) sensörler ve iç ortam sensörleri; iç ortam sıcaklığı, termostat ayarları, besleme/dönüş suyu sıcaklıkları gibi değişkenleri ölçerek gelişmiş FDD için daha derin sistem içgörüleri sağlar. Girişim 1 - Standartlaştırılmış dijital arıza inceleme raporlaması. SHM'den elde edilen zaman serisine ek olarak, evsel DH trafo merkezlerinde FDD'ye devam etmenin önemli bir bileşeni de arıza etiketleridir. Danimarka D4Heat projesi [8], arıza denetimleri için standartlaştırılmış bir dijital anket geliştirerek bu açığı kapatmaktadır. Bu anket şu anda projeye katılan beş bölge ısıtma tesisine dağıtılmaktadır. Buradaki amaç, bölge ısıtma şebekelerine bağlı bina ısıtma sistemlerindeki arızalar hakkında bilgi toplamak için tutarlı (standartlaştırılmış) bir yöntem oluşturmaktır. Kolay erişim sağlamak için, dijital ankete doğrudan bağlantı sağlayan bir QR kodu sağlanmıştır. Gönderilen tüm yanıtlar AAU OneDrive sunucusunda saklanır. Anketin, müşteri binalarında arıza incelemeleri yapan kamu hizmetleri teknisyenleri tarafından doldurulması amaçlanmıştır. Anket aşağıdaki bilgileri toplamaktadır: · Müşteri Kimliği – raporu SHM'den gelen zaman serileriyle ilişkilendirmek için · Akıllı ısı sayacı kimliği – raporu SHM zaman serisi formuyla bağlamak için sıcaklıklarının düşürülmesiyle sistemlerini incelemeye ve iyileştirmeye yönlendirmektedir. Başta Danimarka, İsveç ve Çin olmak üzere araştırmacılar, SHM verilerini kullanarak konut ısıtma sistemlerinde arıza tespitini incelemiştir [3–7]. Kullanılan teknikler arasında aykırı değer tespiti, olasılıksal modeller, kümeleme ve makine öğrenmesi yer almaktadır. Analizler, tüketim zaman serilerine ek olarak besleme/dönüş sıcaklıklarının ve debinin saatlik ortalamalarını da içermektedir. Çalışmalar, DH alt istasyonlarının büyük bir bölümünde verimsiz performans görüldüğünü ve bunların %43–74’ünde arıza bulunduğunu göstermektedir [5]. Akıllı sayaç verileriyle arıza tespiti konusunda ilerleme kaydedilmiş olsa da, arıza tespitinden teşhise geçişte önemli bir zorluk devam etmektedir. Temel sorunlardan biri, ısı tüketim desenlerini belirli arızalara bağlayan standartlaştırılmış metadata ve etiketlenmiş, yüksek kaliteli eğitim verilerinin eksikliğidir. Bir diğer sınırlama ise düşük ölçüm çözünürlüğüdür — saatlik okumalar ve en az 1 kWh ölçüm hassasiyeti, özellikle bu eşiğin altında tüketimi olan küçük kullanıcılar için arıza tespitini güçleştirmektedir. Sayaçlar 1 Wh hassasiyete kadar kayıt yapabilse de, maliyet, pil ömrü ve faturalandırma odaklı kullanım nedeniyle sadece 1 kWh değerler iletilmektedir. AAU BUILD, kayıtlı enerji verilerinden ondalık değerleri çıkarabilen bir yöntem geliştirmiştir [6], ancak bu yöntem henüz işletmeler veya şirketler tarafından benimsenmemiştir. Danimarka’daki işletmeler, SHM verilerini faturalandırmanın ötesinde kullanmaya büyük ilgi göstermektedir. Sağlam, veri odaklı teşhis yöntemlerinin ticari ürünlere entegre edilmesi ve işletmelerin uygulaması için anonimleştirilmiş eğitim veri setlerinin sağlanması, devam eden dijitalleşme ve enerji optimizasyon çabalarını önemli ölçüde destekleyecektir. EVSEL DH ALT ISTASYONLARINDA ARIZA TESPITI VE TEŞHIS NASIL KOLAYLAŞTIRILABILIR? Bu makale, arıza tespiti ve teşhisi (FDD) alanındaki iki temel zorluğu ele alarak literatüre katkı sağlamaktadır: (1) yetersiz model eğitim verisi ve (2) standart ısı sayaç verilerinin ötesine geçen ölçümlere duyulan ihtiyaç. Bu sorunları çözmek için üç seviyeli bir veri toplama yaklaşımı önerilmektedir: • Seviye 1 – Standart SHM Verisi: DH işletmeleri tarafından faturalandırma amacıyla kullanılan, saatlik alınan ve 1 kWh’a yuvarlanmış veriler. Şekil 1. Binaya ait oldukları grafiksel olarak gösterilen veri seviyeleri (1-3).
RkJQdWJsaXNoZXIy MTcyMTY=