A method for distinguishing appliance, lighting and plug load profiles from electricity ‘smart meter’ datasets
Notice bibliographique
Résumé
In the Canadian residential sector, the end-uses of appliances, lighting, and plug loads (ALP) account for 16% of total end-use energy consumption. In an effort to reduce the impacts of this energy consumption, electricity technologies such as solar photovoltaics and smart appliances are being adopted. Evaluation of their performance requires an understanding of residential electricity use patterns. Building simulation tools can estimate the time-step performance of such technologies, but require accurate and representative ALP electricity profiles as an input. Sub-metered datasets lack in quantity and thus overall representativeness of the sector. Meanwhile, large, representative datasets are becoming available through electricity smart-metering programs, but usually consist only of whole-house electricity load and lack summary household characteristics (e.g. occupancy, floor space, appliance descriptions). However, homes which are not electrically heated (space, water) or cooled may function as ALP load profiles for simulation. This research addresses these loads with a new method of distinguishing non-electrically heated and cooled homes from a broad dataset of whole-house profiles. The method originates from a comparison of two electricity load datasets: (i) “smart-meter” 15-min time-step whole-house data for 160 homes spanning three years, and (ii) “sub-metered” 1-min time-step data for 23 residential homes. This comparison also speaks to the usefulness of whole-house electricity smart-meter information to building performance simulation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».