Internet of Things for Power and Energy Systems Applications in Buildings: An Overview
Notice bibliographique
Résumé
This paper highlights state-of-the-art technologies, collectively described as Internet of Things (IoT) to improve energy efficiency in residential and commercial buildings. An appraisal of numerous studies on the subject was carried out to better understand the methods through which IoT systems are being currently deployed to improve energy efficiency in buildings, and further technological enhancements that are needed to accelerate these efficiency gains. Many of the present IoT studies have been focused on one specific problem, inefficient heating systems in buildings. Core IoT elements, such as the hardware components and management control software are usually discussed to some degree in most of the research studies. Although the types of applications varied per study, similar design patterns were observed. Some of the major design commonalities are: the choice of options for powering sensors and actuators; control methods for collecting data and controlling devices; historical data acquisition as a base to forecast ahead energy usage; and the methods by which IoT elements interact with one another. The research indicates that while similarities exist among different IoT systems, any chosen system design must be largely specific to its application. Factors such as the number of sensors used, the number of actuated devices, the optimal control method, and personal security of the end-user are application-dependent and must all be considered. Future research directions should examine optimal methods of providing remote power to devices, decipher strategies to keep isolated IoT networks secure, maintain a balance between meeting user comfort requirements and allowing a system to remain relatively autonomous, and optimize system performance in the context of the above requirements and constraints.
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 ».