Development and optimization of artificial neural network algorithms for the prediction of building specific local temperature for <scp>HVAC</scp> control
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This research accounts for the outcome of a major cloud-based smart dual fuel switching system (SDFSS) project, which is a dual-fuel integrated hybrid heating, ventilation, and air conditioning (HVAC) system in residential homes. The SDFSS was developed to enable optimized, flexible, and cost-effective switching between the natural gas furnace and electric air source heat pump (ASHP). In order to meet the optimal energy consumption requirements in the house and provide thermal comfort for the residents, various high-quality sensors and meters were installed to record multiple data points inside and outside the house. The performance of the system was monitored in the long term, which is a common practice in energy monitoring projects. Outdoor temperature data plays the most crucial role in operating HVAC systems and also is a key variable in the decision-making algorithm of the SDFSS controller. Therefore, this study introduces an innovative and unique approach to obtain the outdoor temperature that could potentially replace high precision sensors with a data-driven model utilizing weather station data at a time resolution of 2 minutes and 1 hour. In this work, a series of artificial neural network algorithms were developed, optimized, and implemented to predict the outdoor temperature with an average of 0.99 coefficient of correlation (R), 1.011 mean absolute error (MAE), and 1.315 root mean square error (RMSE). It has been demonstrated that the developed ANN is a reliable and powerful tool in predicting outdoor temperature. Thus, the proposed model is strongly suggested to be implemented as an alternative to temperature sensors in hybrid energy systems or similar systems requiring accurate ambient temperature measurements.
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.
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 | 0,001 | 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 découle