Development of Inverse Greybox Model-Based Virtual Meters for Air Handling Units
Notice bibliographique
Résumé
Energy submetering at the equipment level provides a tool to identify energy use anomalies and detect operational inefficiencies. While physical meters can be costly and difficult to install, virtual meters (VMs) overcome practical issues associated with physical meters and provide insights into critical unmeasured quantities. This article introduces an inverse greybox model-based virtual metering method to estimate the energy in an air handling unit (AHU). Models that represent the components typically found in AHUs are formulated using a data set from a highly instrumented AHU and combined into an integrated greybox model. The use of the integrated model to create VMs is demonstrated by using a data set from an independent AHU located in a large office building in Ottawa, ON, Canada. Model parameters are estimated by using the genetic algorithm and used in creating VMs that can estimate the heat supplied/extracted at the AHU level. In addition, the model is used to estimate a monthly average outdoor air fraction used by the AHU. The potential of the component models and VMs to detect operational inefficiencies and support operational decisions is demonstrated through illustrative examples. Note to Practitioners-This article presents a novel virtual metering algorithm to estimate the heating and cooling energy at the air handling unit (AHU) level. This virtual metering algorithm fills a gap in the literature and provides a tool that will help detect and interpret energy use anomalies, identify operational inefficiencies, and guide on-going commissioning of building energy systems. Facility managers, operators, and other stakeholders can use the insights gained from virtual metering to improve building operational performance. Future planned research includes developing virtual meters to characterize energy flows at the zone level and visualization methods to make inverse modeling results more accessible to different building stakeholders.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».