A data-driven workflow to improve energy efficient operation of commercial buildings: A review with real-world examples
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
Data-driven building operation and maintenance research such as metadata inference, fault detection and diagnosis, occupant-centric controls (OCCs), and non-invasive load monitoring have emerged (NILM) as independent domains of study. However, there are strong dependencies between these domains; for example, quality of metadata affects the usability of fault detection and diagnostics techniques. Further, faults in controls hardware and programs limit the performance of OCCs. To this end, a literature review was conducted to identify the dependencies between these domains of research. Additionally, real-world examples using operational data from three institutional buildings in Ottawa, Canada, were provided and discussed to demonstrate these dependencies. Finally, a holistic tool-agnostic workflow was introduced which suggested the implementation of operational energy efficiency measures in the following order to ensure their full potential: (1) improve metadata, (2) address faults, (3) implement OCCs, and (4) monitor enhanced key performance indicators (KPIs). The proposed workflow is intended to be comprehensive, reproducible, nonintrusive, and inexpensive to implement. Practical applications: Optimization of building operations has been emerging among energy management professionals as a relatively low-cost means to achieve energy efficiency and minimize occupants’ discomfort. To this end, this study introduces a tool-agnostic data-driven workflow to building energy management practitioners that can assist them in achieving increased energy efficiency. The proposed workflow recognizes the interdependency of the various domains of research which have historically been treated independently.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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