An Automated Building Energy Model Calibration Workflow to Improve Indoor Climate Controls
Notice bibliographique
Résumé
White-box building energy models (BEM) are employed to optimize building operation and controls.Calibration improves the models' credibility by reducing the discrepancy between simulated and measured energy consumption data.However, calibrating a BEM is time-consuming and prohibitively expensive due to the large number of required model inputs and the limited availability of measurements.Moreover, this process remains challenging due to the lack of clear guidelines and a consensus on the calibration methodology.Therefore, the industry needs an efficient, low-cost, and accurate way to calibrate BEMs to actualize the benefits of operational optimization in commercial and industrial buildings.This research aims to increase the calibration efficiency by proposing an improved workflow to obtain a quick, lightweight, and parsimonious model that only requires building automation system (BAS) and energy meter data as well as simple geometric drawings.To this end, a deeper understanding of the uncertainty inherent in the BEM calibration process and the calibrated model's predictive performance on operational decisions were explored.The proposed method was demonstrated with a case study building in Ottawa, Canada, using metered energy use and actual meteorological year (AMY) data and operational parameters (e.g., HVAC system setpoints and schedules)extracted from the BAS.The results indicated more accurate parameters estimates and significantly more reliable energy consumption projections when the model is calibrated using energy meter data at a higher temporal resolution (i.e., hourly instead of monthly).Applying control interventions to calibrated case study BEM showed that up to 34% of energy could be saved through the optimized operation.Furthermore, leveraging BAS data not only overcame the overparameterization issue by reducing the number of unknown model inputs but was also found useful to detect operational anomalies to support the operational decision-making process.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,003 | 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 ».