An Evaluation of Model Predictive Control of Automated Shading to Optimize Passive Solar Gains
Notice bibliographique
Résumé
Space heating and cooling account for 65% of the total energy consumption in Canada's residential sector.As a result, the design and construction of passive houses is becoming mainstream.However, passive houses are prone to overheating, even sometimes in the winter.Proper operation of window shading devices can provide substantial savings to the space conditioning loads in homes.Model predictive control (MPC) of automated window blinds has proved to be effective at managing solar gains to reduce the heating and cooling loads in buildings.MPC involves predicting a system's response to a control input over a finite period of time in order to determine the best current control decision.This predictive quality of MPC is beneficial in buildings due to their delayed thermal response to solar gains.This thesis details the framework for an MPC application for automated blind control of a single-family home in Ottawa.Building performance simulation (BPS) software was used to predict the interactions between the blind positions and the energy demand in the home.Optimizations were performed to minimize the total energy demand attributed to heating and cooling the home.The performance of the MPC application was simulated over representative weeks of the year, and compared to a reactive, rule-based controller (RBC), which is the standard practice in blind automation.Energy savings of up to 36% were recorded in comparison to the RBC.iii I would first like to acknowledge my supervisor, Dr. Ian Beausoleil-Morrison for his patience, support, and immense knowledge.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».