Development, Implementation, and Industry Reception of a Novel Multi-source, Data-driven Building Energy Management Toolkit
Notice bibliographique
Résumé
Building energy performance is often negatively impacted by inefficient and uninformed operations, leading to wide disparities between predicted and actual energy use in commercial and institutional buildings.Though ample research in data-driven building operations and maintenance analytics has derived various methodologies for extracting energy-saving insights that can supplement operating practice, these approaches have traditionally remained disparate, limiting their application, and are exclusively prevalent in academia.Furthermore, operations personnel who regularly manage controls and maintenance of HVAC equipment can benefit from these novel approaches in augmenting their duties and optimizing building energy efficiency.This research explores the development of a novel multi-source, data-driven building energy management toolkit as a synthesis of established data-driven approaches in the literature comprising inverse energy modelling, anomaly detection and diagnostics, load disaggregation, and occupancy and occupant complaint analytics methods.The toolkit inputs various data types to detect hard and soft faults, optimize sequences of operation settings, and monitor energy flows, occupancy patterns, and occupant satisfaction.The toolkit's unique multi-source analytical approach was used to pinpoint operational deficiencies stemming from inappropriate zone temperature overheating thresholds and perimeter heating devices.Energy-saving insights were generated using data from four separate case study buildings to demonstrate the utility of the toolkit's web-based application platform.Finally, interviews with building operators and facility managers to their interpretations of insights from data-driven approaches were conducted; possible barriers were identified which inhibited industry professionals from effectively deriving and utilizing insights from the visualizations and KPIs.
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 | 0,007 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».