Application of Machine Learning Methods for the Analysis of Heat Energy Consumption by Zones with a Change in Outdoor Temperature: Case Study for Nur-Sultan City
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
The environmental situation in the capital city is always in the focus of attention of the municipal authorities of the city and is one of the most important factors influencing the decisions. The capital of Kazakhstan, Nur-Sultan, consumes heat energy generated from fossil fuel, and one of the major problems is an extremely cold and long winter. The GHG emissions and particle matters from the coal-based Combined Heat and Power plant have a significant impact on the environment as smog, particularly in the heating season. This work analyses spatial high-resolution Big Data collected from the metering points of 385 houses and 62 heat transmission contours across a city during the heating season. The temporary resolution was 10 minutes i.e., 8754 rows for 5 months (Jan-May). There are shown the findings of the correlation rates analysis between heat energy consumption by zones of Nur-Sultan and ambient temperature, as well as non-efficient zones with substantial losses. In this paper for developing the prediction tools for the Smart City heat consumption there were used mixed modelling methods and machine learning approaches, such as Linear Regression, K-neighbours Regressor, and Random Forest Regressor models. These obtained results could be helpful for predicting optimal pumping pressure for each distribution network using machine learning technologies and finding overheated contours in real time.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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