Using Personal Environmental Comfort Systems to Mitigate the Impact of\n Occupancy Prediction Errors on HVAC Performance
Notice bibliographique
Résumé
Heating, Ventilation and Air Conditioning (HVAC) consumes a significant\nfraction of energy in commercial buildings. Hence, the use of optimization\ntechniques to reduce HVAC energy consumption has been widely studied. Model\npredictive control (MPC) is one state of the art optimization technique for\nHVAC control which converts the control problem to a sequence of optimization\nproblems, each over a finite time horizon. In a typical MPC, future system\nstate is estimated from a model using predictions of model inputs, such as\nbuilding occupancy and outside air temperature. Consequently, as prediction\naccuracy deteriorates, MPC performance--in terms of occupant comfort and\nbuilding energy use--degrades. In this work, we use a custom-built building\nthermal simulator to systematically investigate the impact of occupancy\nprediction errors on occupant comfort and energy consumption. Our analysis\nshows that in our test building, as occupancy prediction error increases from\n5\\% to 20\\% the performance of an MPC-based HVAC controller becomes worse than\nthat of even a simple static schedule. However, when combined with a personal\nenvironmental control (PEC) system, HVAC controllers are considerably more\nrobust to prediction errors. Thus, we quantify the effectiveness of PECs in\nmitigating the impact of forecast errors on MPC control for HVAC systems.\n
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».