Using smart thermostat override data to provide insights for improving heating, ventilation, and air-conditioning system scheduling in a portfolio of small commercial buildings
Notice bibliographique
Résumé
Managers of small commercial building (SCB) portfolios need to understand occupant interactions with heating, ventilation, and air-conditioning (HVAC) systems to reduce energy use and greenhouse gas (GHG) emissions. In Canada, SCBs are currently underserved by energy conservation and thermal analysis tools because of their dispersion and lower payback potential. However, the emergence of smart thermostats (STs) and their central data collection platform provide a cost-effective solution to gather data from portfolios of SCBs and improve our understanding of occupant-HVAC interactions. This article analyzes the relationship between HVAC schedules (temperature set-points), indoor thermal conditions (dry-bulb temperature and relative humidity), and occupant behavior (thermostat overrides) in a portfolio of 30 SCBs in Ontario, Canada. The results reveal that temperature set-points were not properly selected in the portfolio of SCBs, leading to a large range of indoor thermal conditions and increased thermostat overrides. Specifically, the study demonstrates that building- and zone-specific HVAC schedules are necessary to minimize discomfort and reduce energy consumption in the portfolio of SCBs. The findings of this study can provide valuable insights for portfolio managers to improve HVAC schedules in a manner that reduces energy consumption and GHG emissions while accommodating occupants’ thermal comfort and productivity.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».