A Critical Perspective on Current Research Trends in Building Operation: Pressing Challenges and Promising Opportunities
Notice bibliographique
Résumé
Despite the development of increasingly efficient technologies and the ever-growing amount of available data from Building Automation Systems (BAS) and connected devices, buildings are still far from reaching their performance potential due to inadequate controls and suboptimal operation sequences. Advanced control methods such as model-based controls or model-based predictive controls (MPC) are widely acknowledged as effective solutions for improving building operation. Although they have been well-investigated in the past, their widespread adoption has yet to be reached. Based on our experience in this field, this paper aims to provide a broader perspective on research trends on advanced controls in the built environment to researchers and practitioners, as well as to newcomers in the field. Pressing challenges are explored, such as inefficient local controls (which must be addressed in priority) and data availability and quality (not as good as expected, despite the advent of the digital era). Other major hurdles that slow down the large-scale adoption of advanced controls include communication issues with BAS and lack of guidelines and standards tailored for controls. To encourage their uptake, cost-effective solutions and successful case studies are required, which need to be further supported by better training and engagement between the industry and research communities. This paper also discusses promising opportunities: while building modelling is already playing a critical role, data-driven methods and data analytics are becoming a popular option to improve buildings controls. High-performance local and supervisory controls have emerged as promising solutions. Energy flexibility appears instrumental in achieving decarbonization targets in the built environment.
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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,009 | 0,018 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».