Electricity Consumption (kW) Forecast for a Building of Interest Based on a Time Series Nonlinear Regression Model
Notice bibliographique
Résumé
This paper investigates the relationship between a building's past energy consumption and the outdoor temperature and predicts the next day's energy consumption using a refined time series model. Maintaining optimal indoor temperatures relative to outdoor temperatures determines a building's HVAC demand and, thus, energy consumption. We want to determine how outdoor temperature and other factors determine this consumption. With increasing urbanization and energy demand, it is important to understand building energy consumption, especially in terms of its impact on the environment. Previous research has shown the link between electricity consumption and external environmental factors and highlighted energy optimization's importance in urban structures. As cities become large energy consumers, studies point to the need to understand energy use patterns on a regional and temporal scale. For accurate energy forecasts, data becomes the linchpin. Time series—data points arranged in chronological intervals—are foundational in predictive modeling. Due to buildings' intricate electricity consumption patterns, traditional linear forecasting often falls short. Enter nonlinear regression models: These complex models are apt for mapping and predicting nonlinear data trends. Notwithstanding their advantages, they come with challenges, primarily the high-frequency data influx from smart meters and IoT devices. But their potential benefits - from cost savings to efficient energy management - are significant. In a world caught between urban expansion and ecological preservation, efficient energy management is crucial. Accurate energy forecasting, especially for buildings, combines technological advances, statistical acumen and environmental imperatives. Understanding building energy consumption using sophisticated nonlinear regression models is evolving from an academic goal to a global necessity.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».