Development and Demonstration of Surrogate Models to Predict Energy-Related Building Features from Heating and Cooling Load Signature
Notice bibliographique
Résumé
This thesis introduces an innovative, efficient, and cost-effective approach for screening office buildings to identify the buildings with the most retrofit potential.Traditional auditing methodologies, including advanced inverse-based methods, often face constraints in terms of engineering cost, time, high fidelity BAS data availability, and scalability.To address these challenges, this research leverages inverse-based machine learning techniques to develop surrogate models for 12 rectangular mid to high rise office buildings.These models predict energy-related building features from widely accessible heating and cooling load data, offering a more accessible and scalable solution.Two methodologies are explored in this research: 1) unsupervised learning of load signatures with clustering algorithms to group probable energy-related building features, and 2) supervised learning of load signatures using an ensemble of artificial neural networks (ANNs) to predict probable energy-related building feature sets.Both methodologies utilize a large training dataset generated through simulation of energyrelated features to obtain the heating and cooling load data.From this simulated data, threeparameter change point models (3P CPMs) are extracted as load signatures, which are then used to predict the energy-related building features.This approach allows for the efficient and accurate characterization of building energy performance, providing a scalable alternative to traditional auditing methodologies.The results indicate that the surrogate models can predict most energy-related building features with reasonable accuracy.Furthermore, the use of clustering to handle multicollinearity in the predictions highlights the potential of these models as an alternative to conventional energy auditing methodologies.This research also presents a user-friendly software tool, demonstrating the practical application of the surrogate model using real-world building consumption data.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».