Multi-task deep learning for large-scale buildings energy management
Notice bibliographique
Résumé
Building energy management acts as the brain of the building, which controls the energy supply based on sensor data and algorithms. However, existing methods only focus on single-task prediction like load forecasting. As more multi-variable data is collected from ubiquitous sensors, building energy management needs to extend functionality from single-task to multi-purpose predictions. This study designs a multi-task learning system to tackle four different tasks: 1. Electricity load forecasting; 2. Air temperature forecasting; 3. Energy anomaly detection; 4. Energy anomaly prediction. A mixture-of-experts framework with the self-attention mechanism is proposed for learning heterogeneous tasks. A new comprehensive dataset has been created with real data to demonstrate the heterogeneous tasks' efficacy of the suggested framework. Extensive experiments are conducted with various deep learning models, which shows our proposed model achieves superior prediction performance overall tasks. Comparative studies are performed to explore the correlations between forecasting and anomaly learning, which reveal the benefits of multi-task learning for heterogeneous tasks. Anomaly detection and prediction both achieve 98% accuracy and 95% F1-score, while the electricity load forecasting single-task error is reduced by almost 60% through the multi-task model. Nonetheless, the tasks' training difficulties and resource consumption are also investigated and the deeper network doesn't ensure better performances. The dataset is open-sourced at: https://github.com/rekingbc/Multi-task-building.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».