Synthetic dataset generation of energy consumption for residential apartment building in cold weather considering the building's aging
Notice bibliographique
Résumé
The residential sector's substantial electricity consumption, driven by heating demands during winter, necessitates optimal energy consumption strategies in the era of decarbonization. To address this challenge, this paper introduces a synthetic dataset specifically tailored to simulate energy consumption in residential apartment buildings. Focusing on the interplay of cold weather conditions and the effects of aging factors, the dataset comprehensively encompasses key variables, including indoor temperature, energy consumption, outdoor temperature, outdoor humidity and solar radiation. It underscores the considerable impact of building aging on energy consumption patterns. The dataset's significance extends across various domains, particularly in the realms of energy forecasting and thermal modelling. It serves as a robust foundation for predicting future consumption patterns, optimizing resource allocation, and refining energy efficiency strategies. The inclusion of indoor temperature data facilitates an in-depth thermal modelling approach, shedding light on intricate relationships that influence building performance in cold climates. Beyond traditional, the dataset proves invaluable in nonlinear modelling and machine learning. It emerges as a key tool for algorithm training, enhancing forecast precision, and supporting well-informed decision-making. The introduction of a temporal dimension by accounting for aging factors allows for the exploration of evolving building components over time, a critical consideration for sustainable energy management and building maintenance strategies. The dataset was meticulously generated by creating geometry using SketchUp and conducting energy modelling and simulations via the OpenStudio platform, which integrates the Energy Plus modelling engine to enhance accuracy. In summary, this synthetic dataset generation provides valuable insights into energy consumption in residential buildings exposed to cold weather conditions and the influences of aging. Its multifaceted applications across forecasting, modelling, management, and planning underscore its potential to advance sustainable and efficient energy practices.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».