Developing a residential occupancy schedule generator based on smart thermostat data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Occupancy patterns play a major role in residential buildings’ energy demand. This role becomes essential to represent realistically in urban-scale energy simulations with the focus on matching the supply of renewable energy to the demand of different sectors. However, the lack of large-scale datasets that represent the seasonality and dynamic of occupancy schedules, especially for the residential sector limited such analysis. Recently, the fast adoption of smart thermostats, featuring passive infrared sensors for motion detection, in residential buildings has allowed for the development of more representative occupancy schedules for different applications. To this end, this study introduces an open-source Python package to generate large-scale hourly occupancy profiles for residential buildings based on smart thermostat readings. The package takes advantage of the Donate Your Data (DYD) dataset by Ecobee to develop a rule-based framework that addresses the limitations of relying on motion-detection data to represent the whole-building occupancy. The framework was applied to over 8,000 Canadian households as a case study. The generated profiles for these buildings are validated by comparing them with residential occupancy profiles generated from the Canadian Time Use Survey (TUS). The results showed that both profiles were statistically similar with a 3% difference in the aggregated daily occupied hours. Finally, the diversity of the generated profiles before and after the COVID-19 pandemic is investigated to demonstrate the usefulness of the tool. The results proved the potential of the developed package to generate realistic and diverse occupancy schedules for the residential sector.
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.
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 | 0,001 | 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 | 0,001 | 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 découle