A cloud-oriented data-analysis framework to analyze peak demand dynamics in institutional building clusters
Notice bibliographique
Résumé
• Data analysis framework to examine institutional buildings’ peak electrical demand. • Quantile-based metrics are introduced to comprehend peaking patterns in buildings. • Cross building ranking is established to identify electrically inefficient buildings. • Framework was implemented and tested in real world university settings. • Cloud-based dashboard was developed for visually intuitive display of results. Peak loads in higher education institutional building clusters (IBCs) possess considerable economic repercussions on their overall operations. Thus, identifying electrically inefficient buildings presents a significant opportunity to curtail peak loads and promote energy efficiency in IBCs. Existing literature implements clustering algorithms to comprehend the electrical demand dynamics of buildings to analyze disparity in their load behavior. These techniques perform well in single building environment, however, fall short in comprehending the demand dynamics for building clusters, specifically during peak loads. This study introduces a cloud-oriented quantile-based data analysis framework, specifically designed for simultaneously evaluating demand profiles of multiple buildings within IBCs. Quantile-based metrics namely, Value-at-Risk, Conditional Value-at-Risk and Conditional Value-at-Risk standard deviation are implemented to comprehend the electrical fluctuations and quantify the electrical impact of each building during campus-wide peak demands. A cross-building comparison is established by linearly ranking buildings following two key criteria: (i) buildings with frequent demand fluctuations and (ii) buildings exerting a high electrical impact on overall IBC demand. Both criteria are equally weighted while ranking to identify the most inefficient buildings during peak loads. The framework is implemented in a Canadian university and resulted a substantial 50 MW demand reduction through recommissioning and retrofitting of inefficient buildings.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».