Grey-Box Energy Modelling of Energy-Efficient House Using Hybrid Optimization Technique of Genetic Algorithms (GA) and Quasi-Newton Algorithms with Markov Chain Monte Carlo Uncertainty Distribution
Notice bibliographique
Résumé
Understanding energy demands and costs is important for policy makers and the energy sector, especially in the context of residential heating and cooling systems. To estimate the thermal demand of a residential house, a grey-box modelling method with a resistance–capacitance (RC) analogy was implemented. The architectural properties used to parameterize the grey-box model were derived from a house used for research purposes in Vaughan, Ontario, Canada (TRCA-House A). The house model accounts for solar irradiance on exterior building surfaces, thermal conductivity through all surfaces, solar heat gains through windows, and thermal gains from ventilation. Two parallel short- and long-term calibrations were performed such that model outputs reflected the real-world operation of the house as best as possible. To define the unknown model parameters (such as the conductivity of building materials and some constant parameters), a hybrid optimization scheme including a genetic algorithm (GA) and the Quasi-Newton algorithm was introduced and implemented using Bayesian approximation and Markov Chain Monte Carlo (MCMC) methods. The temperature outputs from the model were compared to the data retrieved from TRCA-House A. The final iteration of the model had an RMSE for interior zone temperature estimation of 0.22 °C when compared to the retrieved interior zone temperature data from TRCA-House A. Furthermore, the annual heating and cooling energy consumption values are within 1.50% and 0.08% of target values, respectively. According to these preliminary results, the introduced model and optimization techniques could be adjusted for different types of housing, as well as for smart control applications on both a short- and long-term basis.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».