Transfer Learning for the Prediction of Energy Performance of Water-Cooled Electric Chillers: Grey-Box Models Versus Deep Neural Network (DNN) Models
Notice bibliographique
Résumé
The development of data-driven prediction models of energy performance of HVAC equipment, such as chillers, depends on the quality and quantity of measurement data for the model training. The practical applications always struggle with the credibility of results when the training dataset of an existing chiller is relatively small. Moreover, when the energy analyst needs to develop a reliable predictive model of a new chiller, the manufacturer’s proprietary data are not always available. The transfer learning method can soften these constraints and can help in the development of a predictive model that captures the knowledge from the available chiller, called the source chiller, using a small dataset, and apply it to a new chiller, called the target chiller. The paper presents the successful application of transfer learning strategies by using grey-box models and DNN models for the prediction of chillers performance, when measurement data are recorded at 15 min time intervals by the building automation system (BAS) and used for training and testing. The paper confirms the initial hypothesis that both the grey-box models and DNN models of the source chiller from July 2013 predict well the energy performance of the target chiller with measurement datasets from 2016. The DNN models perform slightly better than the grey-box models. The pre-trained grey-box models and DNN models, respectively, are transferred to the target chiller using three strategies: SelfL, TLS0, and TLS1, and the results are compared. SelfL strategy trains and tests the models only with the target data. TLS0 strategy directly transfers the models from the source chiller to the target chiller. TLS1 strategy transfers the models, pre-trained with an extended dataset that is composed of training dataset of Ds and training dataset of Dt. Finally, the models are tested with another set of testing data. The difference in computation times of these two types of models is not significant for preventing the use of DNN models for the applications within the BAS, when compared with grey-box models.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».