Projecting and estimating HVAC energy savings from correcting control faults: Comparison between physical and virtual metering approaches
Notice bibliographique
Résumé
Fault-impact analysis (FIA) in heating, ventilation, and air conditioning (HVAC) systems involves forecasting system loads in the absence of equipment malfunction and inappropriate sequences of operations with the intention of setting a target for optimal operating energy use and encouraging and augmenting fault correction. Fault correction is an ongoing and resource-intensive endeavor for operations personnel, often motivated by occupant complaints rather than to mitigate excessive operating energy use. Thus, projecting the energy-use impact of faults is imperative to improving building energy efficiency as it leverages the potential to reduce energy use for real-time operational decision-making. Thermal energy meters (i.e., physical meters) can provide post-correction validation by quantifying the energy-use impact of faults, though are incapable of projecting this information before faults are corrected and providing motivation. Additionally, their installation and maintenance costs in existing buildings are often prohibitive. Virtual meters (VMs) which leverage HVAC controls data offer a cost-effective alternative to physical meters. Furthermore, inverse-model (IM)-based VMs enable scalable FIA by employing derived IMs at the system and zone level to emulate alternative control scenarios. This paper presents the first ever field implementation of FIA-capable VM algorithms. An automated and BAS-integrated VM algorithm was deployed in a living-lab facility in Ottawa, Canada, and the VM-estimated energy-use impact of correcting common soft faults is presented and compared with savings reported by thermal meters and savings projected by the FIA. For combined system- and zone-level heating, VMs estimated 85% of the measured energy-use savings, and a 65% reduction in energy use was projected prior to correcting faults where a 62% reduction was realized after faults were corrected. VMs can appropriately assess and project energy savings for fault correction so long as the method to baseline pre-correction energy use persists after correction.
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 ».