Load Optimization for Connected Modern Buildings Using Deep Hybrid Machine Learning in Island Mode
Notice bibliographique
Résumé
This paper examines Connected Smart Green Buildings (CSGBs) in Burnaby, BC, Canada, with a focus on townhouses with one to four bedrooms. The proposed model integrates sustainable materials and smart components such as recycled insulation, Photovoltaic (PV) solar panels, smart meters, and high-efficiency systems. These elements improve energy efficiency and promote sustainability. Operating in island mode, CSGBs can function independently of the grid, providing resilience during power outages and reducing reliance on external energy sources. Real data on electricity, gas, and water consumption are used to optimize load management under isolated conditions. Electric Vehicles (EVs) are also considered in the system. They serve as energy storage devices and, through Vehicle-to-Grid (V2G) technology, can supply power when needed. A hybrid Machine Learning (ML) model combining Long Short-Term Memory (LSTM) and a Convolutional Neural Network (CNN) is proposed to improve the performance. The metrics considered include accuracy, efficiency, emissions, and cost. The performance was compared with several well-known models including Linear Regression (LR), CNN, LSTM, Random Forest (RF), Gradient Boosting (GB), and hybrid LSTM–CNN, and the results show that the proposed model provides the best results. For a four-bedroom Connected Smart Green Townhouse (CSGT), the Mean Absolute Percentage Error (MAPE) is 4.43%, the Root Mean Square Error (RMSE) is 3.49 kWh, the Mean Absolute Error (MAE) is 3.06 kWh, and R2 is 0.81. These results indicate that the proposed model provides robust load optimization, particularly in island mode, and highlight the potential of CSGBs for sustainable urban living.
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 ».