Enhancing building energy performance prediction: A fusion of deep learning and first-principles simulation methods
Notice bibliographique
Résumé
Accurate energy demand prediction is essential for effective control of energy consumption and generation, enabling optimal energy management and reducing emissions. This study introduces a hybrid model integrating a physics-based EnergyPlus simulation with a long short-term memory (LSTM) neural network to enhance energy demand forecasting for buildings. While physics-based models offer computational efficiency, they often result in significant discrepancies between predicted and actual energy demand. Conversely, LSTM models improve prediction accuracy but struggle with peak forecasting. The proposed hybrid approach leverages the strengths of both methods, combining simulation outputs with LSTM predictions to reduce the normalized mean absolute error (NMAE) and improve peak predictions. A feature importance algorithm is incorporated to identify key variables, such as water heater cycle on count, that influence peak values during the LSTM training process. The hybrid model demonstrates a 5% and 20% reduction in normalized root mean square error (NRMSE) compared to the standalone LSTM and simulation models, respectively, during the warmest week of summer. Slight improvements are also observed during winter, with NRMSE reductions of 3% and 11% for the coldest week. Additionally, the hybrid model outperforms the single LSTM in predicting peak energy demand across various thresholds, as evidenced by superior F 1-scores, precision and recall. While the model is less effective during certain winter periods, its overall robustness in predicting peaks and valleys across seasonal variations underscores its utility for real-world applications.
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 ».