Field implementation of model-based predictive control in an all-electric school building: Impact of occupancy on energy flexibility
Notice bibliographique
Résumé
Integrating advanced control strategies is essential in reducing energy cost, optimizing interaction with the electric grid, and enhancing indoor environmental quality in buildings. Enhancing energy flexibility in the building demand profile is essential for the safe and efficient operation of smart grids. This paper presents a grid-interactive model predictive control methodology to improve energy flexibility and maintain indoor environmental quality in school buildings. The proposed model predictive control framework employs data-driven grey-box thermal network models for classrooms with convective heating systems. The methodology is implemented in an all-electric school building in Montreal, Canada, during very cold winter days. Two control scenarios are investigated and compared: 1) a reference scenario using a proportional-integral controller and business as usual thermostat setpoints and 2) a flexible control scenario using model predictive control. Both scenarios were tested under two conditions: with and without occupants in classrooms. Four classrooms operated with proportional-integral controller and usual setpoint profiles were considered reference cases, while another four classrooms employed model predictive control as flexible cases. Results showed that the model predictive control increased energy flexibility by 36% in unoccupied conditions and 61% in occupied conditions while reducing energy consumption by 25% and 63%, respectively. Throughout both scenarios, the model predictive control maintained satisfactory thermal comfort and indoor air quality. This approach is scalable and transferable to other institutional or mid-size commercial buildings.
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 ».