Deriving optimal direct load control sequences for HVAC systems of small commercial buildings
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Direct load control (DLC) for building HVAC systems, through preconditioning and setup/setback sequences, can substantially reduce electricity consumption during peak periods. Yet, the effectiveness of a DLC sequence strictly depends on the thermophysical attributes of a building and its occupants’ tolerance to variations in the thermal environment. The current one-size-fits-all approach to DLC disregards the inter-building diversity of these factors. This paper demonstrates the inter-building diversity of preconditioning and setup/setback needs by deriving unique DLC sequences for different buildings. To this end, variants of an EnergyPlus model representing a small commercial building in Toronto, Ontario are created by altering its envelope, HVAC capacity, and occupants’ temperature preference characteristics. Through a metaheuristic search, personalized DLC sequences that minimize the HVAC-related electricity costs and the time spent outside a preferred temperature range are estimated for each variant. These personalized DLC sequences were compared with six baseline DLC sequences. Unlike the baseline DLC sequences, the optimal sequences could attain an average of 20% reduction in HVAC-related electricity costs while keeping the time spent outside the preferred temperature ranges under 3% for all variants. Practical application This paper presents an optimization method to derive unique direct load control sequences demonstrating the inter-building diversity of preconditioning and setup/setback needs. The method is tested on a range of buildings with varying characteristics in a simulation environment. The findings of the study are useful in the domains of HVAC controls, demand response, and electrification of HVAC systems.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 découle