Development of a contextual bandits-based thermal mass preconditioning algorithm for dynamic electricity pricing
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
Preheating / precooling the thermal mass of a building with off-peak electricity can significantly reduce demand for heating / cooling during peak periods. However, an unknown part of this load shifting process is dynamically determining the optimal preconditioning sequence. This paper puts forward a contextual bandits-based algorithm to dynamically optimize preconditioning behaviour. The analysis was conducted by employing a high-fidelity emulator in EnergyPlus, representing a generic small office building. The algorithm iteratively develops univariate change point models for different discrete preconditioning levels, enabling the estimation of a near-optimal preconditioning level for a given building and outdoor temperature forecast for the day. HVAC-related electricity cost savings achieved through this adaptive algorithm varied between 10 and 40% for different peak pricing and envelope scenarios. For all peak pricing and envelope scenarios, the adaptive algorithm was superior to the baseline preconditioning sequences and within 2% of those estimated using a global optimization approach.HighlightsDevelopment of a contextual bandits-based thermal mass preconditioning algorithm for dynamic electricity pricing Optimal load shifting via preconditioning is studied through simulation.EnergyPlus model of a small office building was used as a controls emulator.Control algorithms interacted with the emulator via EnergyPlus' Python API.An adaptive algorithm was developed to autonomously estimate the optimal preconditioning behaviour.The algorithm's performance was comparable to that of global optimization.
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 | 0,000 | 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 découle