A critical review of field implementation of data-driven operation and maintenance technologies to reduce building energy use and GHG emissions
Notice bibliographique
Résumé
Field implementation studies spanning six data-driven building operation and maintenance (DBOM) application domains (model-based predictive control (MPC), occupant-centric control (OCC), automated demand response (ADR), reinforcement learning control (RLC), fault detection and diagnostics (FDD), and virtual metering (VM)) were reviewed. The review aimed to make inter- and intra-application domain comparisons in terms of implementation processes and outcomes. The studies were classified by different levels of integration effort and sensing infrastructure complexity according to the quantity and kind of their inputs and outputs. An analysis is conducted on how energy-related success metrics (e.g., energy use, cost, demand) correlate with the integration effort and the complexity of the infrastructure. In general, MPC and ADR studies were found to require a higher level of integration effort than OCC studies; yet, OCC studies tend to require upgrades in the sensing infrastructure, unlike MPC and ADR studies. 95 % of those reporting post-implementation energy metrics achieved more than 10 % improvement in their energy-related objectives. The analysis results also highlight that a large fraction of the FDD and VM studies did not follow a measurement and verification procedure to quantify energy-related performance improvements upon field implementation. 90 % of the papers did not include feedback from building operators or occupants after the implementation.
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) | 0,001 | 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 ».