Designing energy-positive neighborhoods: A modular framework for integrated planning and policy guidance
Notice bibliographique
Résumé
This study proposes a modular and scalable framework for evaluating energy performance at the neighborhood scale, supporting the design of net-zero and energy-positive urban districts. Using archetype-based models of 11 representative Canadian neighborhood typologies, varying in density, land use, and form, the framework analyzes energy outcomes under multiple configurations, including microgrid coordination, renewable-powered district heating (geothermal and PV/T), landscape-integrated photovoltaics (LPV), and electric vehicle (EV) integration with vehicle-to-grid (V2G) functionality. Results show that integrating LPV over 20 % of public open space increases local generation reducing energy deficits by 20–30 % in high-density neighborhoods. Scenarios using PV/T based district heating (Scenario 4) achieved up to 90 % and 80 % reductions in net energy deficits in dense mixed-use neighborhoods (MU1 and MU2, respectively), compared to the baseline. V2G integration further reduced EV-related energy deficits by up to 25 % relative to uncontrolled charging scenarios. Additionally, strategic aggregation of complementary neighborhoods enabled the formation of energy-positive clusters, even when individual neighborhood units remained energy deficit. Although the analysis relies on simplified, correlation-based models and average annual inputs, the framework provides actionable insights during early planning phases, enabling rapid assessment of cross-sectoral design strategies for resilient, low-carbon urban development.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».