The Applicability of a Machine Learning Methodology to Generate TMY Weather Files
Notice bibliographique
Résumé
To effectively decarbonize buildings accurate energy models must be created to predict building energy performance. Typical meteorological year (TMY) weather files represent long-term weather conditions and are used in energy modelling to help evaluate energy performance. This thesis explores generating TMY files using machine learning to improve accuracy, which can significantly influence energy simulation results. The current TMY generation approach relies on expert judgment, often overlooking seasonal, climate and application-based variations. \nManuscript #1 introduces a machine learning methodology using feature importance to determine the relevant generation parameters used in the Sandia method to enhance the current TMY generation approach. The proposed methodology is applied to a medium office building in Montreal. The results reveal an improved representativeness of the long-term average building energy demand for the TMY generated using the proposed methodology. \nManuscript #2 aims to (1) assess the applicability of the methodology across Canadian climates; (2) investigate the feasibility of using standardized climate zone-based weighting factors to reduce the computational time associated with extracting location-based weighting factors to facilitate wider adoption of the proposed methodology. The methodology is applied to 18 cities across six Canadian climate zones and generates two weather files for each location. TMYSTATION uses location-based weighting factors while TMYCZ uses climate zone-based weighting factors. The CV(RMSE) and NMBE indicate the proposed weather files outperform the conventional weather files in predicting the long-term energy performance of buildings. Although the TMYSTATION files performed marginally better, the convenience of standardized climate zone-based weighting factors can enhance the methodology’s adaptability.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».