Data-driven building energy models for design and control of community energy systems
Notice bibliographique
Résumé
Building energy models are used to forecast building energy use to design and control efficient building energy systems. Building energy use can generally be decomposed into heating, ventilation and air conditioning, refrigeration, appliance and lighting loads. These loads will depend on multiple factors such as outdoor weather conditions, occupants, building type, controls and scheduling. Data-driven models have become more popular with the increase in smart meter data available that can be used to train and fit the models. Additionally, buildings with high refrigeration loads have greater heat harvesting potential, however, few data-driven models have been developed for buildings such as supermarkets and ice rinks. In this work, linear regression models are used to predict the disaggregated space cooling, heating, baseload and refrigeration components of building energy use. In most cases, measured aggregate electricity use is available, however individual appliances or component loads require submetering equipment which can be expensive. Therefore the proposed models use time-based and weather features to separate the thermal and baseload portions of the electrical load. A generalized approach is also used to predict new buildings with data from existing buildings. Furthermore, a simplified model is used to predict hourly space heating from monthly natural gas measurements and hourly weather measurements. The models were evaluated on real data from buildings in Ontario and the disaggregated loads were verified with synthetic data. The results found that aggregate use was predicted reasonably well using linear regression methods, with most building types having a median normalized root mean squared error between 0.2 and 0.3, depending on the forecasting period. The model is flexible as it does not require detailed information related to the building such as lighting or setpoint schedules, however, it can be adapted in the future to include additional information and improve predictive capability.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».