دانلود مقاله ISI انگلیسی شماره 68103
عنوان فارسی مقاله

روش شبیه سازی ساختمان برای آموزش ابزار تحلیل داده های خودکار در مدیریت انرژی ساختمان

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی تعداد کلمات
68103 2013 9 صفحه PDF سفارش دهید محاسبه نشده
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Building simulation approaches for the training of automated data analysis tools in building energy management
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Advanced Engineering Informatics, Volume 27, Issue 4, October 2013, Pages 457–465

کلمات کلیدی
مدیریت انرژی؛ قرائت خودکار ؛ فراگیری ماشین؛ شبیه سازی عملکرد ساختمان - محک
پیش نمایش مقاله
پیش نمایش مقاله روش شبیه سازی ساختمان برای آموزش ابزار تحلیل داده های خودکار در مدیریت انرژی ساختمان

چکیده انگلیسی

The field of building energy management, which monitors and analyses the energy use of buildings with the aim to control and reduce energy expenditure, is seeing a rapid evolution. Automated meter reading approaches, harvesting data at hourly or even half-hourly intervals, create a large pool of data which needs analysis. Computer analysis by means of machine learning techniques allows automated processing of this data, invoking expert analysis where anomalies are detected. However, machine learning always requires a historical dataset to train models and develop a benchmark to define what constitutes an anomaly. Computer analysis by means of building performance simulation employs physical principles to predict energy behaviour, and allows the assessment of the behaviour of buildings from a pure modelling background. This paper explores how building simulation approaches can be fused into energy management practice, especially with a view to the production of artificial bespoke benchmarks where historical profiles are not available. A real accommodation block, which is subject to monitoring, is used to gather an estimation of the accuracy of this approach. The findings show that machine learning from simulation models has a high internal accuracy; comparison with actual metering data shows prediction errors in the system (20%) but still achieves a substantial improvement over industry benchmark values.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.