کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4918828 1428934 2017 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Mining electrical meter data to predict principal building use, performance class, and operations strategy for hundreds of non-residential buildings
ترجمه فارسی عنوان
داده های برق معدنکاری برای پیش بینی استفاده از ساختمان اصلی، کلاس عملکرد و استراتژی عملیات برای صدها ساختمان غیر مسکونی
کلمات کلیدی
داده کاوی، عملکرد ساختمان، طبقه بندی عملکرد، بهره وری انرژی، متر هوشمند،
ترجمه چکیده
این مطالعه بر استنتاج داده های مشخصه از یک مجموعه داده 507 ساختمان غیر مسکونی متمرکز است. یک چارچوب دو مرحله ای ارائه شده است که عصاره های آماری، مبتنی بر مدل و مبتنی بر الگوی مبتنی بر. هدف چارچوب کاهش مداخلات کارشناس مورد نیاز برای استفاده از داده های خام اندازه گیری شده است تا بتوان اطلاعاتی مانند نوع استفاده از ساختمان، کلاس عملکرد و رفتار عملیاتی را به دست آورد. گام اول استخراج ویژگی های زمانی است که از یک کتابخانه از تکنیک های داده کاوی برای فیلتر کردن پدیده های مختلف از داده های خام استفاده می کند. این مرحله داده های خام کمی را به دسته های کیفی تبدیل می کند که در تصاویر تصویر گرمائی برای تفسیر ارائه می شوند. در مرحله دوم، یک مدل طبقه بندی تصادفی جنگل برای دقت در پیش بینی استفاده از فضای اولیه، میزان مصرف انرژی و نوع استراتژی عملیاتی با استفاده از ویژگی های تولید آزمایش شده است. نتایج نشان می دهد که پیش بینی ها با استفاده از این روش 6/45 درصد دقیق تر از نوع استفاده از ساختمان اصلی، 24.3 درصد دقیق تر از کلاس عملکرد و 6/63 درصد دقیق تر برای نوع عملیات ساختمان در مقایسه با خطوط پایه است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
پیش نمایش مقاله
داده های برق معدنکاری برای پیش بینی استفاده از ساختمان اصلی، کلاس عملکرد و استراتژی عملیات برای صدها ساختمان غیر مسکونی
چکیده انگلیسی
This study focuses on the inference of characteristic data from a data set of 507 non-residential buildings. A two-step framework is presented that extracts statistical, model-based, and pattern-based behavior. The goal of the framework is to reduce the expert intervention needed to utilize measured raw data in order to infer information such as building use type, performance class, and operational behavior. The first step is temporal feature extraction, which utilizes a library of data mining techniques to filter various phenomenon from the raw data. This step transforms quantitative raw data into qualitative categories that are presented in heat map visualizations for interpretation. In the second step, a random forest classification model is tested for accuracy in predicting primary space use, magnitude of energy consumption, and type of operational strategy using the generated features. The results show that predictions with these methods are 45.6% more accurate for primary building use type, 24.3% more accurate for performance class, and 63.6% more accurate for building operations type as compared to baselines.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy and Buildings - Volume 156, 1 December 2017, Pages 360-373
نویسندگان
, ,