کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6697212 1428354 2018 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Evaluation of the causes and impact of outliers on residential building energy use prediction using inverse modeling
ترجمه فارسی عنوان
ارزیابی علل و تأثیرات نابرابری ها بر پیش بینی استفاده از انرژی ساختمان مسکونی با استفاده از مدل سازی معکوس
کلمات کلیدی
مدل سازی معکوس، استفاده از انرژی، ساختمان های مسکونی، ناپایدارها، عملکرد ساختمان،
ترجمه چکیده
تکنیک های مدل سازی معکوس اغلب برای پیش بینی عملکرد و استفاده از انرژی ساختمان ها استفاده می شود. استفاده از انرژی مسکونی به طور عمده وابسته به رفتار ساکنان است؛ این می تواند دقت مدل را با توجه به وجود ناهنجاری ها محدود کند. داده های محدودی در دسترس برای تعیین علت و ارزیابی تاثیر چنین ناپایداری ها بر عملکرد مدل وجود دارد و در نتیجه، راهنمایی های محدودی در مورد چگونگی به بهترین نحو برای حل این مسئله در توسعه مدل ها وجود دارد. بنابراین هدف اصلی این کار این است که استفاده از روش های تشخیص غلط را برای علل ناهنجاری ها در داده های مصرف انرژی و تعیین اینکه آیا یا نه حذف شده است یا نه، برای بهبود عملکرد یک مدل معکوس پیوند داده است. یک مجموعه داده از 128 مجتمع مسکونی در ایالات متحده با داده های انرژی جداگانه و بسیار دانه ای بررسی شده است. با استفاده از داده های ماهانه، مدل سازی تغییر نقطه به عنوان بهترین روش برای پیش بینی مصرف تعیین شده است. سپس سه روش برای شناسایی ناقلین در داده ها استفاده می شود و علت و تاثیر این ناپایدار ها مورد ارزیابی قرار می گیرد. تقریبا 19 درصد از خانه ها بی نظیر بودند. با استفاده از داده های جمع آوری شده، علل بیشتر به دلیل تغییرات در استفاده از لوازم خانگی، نورپردازی و الکترونیک بود. در 20٪ از خانه هایی که در خارج از منزل قرار دارد، از بین رفتن کارایی مدل بهبود یافته، به ویژه تمام کسانی که در معرض انحراف استاندارد و روش های مسطح و یا هر سه روش شناسایی شده اند. به این ترتیب، این دو ترکیب از روش های تشخیص غلط، برای استفاده در بهبود قابلیت پیش بینی مدل های معکوس معکوس توصیه می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
پیش نمایش مقاله
ارزیابی علل و تأثیرات نابرابری ها بر پیش بینی استفاده از انرژی ساختمان مسکونی با استفاده از مدل سازی معکوس
چکیده انگلیسی
Inverse modeling techniques are often used to predict the performance and energy use of buildings. Residential energy use is generally highly dependent on occupant behavior; this can limit a model's accuracy due to the presence of outliers. There has been limited data available to determine the cause of and evaluate the impact of such outliers on model performance, and thus limited guidance on how best to address this in model development. Thus the main objective of this work is to link the use of outlier detection methods to the causes of anomalies in energy use data, and to the determination of whether or not to remove an identified outlier to improve an inverse model's performance. A dataset of 128 U.S. residential buildings with highly-granular, disaggregated energy data is investigated. Using monthly data, change-point modeling was determined to be the best method to predict consumption. Three methods then are used to identify outliers in the data, and the cause and impact of these outliers is evaluated. Approximately 19% of the homes had an outlier. Using the disaggregate data, the causes were found to mostly be due to variations in occupant-dependent use of large appliances, lighting, and electronics. In 20% of homes with outliers, the removal of the outlier improved model performance, in particular all outliers identified with both the standard deviation and quartile methods, or all three methods. These two combinations of outlier detection methods are thus recommended for use in improving the prediction capabilities of inverse change point models.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Building and Environment - Volume 138, 15 June 2018, Pages 194-206
نویسندگان
, ,