WattScale：一种数据驱动的建筑群能效分析方法
计算机与社会
2020-07-06 v1 机器学习
摘要
建筑消耗了现代社会超过40%的总能源，提高其能效可显著减少我们的能源足迹。本文提出了一种数据驱动的方法WattScale，用于从城市或区域的大量建筑中识别能效最低的建筑。与使用点估计的最小二乘法等先前方法不同，WattScale利用贝叶斯推断，通过估计影响建筑的参数分布来捕捉日常能耗的随机性。此外，它还将这些建筑与给定群体中的类似住宅进行比较。WattScale还集成了一个故障检测算法，以识别能效低下的根本原因。我们使用来自不同地理位置的真实数据验证了我们的方法，展示了其在多种环境下的适用性。WattScale有两种执行模式——(i) 个体模式和 (ii) 区域模式，我们通过两个案例研究加以说明。对于个体执行模式，我们展示了一个包含超过10,000栋建筑的城市的结果，显示超过一半的建筑在某个方面存在低效问题，表明能源改进措施具有巨大潜力。此外，我们提供了可能的低效原因，发现41%、23.73%和0.51%的住宅分别存在围护结构、供暖和制冷系统故障。对于区域执行模式，我们表明，由于近期代表性能源数据集的出现，WattScale可以扩展到美国数百万户家庭。
引用
@article{arxiv.2007.01382,
title = {WattScale: A Data-driven Approach for Energy Efficiency Analytics of Buildings at Scale},
author = {Srinivasan Iyengar and Stephen Lee and David Irwin and Prashant Shenoy and Benjamin Weil},
journal= {arXiv preprint arXiv:2007.01382},
year = {2020}
}
备注
This paper appeared in the Journal ACM Transactions on Data Science