.png){kind=icon}
返回
Tracking decarbonisation: Scalable and interpretable data-driven methods for district energy systems
.png){kind=icon}
OA
AI
DOI：10.1016/j.apenergy.2025.125883.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
迫切的脱碳需求要求采用创新、透明的方法来分析和追踪脱碳战略。本研究解决了在建筑和区域两个尺度上模拟能源消耗模式的问题，确保透明度和可扩展性。通过将成熟的测量与验证（M&V）技术与可解释的数据驱动建模策略相结合，研究提出了一种建模工作流程，用于动态追踪能源性能。该方法利用区域内易于获取的电力、区域供暖和天然气计量数据，这些数据是在数字平台上收集的。采用多分辨率建模方法，数据时间间隔为月度、日度和小时级，该方法能识别异常数据，旨在支持运营策略和效率措施的持续改进。南安普顿大学Highfield校区作为案例研究，展示了可扩展、可解释的数据驱动模型如何识别性能偏差，并为短期设施管理和长期脱碳战略提供信息。研究发现，简单且可解释的回归模型能够识别较长时间范围（从数月到数年）内能源消耗模式的显著变化，而高分辨率分析则有助于更好地理解动态运营模式（日度到小时级）。这两个目标可以在保持建模过程连续性的同时实现，即从基础模型逐步推进到详细模型，同时保持可解释性。未来研究将通过增加物理基础约束来完善这些模型，并探索与数字能源管理平台的更深层次集成，为区域和城市尺度的更广泛应用提供可复制见解。
Keyword:
Data-driven energy modelling
Interpretable machine-learning
Regression-based approaches
Time of week and temperature
Measurement and verification
Energy analytics
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
11
论文数:
2.6W
被引数:
17.8W
机构
引用论文
A review of physics-informed machine learning for building energy modeling基于物理信息的建筑能耗建模机器学习综述.png)
APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏Ten questions concerning data-driven modelling and forecasting of operational energy demand at building and urban scale关于建筑和城市规模的数据驱动建模和运营能源需求预测的十个问题OAAI
OAAI分享收藏Approaches to evaluate building energy performance from daily consumption data considering dynamic and solar gain effectsENERGY AND BUILDINGS
ENERGY AND BUILDINGSIF7.1
PREAI
分享收藏
查看更多内容