Publication

Rule-based scheduling of air conditioning using occupancy forecasting

Christophe Ballif, Nicolas Würsch, Marina Dorokhova
2020
Journal Articles

Résumé

Heating, ventilation and air conditioning systems represent considerable potential for energy savings, which can be realized through intelligent occupancy-centered control strategies. In this work, both supervised and unsupervised algorithms to forecast occupancy are proposed with the highest accuracies of 98.3% and 97.6%, respectively. Building on their output, a rule-based air conditioning scheduling technique is developed. As an example, a potential of 15.4% of energy savings is calculated using a dataset collected in a mid-size (4000 m2) building in Portugal.

Source officielle

https://infoscience.epfl.ch/entities/publication/d923c931-ba82-4a4a-a0cd-dee791a4a6d4

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Rule-based scheduling of air conditioning using occupancy forecasting

Chattez avec Graph Search

In-Sensor Passive Speech Classification with Phononic Metamaterials

DIET Controller: Dynamic Indoor Environment using Deep Reinforcement Learning

Efficacy of temporal and spatial abstraction for training accurate machine learning models: A case study in smart thermostats