Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Long-term prediction of temperature data for the assessment of future trends of the building heating and cooling loads

Georgatou Christina

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/634A7774-91C8-4762-A955-1E18A7D585D8-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.26897-
Γλώσσαen-
Μέγεθος3,08 megabytesen
ΤίτλοςLong-term prediction of temperature data for the assessment of future trends of the building heating and cooling loadsen
ΔημιουργόςGeorgatou Christinaen
ΔημιουργόςΓεωργατου Χριστιναel
Συντελεστής [Επιβλέπων Καθηγητής]Kolokotsa Dionysiaen
Συντελεστής [Επιβλέπων Καθηγητής]Κολοκοτσα Διονυσιαel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Nikolaidis Nikolaosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Νικολαιδης Νικολαοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Kalaitzakis Kostasen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Καλαϊτζακης Κωσταςel
ΕκδότηςTechnical University of Creteen
ΕκδότηςΠολυτεχνείο Κρήτηςel
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Environmental Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Περιβάλλοντοςel
ΠερίληψηThe present work focuses on the long term prediction of temperature data employing neural network models. Primarily, a benchmarking auto regressive model is developed. Then, different neural networks are developed regarding the network type, the training function and the training intervals. Temperature predictions are calculated for ten and for five year intervals. Each model’s results are compared with the corresponding real temperature data, in terms of mean, maximum and minimum temperature values, cooling degree days and frequency distribution. The best predicted temperature data are used as outdoor temperature for the heating and cooling loads calculations of a typical office building. The building simulation model which is used for the energy demand calculations is the open source ESP-r model. The results indicate a relative accurate potential of the neural networks for the simulation of the mean temperature data and prediction of the cooling degree days. Regarding the high temperature values and the maximum peaks, the neural network models are unable to reach precise values, due to the lack of similar training data. As a result, the cooling loads calculated from neural network predictions are underestimated, while the heating loads prediction is more accurate.en
ΤύποςΜεταπτυχιακή Διατριβήel
ΤύποςMaster Thesisen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by-nc-sa/4.0/en
Ημερομηνία2015-07-03-
Ημερομηνία Δημοσίευσης2015-
Θεματική ΚατηγορίαConsumption of energyen
Θεματική ΚατηγορίαEnergy efficiencyen
Θεματική ΚατηγορίαFuel consumptionen
Θεματική ΚατηγορίαFuel efficiencyen
Θεματική Κατηγορίαenergy consumptionen
Θεματική Κατηγορίαconsumption of energyen
Θεματική Κατηγορίαenergy efficiencyen
Θεματική Κατηγορίαfuel consumptionen
Θεματική Κατηγορίαfuel efficiencyen
Θεματική ΚατηγορίαBIM (Building information modeling)en
Θεματική Κατηγορίαbuilding information modelingen
Θεματική Κατηγορίαbim building information modelingen
Θεματική ΚατηγορίαArtificial neural networksen
Θεματική ΚατηγορίαNets, Neural (Computer science)en
Θεματική ΚατηγορίαNetworks, Neural (Computer science)en
Θεματική ΚατηγορίαNeural nets (Computer science)en
Θεματική Κατηγορίαneural networks computer scienceen
Θεματική Κατηγορίαartificial neural networksen
Θεματική Κατηγορίαnets neural computer scienceen
Θεματική Κατηγορίαnetworks neural computer scienceen
Θεματική Κατηγορίαneural nets computer scienceen
Θεματική ΚατηγορίαArma modelsen
Θεματική ΚατηγορίαBuildings--Heating and ventilationen
Θεματική Κατηγορίαheatingen
Θεματική Κατηγορίαbuildings heating and ventilationen
Βιβλιογραφική ΑναφοράΧριστίνα Γεωργάτου, "Long-term prediction of temperature data for the assessment of future trends of the building heating and cooling loads", Μεταπτυχιακή Διατριβή, Σχολή Μηχανικών Περιβάλλοντος, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2015el
Βιβλιογραφική ΑναφοράChristina Georgatou, "Long-term prediction of temperature data for the assessment of future trends of the building heating and cooling loads", Master Thesis, School of Environmental Engineering, Technical University of Crete, Chania, Greece, 2015en

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά