XiaoMi-AI文件搜索系统
World File Search System能耗
可负担得起的零能耗 K-12 学校：成本障碍幻觉
同样，零能耗是一种思考整体建筑能源性能的方式，也是实现建筑特定能源目标的一种方法。正如设计团队必须改变工作流程以适应 CAD 一样，实现零能耗可能也需要修改设计和交付流程。将零能耗作为标准实践是大多数学区和建筑专业人士的范式转变，但业主和项目团队可以借鉴现有零能耗项目的经验教训，开发自己的具有成本效益的零能耗学校（见第 23 页的案例研究）。零能耗学校数量的不断增长表明，当业主和项目团队在流程早期采用零能耗目标和成本控制策略时，成本可以与传统学校相当甚至更低（见第 24 页的《小决策，大收益：沃伦县公立学校》和第 28 页的《稳健、实惠的 K-12 教育：阿灵顿公立学校》）。
干热地区零能耗建筑方案实施
* 通讯作者：milad.sadeghzadeh@gmail.com (M. Sadeghzadeh) 摘要 本研究介绍了伊朗炎热干燥气候地区亚兹德实施零能耗建筑 (ZEB) 方案的计划，并与该气候地区的典型房屋进行了比较。根据气候条件，可以使用多种主动或被动方法来平衡能源供应和需求，即改善墙体隔热、使用高效的加热/冷却设备、使用太阳能、利用储能设备等。这里使用 SketchUp 软件来呈现所选建筑的平面图。此外，Energy plus 软件的界面之一“BEOpt”用于对快速建造和预制方案进行能源和经济分析。考虑到设备的全球价格，所得结果表明，在选定的气候条件下，ZEB 方案是适用的，估计回收期约为 5.5 年。此外，用零能耗建筑取代普通建筑每年可减少二氧化碳排放量约 27.4 公吨。关键词：零能耗建筑、绿色建筑、伊朗气候、能源优化、降低能耗、清洁能源。
净零能耗之路 - 2024 年行动计划报告
能源战略是在 2022 年《气候变化法案》的背景下实施的，该法案要求政府紧急减少排放。区域城市交易投资、拟议的投资区和净零加速器基金的发展等经济举措将被用来提高成功率。过去两年来，我们在实施该战略方面做了很多工作，我预计未来几年进展会加快。
到 2060 年实现净零能耗：规划……之路
能源转型预计将在全球范围内创造净就业岗位，因为使用可再生能源和其他能源转型技术的行业增加的就业岗位足以抵消化石燃料行业的就业岗位损失（IRENA 2022b）。2019 年至 2022 年期间，清洁能源就业岗位增长了 15%，目前占世界大多数地区能源就业岗位的一半左右（IEA 2022e），而化石燃料相关就业岗位减少了 4%。据估计，2022 年至 2030 年期间，净零排放路径将创造 3000 万个就业岗位，而就业岗位损失约为 1300 万个，净增 1700 万个（IEA 2022e）。然而，净影响因国家和地区而异，正如世界银行《国家气候与发展报告》（世界银行 2022b、2022c）的最新证据所示。
绿色人工智能本体：用于建模人工智能模型能耗的本体
诸如 GPT 之类的预训练语言模型因其通用人工智能能力而受到称赞，如今被广泛用于问答、信息提取和文本摘要等任务。但是，对于拥有 1750 亿个参数的 GPT-3，训练需要 10,000 个 GPU，耗费 552 公吨二氧化碳。1 因此，出现了一个问题，即 AI 模型有多“绿色”。无论道德评估如何，我们认为对 AI 系统的能源消耗和可持续性特征（例如运营成本）进行建模是有用的，从而扩展了 FAIR 数据原则 [ 1 ]，该原则侧重于研究数据和其他工件的可用性和重用。现有的本体和知识图谱侧重于研究格局的建模、出版物、作者和场所的建模（例如 FaBiO、ORKG、MAKG）[ 2 ]。此外，还提出了用于建模软件和神经网络的本体。例如，信息学研究工件本体 (OIRA) [ 3 ] 提供了一种对软件和数据集进行建模的方法。在 FAIRnets [ 4 ] 中，作者提出了一种用于建模神经网络的模式。然而，令人惊讶的是，这些本体都无法对 AI 模型的能耗进行建模（例如，预训练语言模型的运行时间或二氧化碳足迹，可以通过工具进行测量 [ 5 ]）。
净零能耗区：碳中和城市的互联智能
摘要：净零能耗区 (NZED) 是指城市区域，其中每年排放的二氧化碳排放量与从大气中去除的排放量相平衡。NZED 是新一代“智能绿色城市”的重要组成部分，这些城市既采用智能城市技术，也采用可再生能源技术。NZED 促进环境可持续性，为更清洁的环境做出贡献，并减少全球变暖和气候变化带来的威胁。本文介绍了一个模型，用于评估城市区域向自给自足的 NZED 过渡的可行性，该模型基于适合城市的本地生产的可再生能源。它还旨在确定允许城市区域使用智能城市系统、可再生能源和基于自然的解决方案成为自给自足的 NZED 的阈值条件。向自给自足的 NZED 过渡的意义极其重要，因为它大大分散并增加了碳中和城市的努力。我们遵循的方法结合了文献综述、模型设计、模型数据输入和许多模拟，以评估模型在不同气候、社会、技术和区域设置下的结果。在结论中，我们评估了向使用本地生产的太阳能电池板能源的 NZED 过渡是否可行，我们确定了气候、人口密度和太阳能转换效率方面的阈值，并评估了 NZED 与紧凑型城市规划原则的兼容性。
丹佛净零能耗 (NZE) 新建建筑和住宅实施计划
ASHRAE – 美国采暖、制冷与空调工程师协会 BMS – 楼宇管理系统 楼宇 – 所有商业楼宇（商业、工业、多户住宅） CASR – 丹佛气候行动、可持续性与弹性办公室 CPD – 丹佛社区规划与发展 Cx – 调试 DGC – 丹佛绿色规范 DR – 需求响应 外壳 Cx – 外壳调试 EUI – 能源使用强度 EV – 电动汽车 GHG – 温室气体 住宅 – 所有单户住宅（连栋和独立式） HOST - 丹佛住房稳定部 HVAC – 采暖、通风和空调 IAQ – 室内空气质量 IECC – 国际节能规范 ICC – 国际规范委员会 LCC – 生命周期成本 MBCx – 基于监测的调试 M&V – 测量与验证 NZE – 净零能耗 pEUI – 预测能源使用强度 PV – 光伏 REC – 可再生能源信用 RTU – 屋顶单元 TOU – 使用时间 VRF – 可变制冷剂流量
越大，越好？汽车电池大小如何影响能耗，成本和排放
为了模拟同一车辆型号的各种电池尺寸，研究使用了Siemens Simcenter amesim仿真软件。车辆模型数据是从慕尼黑技术大学（TUM）和德国汽车俱乐部ADAC数据库进行的最新测试项目中获得的。使用德国联邦环境局发布的研究现实世界电动汽车能源消耗的发现，对热管理系统模型进行了校准。车辆型号经过校准，以匹配全球官方统一的轻型车辆测试程序（WLTP）参考大众ID.3带有58 kWh电池的车辆和SpritMonitor.de中的消费者报告的值。
无人机能耗预测：来自四种不同深度学习模型的比较研究
摘要 - 无人飞机（UAVS）经常面临最终随着电力消耗而发生的挑战，这是因为无人机的电池容量较小和连续的操作系统。要克服这种不确定性，需要预测功耗的准确性，以便无人机可以飞行更长的时间。这项研究使用四种不同的深度学习模型，例如长LSTM，GRU，LSTM-SA和GRU-SA探讨了无人机能源消耗的预测。结果表明，结合了自我发项机制的模型，尤其是GRU-SA，显着胜过其他模型，实现了最低的MAE（0.0343），RMSE（0.0567）和MSE（0.0032）（0.0032）。自我注意力通过在动态过渡过程中专注于重要的输入特征来提高预测准确性。这项工作凸显了提高无人机消耗的坚实基础。索引术语 - 自我注意，深度学习，能量构成，预测，gru-sa
一个基于可解释的信念规则的先进的基于基于信念的框架，以预测建筑物的能耗
摘要：建筑能源消耗的预测对减少能源浪费的公用事业公司，用户和设施经理有益。但是，由于预测算法的各种缺点，例如，非透明输出，通过后事后工具的临时解释，较低的准确性以及无法处理数据不确定性，这种预测在该领域中的适用性有限。结果，基于领域的知识解释性具有高精度对于使能源预测值得信赖至关重要。以此为动机，我们提出了一个基于域知识的基于可解释的基于信念规则的专家系统（EBRBES），以基于领域的知识解释，以准确预测能源消耗。我们优化了BRBES的参数和结构，以提高预测准确性，同时使用其推理引擎处理数据不确定性。为了预测能源消耗，我们会考虑到楼层，日光，室内入住和建筑加热方法。我们还描述了如何实现能源消耗的反事实。此外，我们提出了一种基于信念规则的自适应平衡确定（BRBABD）算法，用于确定解释性和准确性之间的最佳平衡。为了验证所提出的EBRBES框架，使用了基于瑞典Skellefteå的案例研究。Brbabd的结果表明，我们提出的EBRBES框架在解释性和准确性之间的最佳平衡和准确性之间的平衡高于85.08％。