Artigo em revista científica Q1
Machine learning techniques focusing on the energy performance of buildings: A dimensions and methods analysis
Maria Anastasiadou (Anastasiadou, M.); Vitor Santos (Santos, V.); Miguel Sales Dias (Dias, J.);
Título Revista
Buildings
Ano (publicação definitiva)
2022
Língua
Inglês
País
Suíça
Mais Informação
Web of Science®

N.º de citações: 16

(Última verificação: 2024-11-23 23:34)

Ver o registo na Web of Science®


: 2.3
Scopus

N.º de citações: 19

(Última verificação: 2024-11-19 05:45)

Ver o registo na Scopus


: 2.4
Google Scholar

N.º de citações: 25

(Última verificação: 2024-11-21 20:20)

Ver o registo no Google Scholar

Abstract/Resumo
The problem of energy consumption and the importance of improving existing buildings’ energy performance are notorious. This work aims to contribute to this improvement by identifying the latest and most appropriate machine learning or statistical techniques, which analyze this problem by looking at large quantities of building energy performance certification data and other data sources. PRISMA, a well-established systematic literature review and meta-analysis method, was used to detect specific factors that influence the energy performance of buildings, resulting in an analysis of 35 papers published between 2016 and April 2021, creating a baseline for further inquiry. Through this systematic literature review and bibliometric analysis, machine learning and statistical approaches primarily based on building energy certification data were identified and analyzed in two groups: (1) automatic evaluation of buildings’ energy performance and, (2) prediction of energy-efficient retrofit measures. The main contribution of our study is a conceptual and theoretical framework applicable in the analysis of the energy performance of buildings with intelligent computational methods. With our framework, the reader can understand which approaches are most used and more appropriate for analyzing the energy performance of different types of buildings, discussing the dimensions that are better used in such approaches.
Agradecimentos/Acknowledgements
This work was supported by a Ph.D. Scholarship of NOVA IMS supported by project POCI-05-5762-FSE 000223, and its scope lies in the context of Simplex #109 “Consumo SMART”. This work is partially funded by national funds through FCT—Foundation for Science
Palavras-chave
Energy performance certificate (EPC),Machine learning (ML),Energy-efficient retrofitting measures (EERM),Energy performance of buildings (EPB),Energy efficiency (EE)
  • Ciências da Computação e da Informação - Ciências Naturais
Registos de financiamentos
Referência de financiamento Entidade Financiadora
POCI-05-5762-FSE 000223 Fundação para a Ciência e a Tecnologia
UIDB/04466/2020 Fundação para a Ciência e a Tecnologia

Com o objetivo de aumentar a investigação direcionada para o cumprimento dos Objetivos do Desenvolvimento Sustentável para 2030 das Nações Unidas, é disponibilizada no Ciência-IUL a possibilidade de associação, quando aplicável, dos artigos científicos aos Objetivos do Desenvolvimento Sustentável. Estes são os Objetivos do Desenvolvimento Sustentável identificados pelo(s) autor(es) para esta publicação. Para uma informação detalhada dos Objetivos do Desenvolvimento Sustentável, clique aqui.