Machine learning models have proven to be reliable methods in classification tasks. However, little research has been conducted on the classification of dwelling characteristics based on smart meter and weather data before. Gaining insights into dwelling characteristics, which comprise of the type of heating system used, the number of inhabitants, and the number of solar panels installed, can be helpful in creating or improving the policies to create new dwellings at nearly zero-energy standard. This paper compares different supervised machine learning algorithms, namely Logistic Regression, Support Vector Machine, K-Nearest Neighbor, and Long-short term memory, and methods used to correctly implement these algorithms. These methods include data pre-processing, model validation, and evaluation. Smart meter data, which was used to train several machine learning algorithms, was provided by Groene Mient. The models that were generated by the algorithms were compared on their performance. The results showed that the Long-short term memory performed the best with 96% accuracy. Cross Validation was used to validate the models, where 80% of the data was used for training purposes and 20% was used for testing purposes. Evaluation metrics were used to produce classification reports, which indicates that the Long-short term memory outperforms the compared models on the evaluation metrics for this specific problem.
Thermal comfort is determined by the combined effect of the six thermal comfort parameters: temperature, air moisture content, thermal radiation, air relative velocity, personal activity and clothing level as formulated by Fanger through his double heat balance equations. In conventional air conditioning systems, air temperature is the parameter that is normally controlled whilst others are assumed to have values within the specified ranges at the design stage. In Fanger’s double heat balance equation, thermal radiation factor appears as the mean radiant temperature (MRT), however, its impact on thermal comfort is often ignored. This paper discusses the impacts of the thermal radiation field which takes the forms of mean radiant temperature and radiation asymmetry on thermal comfort, building energy consumption and air-conditioning control. Several conditions and applications in which the effects of mean radiant temperature and radiation asymmetry cannot be ignored are discussed. Several misinterpretations that arise from the formula relating mean radiant temperature and the operative temperature are highlighted, coupled with a discussion on the lack of reliable and affordable devices that measure this parameter. The usefulness of the concept of the operative temperature as a measure of combined effect of mean radiant and air temperatures on occupant’s thermal comfort is critically questioned, especially in relation to the control strategy based on this derived parameter. Examples of systems which deliver comfort using thermal radiation are presented. Finally, the paper presents various options that need to be considered in the efforts to mitigate the impacts of the thermal radiant field on the occupants’ thermal comfort and building energy consumption.
The impact of the construction industry on the natural environment is severe, natural areas are changedinto predominantly hard solid surfaces, the energy use in the built environment is high and the industryputs huge claims on materials.
MULTIFILE
Met de opkomst van digitale diensten en de impact van digitale technologie is het vraagstuk van privacy hoog op de maatschappelijke agenda beland. Burgers gebruiken steeds vaker apps en andere online services, met als keerzijde dat we steeds meer informatie over onszelf moeten delen om optimaal gebruik te kunnen maken van deze faciliteiten. Dit kan leiden tot schending van onze privacy. Ook voor de meeste (mkb-)bedrijven is het lastig om inzicht te krijgen in de privacy implicaties van hun online services en in de privacy-eisen om deze implicaties te verzachten. Het privacyvraagstuk is voor deze doelgroepen grijpbaar te maken door de privacy-eisen waar online diensten aan moeten voldoen op een beknopte, overzichtelijke en duidelijke manier te communiceren. Privacy labels, in navolging van energielabels en voedingslabels, zijn hiervoor een veelbelovende methode. Binnen het, door NWO gefinancierde, SERIOUS project is een prototype ontwikkeld om privacy-eisen te visualiseren middels een multidimensionaal privacy label (Barth, Ionita en Hartel, 2020). Op basis van een vragenlijst met betrekking op datacollectie, dataverwerking en datadisseminatie kan de mate van privacy borging en bescherming worden vastgesteld. Het huidige prototype van dit privacy label is generiek. Echter is het mogelijk dat bepaalde elementen van privacy in de praktijk binnen sommige domeinen veel zwaarder wegen dan binnen anderen. Kenniscentrum Creating 010 onderzoekt, naar aanleiding van de vraag vanuit de samenwerkingspartijen van het SERIOUS project, binnen dit project hoe het SERIOUS prototype kan worden doorontwikkeld naar een volwaardig privacy label. Hierbij wordt nagegaan of en hoe het prototype in en voor verschillende sectoren werkt, deze zijn: retail, media en cultuur. Het doel van dit project is om middels een haalbaarheidsstudie de richtlijnen voor een domein-specifiek label te achterhalen en op te stellen die dienen als uitgangspunt voor een vervolgproject voor een domein-specifieke privacy tool.
