Smart Thermostats: How much Can One Really Save? Ramapriya - - PowerPoint PPT Presentation

▶
smart thermostats how much can one really save
SMART_READER_LITE
LIVE PREVIEW

Smart Thermostats: How much Can One Really Save? Ramapriya - - PowerPoint PPT Presentation

Feb 09, 2024 542 likes •952 views

Smart Thermostats: How much Can One Really Save? Ramapriya Sridharan Ubiquitous Compu6ng Seminar 2015 3/26/15 1 Thermostats-Mo3va3on Switzerland Residen/al Energy use Space Hea3ng

slide-1
SLIDE 1

3/26/15 ¡ 1 ¡

Smart Thermostats: How much Can One Really Save?

Ramapriya ¡Sridharan Ubiquitous ¡Compu6ng ¡Seminar ¡2015

slide-2
SLIDE 2

3/26/15 ¡ 2 ¡

Thermostats-­‑Mo3va3on ¡

73% ¡ 3% ¡ 5% ¡ 12% ¡ 1% ¡ 3% ¡ 3% ¡

Switzerland ¡Residen/al ¡Energy ¡use ¡ ¡

Space ¡Hea3ng ¡ Cooking ¡ Electrical ¡Appliances ¡ Water ¡Hea3ng ¡ Fridge ¡& ¡freezing ¡ Washing ¡Drying ¡ ¡

  • Space ¡Hea3ng ¡consists ¡of ¡73% ¡
  • f ¡energy ¡use ¡in ¡residen3al ¡

sector ¡

¡

Switzerland:[7] ¡

slide-3
SLIDE 3

3/26/15 ¡ 3 ¡

Thermostats-­‑Mo3va3on ¡

United ¡States:[11] ¡ In ¡United ¡States ¡

slide-4
SLIDE 4

3/26/15 ¡ 4 ¡

Thermostats-­‑Manual ¡

  • Need ¡to ¡manually ¡set ¡the ¡setpoint ¡

¡ ¡ ¡ ¡ ¡ ¡temperature ¡ ¡

  • Need ¡to ¡set ¡setback ¡temperature ¡while ¡

¡ ¡ ¡ ¡ ¡ ¡leaving ¡ ¡

  • Not ¡convenient ¡

Manual ¡Thermostat ¡:[9] ¡

slide-5
SLIDE 5

3/26/15 ¡ 5 ¡

Thermostats-­‑Programmable ¡Thermostats ¡

  • Pre-­‑defined, ¡determinis3c ¡

working ¡schedule. ¡

  • Complex ¡to ¡program. ¡
  • User-­‑interface ¡unintui3ve. ¡
  • 40-­‑70% ¡people ¡use ¡improperly. ¡
  • Price ¡range ¡: ¡30-­‑40 ¡$ ¡
  • Ideal ¡energy ¡savings ¡: ¡10-­‑30% ¡

Programmable ¡:[8] ¡

slide-6
SLIDE 6

3/26/15 ¡ 6 ¡

Thermostats-­‑Smart ¡thermostats ¡

  • Program ¡themselves-­‑ ¡adapts ¡control ¡

to ¡user ¡context. ¡

  • Promise ¡be^er ¡& ¡less ¡complex ¡
  • interface. ¡
  • Remote ¡Access. ¡
  • Aim ¡: ¡Reduce ¡energy ¡spent ¡& ¡increase ¡
  • comfort. ¡
  • Price ¡range ¡: ¡200-­‑500 ¡$. ¡
  • Energy ¡savings ¡ranges ¡from ¡:10 ¡-­‑ ¡25 ¡%. ¡

¡

Smart ¡Thermostat ¡:[9] ¡

slide-7
SLIDE 7

3/26/15 ¡ 7 ¡

Thermostats-­‑Smart ¡Thermostats ¡Examples ¡

Honeywell ¡wifi ¡:[9] ¡ Honeywell ¡wifi ¡with ¡voice:[9] ¡ Ecobee ¡:[8] ¡ Tado ¡:[6] ¡

slide-8
SLIDE 8

3/26/15 ¡ 8 ¡

Nest-­‑Introduc3on ¡

  • First ¡mass ¡market ¡thermostat ¡to ¡

feature ¡machine ¡learning ¡

  • Costs ¡: ¡249 ¡$ ¡
  • Promises ¡to ¡generate ¡a ¡

hea/ng/cooling ¡schedule ¡that ¡: ¡

  • 1. Provides ¡comfort ¡
  • 2. Energy ¡savings ¡
  • 3. Enjoyable ¡interac/on ¡
  • 4. Convenience ¡
  • Energy ¡savings ¡: ¡10-­‑12% ¡for ¡hea3ng ¡

& ¡15% ¡for ¡cooling ¡

¡ ¡

¡ Nest:[2] ¡

slide-9
SLIDE 9

3/26/15 ¡ 9 ¡

Nest-­‑Study ¡

  • Study ¡by ¡University ¡of ¡Michigan ¡
  • Group ¡had ¡19 ¡par3cipants ¡
  • In ¡general ¡highly ¡skilled ¡ ¡
  • Interested ¡in ¡technology ¡

Yang ¡et ¡al ¡:[10] ¡

slide-10
SLIDE 10

3/26/15 ¡ 10 ¡

Nest-­‑Does ¡it ¡get ¡the ¡programming ¡right? ¡

slide-11
SLIDE 11

3/26/15 ¡ 11 ¡

Nest-­‑Does ¡it ¡get ¡the ¡programming ¡right? ¡ Not ¡Always…..but ¡why? ¡

slide-12
SLIDE 12

3/26/15 ¡ 12 ¡

Nest-­‑Obstacles ¡

  • Nest ¡did ¡not ¡understand ¡what ¡the ¡input ¡meant ¡
  • Occupants ¡did ¡not ¡understand ¡what ¡nest ¡was ¡doing ¡
  • Hence ¡occupants ¡didn't ¡know ¡how ¡to ¡op3mally ¡interact ¡with ¡Nest ¡to ¡

create ¡an ¡op3mal ¡schedule ¡

  • Houses ¡with ¡mul3ple ¡occupants ¡suffered ¡the ¡most ¡: ¡

¡1. ¡Mul3ple ¡changes ¡in ¡temperature ¡by ¡mul3ple ¡people ¡caused ¡ ¡erroneous ¡schedule ¡ ¡

  • Auto ¡away ¡some3mes ¡malfunc3oned ¡

Yang ¡et ¡al ¡:[10] ¡

slide-13
SLIDE 13

3/26/15 ¡ 13 ¡

Nest-­‑How ¡Occupants ¡made ¡it ¡work ¡? ¡

  • Correc3ng ¡the ¡schedule ¡
  • Teaching ¡& ¡guiding ¡the ¡learning ¡: ¡

1. Learning ¡to ¡interact ¡with ¡Nest ¡ 2. Occupants ¡understood ¡Nest ¡be^er ¡with ¡3me ¡

¡

Yang ¡et ¡al ¡:[10] ¡ Schedule ¡:[2] ¡

slide-14
SLIDE 14

3/26/15 ¡ 14 ¡

Nest-­‑How ¡Occupants ¡made ¡it ¡work ¡? ¡

  • Monitoring ¡: ¡

1. The ¡Schedule ¡ 2. Energy ¡history ¡

¡

Energy ¡Hist ¡:[2] ¡

slide-15
SLIDE 15

3/26/15 ¡ 15 ¡

Nest-­‑How ¡Occupants ¡made ¡it ¡work ¡? ¡

  • In ¡mul3ple ¡occupant ¡homes, ¡it ¡helped ¡that ¡: ¡

1. Only ¡1 ¡person ¡operated ¡the ¡thermostat ¡ 2. The ¡temperature ¡range ¡was ¡locked ¡by ¡the ¡main ¡occupant ¡ ¡

slide-16
SLIDE 16

3/26/15 ¡ 16 ¡

Nest-­‑Energy ¡Savings ¡

  • Natural ¡gas ¡savings ¡averaged ¡56 ¡therms ¡per ¡year ¡equal ¡to ¡

9.6% ¡of ¡pre-­‑Nest ¡hea3ng ¡use ¡

  • ¡Electricity ¡savings ¡averaged ¡585 ¡kWh ¡per ¡year ¡equal ¡to ¡

17.5% ¡of ¡pre-­‑Nest ¡HVAC ¡usage ¡ ¡Source ¡Nest ¡Labs ¡savings ¡analysis: ¡[12] ¡ ¡

slide-17
SLIDE 17

3/26/15 ¡ 17 ¡

Nest-­‑ ¡% ¡Energy ¡Savings ¡compared ¡to ¡previous ¡ usage ¡

Source ¡Nest ¡Labs ¡savings ¡analysis: ¡[12] ¡ ¡

slide-18
SLIDE 18

3/26/15 ¡ 18 ¡

Nest-­‑How ¡can ¡it ¡save ¡us ¡energy? ¡

  • Help ¡users ¡understand ¡how ¡the ¡system ¡interprets ¡and ¡acts ¡upon ¡data. ¡

¡

  • Help ¡Nest ¡understand ¡the ¡intent ¡of ¡the ¡occupant ¡
  • Explicitly ¡men3on ¡what ¡ought ¡to ¡be ¡forgo^en ¡
  • Occupant ¡should ¡be ¡mo3vated ¡to ¡save ¡energy ¡

¡ ¡

slide-19
SLIDE 19

3/26/15 ¡ 19 ¡

Neurothermostat(NT)-­‑Introduc3on ¡

  • Uses ¡Neural ¡networks ¡(NN) ¡(used ¡for ¡learning ¡and ¡pa^ern ¡recogni3on) ¡
  • Takes ¡150 ¡days ¡to ¡train ¡
  • It ¡acts ¡as ¡an ¡op3mal ¡controller ¡: ¡

– Tries ¡to ¡minimize ¡energy ¡use ¡ – Maximize ¡comfort ¡of ¡occupant ¡ ¡

¡

¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡University ¡of ¡Colorado, ¡Boulder: ¡[4] ¡

slide-20
SLIDE 20

3/26/15 ¡ 20 ¡

Neurothermostat-­‑Predic3ve ¡Op3mal ¡Controller ¡

  • Considers ¡all ¡possible ¡decision ¡steps ¡over ¡the ¡horizon ¡( ¡K ¡steps, ¡δ ¡minutes ¡

each) ¡called ¡‘u’ ¡ ¡Min ¡Cost ¡(u) ¡= ¡Hea3ng ¡Cost ¡+ ¡Misery ¡Cost ¡ ¡

  • Only ¡takes ¡the ¡sequence ¡of ¡decision ¡steps ¡that ¡minimize ¡the ¡total ¡cost ¡
  • It ¡executes ¡the ¡first ¡decision ¡of ¡this ¡sequence ¡
  • Repeats ¡procedure ¡again ¡aqer ¡δ ¡minutes ¡
slide-21
SLIDE 21

3/26/15 ¡ 21 ¡

Neurothermostat-­‑House ¡occupancy ¡predictor ¡

¡

Inputs ¡to ¡NN ¡: ¡ 1. Time ¡ 2. Day ¡ 3. Current ¡occupancy ¡ 4. Occupancy ¡in ¡previous ¡10, ¡20, ¡30 ¡minutes ¡from ¡present ¡3me ¡on ¡previous ¡ 3 ¡days ¡& ¡same ¡day ¡for ¡the ¡past ¡4 ¡weeks ¡ 5. Propor3on ¡of ¡3me ¡occupied ¡in ¡the ¡past ¡60, ¡180, ¡360 ¡minutes ¡ ¡

¡

¡

slide-22
SLIDE 22

3/26/15 ¡ 22 ¡

Neurothermostat-­‑House ¡thermal ¡model ¡

  • Finds ¡the ¡future ¡indoor ¡temperature ¡& ¡energy ¡cost ¡
  • Uses ¡RC(resistance-­‑capacitance) ¡model ¡
  • Current ¡indoor ¡temperature ¡
  • Current ¡outdoor ¡temperature ¡
  • Furnace ¡opera3on(on/off) ¡
slide-23
SLIDE 23

3/26/15 ¡ 23 ¡

Neurothermostat-­‑Occupant ¡comfort ¡cost ¡model ¡

  • Misery ¡cost ¡-­‑ ¡ ¡

¡ ¡1. ¡ ¡0 ¡if ¡house ¡unoccupied ¡ ¡2. ¡ ¡Is ¡a ¡func3on ¡of ¡the ¡devia3on ¡of ¡the ¡temperature ¡from ¡the ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡setpoint ¡temperature ¡scaled ¡in ¡dollars ¡ ¡

slide-24
SLIDE 24

3/26/15 ¡ 24 ¡

Neurothermostat-­‑Occupant ¡comfort ¡cost ¡model ¡

  • Inputs ¡: ¡
  • Current ¡temperature ¡
  • House ¡occupancy ¡
  • Hourly ¡wage ¡
  • Loss ¡in ¡produc3vity ¡(ρ) ¡(how ¡much ¡loss ¡if ¡5 ¡degrees ¡lesser ¡for ¡24 ¡

hour ¡period ¡) ¡

  • Op3mal ¡setpoint ¡
  • δ ¡3me ¡interval ¡
slide-25
SLIDE 25

3/26/15 ¡ 25 ¡

Neurothermostat-­‑Result ¡Details ¡

  • Study ¡was ¡done ¡using ¡generated ¡150 ¡days ¡of ¡training ¡and ¡tes3ng ¡data, ¡8 ¡

3mes ¡

  • There ¡are ¡75 ¡sensors ¡present ¡in ¡house, ¡addi3onal ¡one ¡at ¡the ¡main ¡door ¡
  • The ¡occupants ¡schedule ¡was ¡going ¡to ¡work ¡on ¡weekdays, ¡might ¡come ¡

home ¡for ¡lunch, ¡might ¡go ¡out ¡on ¡weekends ¡and ¡some3mes ¡on ¡trips. ¡

  • Real ¡data ¡also ¡used ¡( ¡5 ¡months ¡training ¡and ¡1 ¡month ¡tes3ng) ¡
slide-26
SLIDE 26

3/26/15 ¡ 26 ¡

Neurothermostat-­‑Occupancy ¡predic3on ¡Results ¡

0 ¡ 0.1 ¡ 0.2 ¡ 0.3 ¡ 0.4 ¡ 0.5 ¡ 0.6 ¡ 0.7 ¡ 0.8 ¡ 0.9 ¡ 1 ¡ lookup ¡ table ¡ NN ¡ lookup ¡ table ¡+ ¡ NN ¡ Mean ¡Squared ¡Error ¡ ¡ 0 ¡ 0.25 ¡ 0.5 ¡ 0.75 ¡ 1 ¡

Variability ¡of ¡

  • ccupancy ¡
slide-27
SLIDE 27

3/26/15 ¡ 27 ¡

Neurothermostat-­‑Cost ¡savings ¡results ¡

0 ¡ 2 ¡ 4 ¡ 6 ¡ 8 ¡ 10 ¡ 12 ¡ ρ=1 ¡ ρ=3 ¡ Mean ¡Cost ¡$/day ¡ Neurothermostat ¡ Constant ¡ Temperature ¡ Occuupancy ¡ triggered ¡ Setback ¡ Thermostat ¡ Real ¡data,5 ¡months ¡ training, ¡1 ¡month ¡ tes3ng ¡ ¡ ¡

slide-28
SLIDE 28

3/26/15 ¡ 28 ¡

PreHeat(PH)-­‑Introduc3on ¡

  • Occupancy ¡sensing ¡for ¡learning ¡: ¡RFID ¡tags ¡to ¡keys ¡
  • Set-­‑points ¡-­‑> ¡Wake-­‑point ¡& ¡Sleep-­‑point ¡
  • Set ¡the ¡Setback ¡temperature ¡
  • Needs ¡minimum ¡14 ¡days ¡data ¡to ¡work ¡

Microso> ¡research ¡& ¡University ¡of ¡Lancaster ¡:[5] ¡

slide-29
SLIDE 29

3/26/15 ¡ 29 ¡

PreHeat-­‑Occupancy ¡Predic3on ¡

  • 15 ¡min ¡window ¡occupancy ¡binary ¡vector ¡

¡ ¡ ¡ ¡ ¡ ¡

¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡[5] ¡

slide-30
SLIDE 30

3/26/15 ¡ 30 ¡

  • Consider ¡k=5 ¡recent ¡days ¡in ¡most ¡similar ¡vectors ¡(least ¡hamming ¡distance) ¡
  • Alg1 ¡: ¡Consider ¡weekends ¡and ¡weekdays ¡separately ¡
  • Alg2 ¡: ¡Pad ¡day ¡occupancy ¡vector ¡with ¡4 ¡hours ¡from ¡previous ¡day ¡
  • Can ¡choose ¡a ¡probability ¡threshold ¡ ¡

¡1. ¡If ¡high ¡-­‑> ¡energy ¡savings ¡ ¡2. ¡If ¡low ¡-­‑> ¡increase ¡the ¡comfort ¡ ¡

PreHeat-­‑Occupancy ¡Predic3on ¡

slide-31
SLIDE 31

3/26/15 ¡ 31 ¡

PreHeat-­‑Result ¡Details ¡

  • Study ¡done ¡for ¡61 ¡days ¡in ¡each ¡home ¡
  • 3 ¡Homes ¡in ¡the ¡US ¡and ¡2 ¡homes ¡in ¡UK ¡
  • UK ¡homes ¡had ¡per ¡room ¡hea3ng, ¡hence ¡had ¡per ¡room ¡sensors ¡
  • US ¡homes ¡had ¡whole ¡house ¡hea3ng ¡
  • Probability ¡threshold ¡= ¡0.5 ¡
slide-32
SLIDE 32

3/26/15 ¡ 32 ¡

PreHeat-­‑Occupancy ¡predic3on ¡Results ¡

slide-33
SLIDE 33

3/26/15 ¡ 33 ¡

PreHeat-­‑Energy ¡savings ¡results ¡

slide-34
SLIDE 34

3/26/15 ¡ 34 ¡

Comparison ¡

Comparison ¡ PH ¡ NT ¡ Nest ¡ Mo3on ¡sensors ¡ RFID ¡receiver ¡near ¡ entrance, ¡ some3mes ¡forget ¡ RFID ¡keys ¡ Has ¡enough ¡sensors ¡ to ¡detect ¡

  • ccupancy ¡ ¡

Needs ¡to ¡be ¡ strategically ¡placed, ¡ else ¡cannot ¡detect ¡

  • ccupants ¡

Interface ¡ Does ¡not ¡mo3vate ¡ user ¡to ¡reduce ¡ consump3on ¡ Does ¡not ¡mo3vate ¡ user ¡to ¡reduce ¡ consump3on ¡ Mo3vates ¡occupant ¡ to ¡reduce ¡ consump3on ¡using ¡ small ¡green ¡leaf ¡ Comfort ¡Model ¡ Reducing ¡MissTime ¡ is ¡the ¡only ¡comfort ¡ cost, ¡could ¡be ¡ changed ¡to ¡how ¡ deviant ¡from ¡ setpoint ¡the ¡ temperature ¡is ¡ Depends ¡on ¡ comfort ¡and ¡energy ¡ equivalently ¡ Learns ¡temperature ¡ seungs ¡from ¡

  • ccupants, ¡their ¡

ac3vi3es ¡and ¡tries ¡ to ¡predict ¡next ¡

  • ccupancy ¡
slide-35
SLIDE 35

3/26/15 ¡ 35 ¡

Comparison ¡

Comparison ¡ PH ¡ NT ¡ Nest ¡ Training ¡Period ¡ 14 ¡days ¡ 150 ¡days ¡ Aqer ¡1 ¡week ¡starts ¡ automa3c ¡ scheduling ¡ Mul3ple ¡Occupants ¡ Yes ¡( ¡each ¡should ¡ have ¡RFID ¡keys) ¡ Misery ¡could ¡be ¡ scaled ¡to ¡a ¡mul3ple ¡ person ¡model ¡Eg: ¡ Root ¡mean ¡square ¡

  • f ¡all ¡misery ¡costs ¡

yes ¡ Per ¡Room ¡Hea3ng ¡ Yes,but ¡less ¡

  • ccupied ¡room ¡

never ¡heated ¡ It ¡only ¡does ¡full ¡ house ¡ hea3ng( ¡what ¡ about ¡per ¡room?) ¡ It ¡only ¡does ¡full ¡ house ¡hea3ng ¡(it ¡be ¡ scaled ¡if ¡sensors ¡in ¡ all ¡rooms?) ¡

slide-36
SLIDE 36

3/26/15 ¡ 36 ¡

Comparison ¡

Comparison ¡ PH ¡ NT ¡ Nest ¡ Wifi ¡access ¡ No, ¡but ¡can ¡be ¡used ¡ to ¡get ¡data ¡from ¡ internet ¡ No,can ¡be ¡used ¡to ¡ get ¡data ¡from ¡ internet ¡ Yes ¡ Learning, ¡weighted ¡ days ¡ No, ¡but ¡can ¡be ¡ implemented ¡ NN ¡is ¡a ¡weighted ¡ model ¡ No ¡info ¡ GPS ¡tracker ¡ No, ¡could ¡improve ¡ comfort ¡ No, ¡could ¡improve ¡ comfort ¡ No, ¡could ¡improve ¡ comfort ¡ Energy ¡History ¡ No, ¡but ¡can ¡be ¡ incorporated ¡ No, ¡but ¡can ¡be ¡ incorporated ¡ ¡ Can ¡be ¡improved ¡by ¡ giving ¡average ¡ consump3on ¡in ¡ area ¡ Remote ¡Control ¡ Can ¡be ¡ Can ¡be ¡ Already ¡is ¡ Gupta ¡et ¡al ¡:[13] ¡

slide-37
SLIDE 37

3/26/15 ¡ 37 ¡

Conclusion ¡

  • Programmable ¡thermostats ¡promise ¡10-­‑30% ¡energy ¡savings ¡
  • But ¡they ¡are ¡not ¡used ¡the ¡way ¡they ¡are ¡intended ¡to ¡
  • Smart ¡thermostats ¡can ¡help ¡this ¡by ¡observing ¡your ¡ac3vi3es, ¡without ¡the ¡

need ¡for ¡programming ¡

  • They ¡also ¡promise ¡comfort ¡
  • Occupants ¡can ¡save ¡10-­‑25 ¡% ¡in ¡theory ¡
  • Actual ¡saving ¡depend ¡on ¡how ¡mo3vated ¡occupants ¡are ¡
  • If ¡you ¡are ¡already ¡energy ¡conscious, ¡smart ¡thermostat ¡might ¡not ¡help ¡

much ¡ ¡

slide-38
SLIDE 38

3/26/15 ¡ 38 ¡

References ¡

1. h^p://www.barenergy.eu/uploads/media/D13_Switzerland.pdf ¡ 2. h^ps://nest.com/works-­‑with-­‑nest/ ¡ ¡ ¡ ¡ ¡ 3. h^p://www.energyvanguard.com/blog-­‑building-­‑science-­‑HERS-­‑BPI/bid/ 50152/If-­‑You-­‑Think-­‑Thermostat-­‑Setbacks-­‑Don-­‑t-­‑Save-­‑Energy-­‑You-­‑re-­‑ Wrong ¡ 4. Mozer, ¡M.C., ¡Vidmar, ¡L., ¡Dodier, ¡R.H., ¡The ¡Neurothermostat:Predic3ve ¡ Op3mal ¡Control ¡of ¡Residen3al ¡Hea3ngSystems ¡In ¡Adv. ¡in ¡Neural ¡Info. ¡

  • Proc. ¡Systems ¡9 ¡(pp.953-­‑959) ¡(MIT ¡Press, ¡1997, ¡Cambridge, ¡MA) ¡

5. ¡Sco^, ¡J., ¡Bernheim ¡Brush, ¡A.J., ¡Krumm, ¡J., ¡Meyers, ¡B.,Hazas, ¡M., ¡Hodges, ¡ S., ¡Villar, ¡N., ¡PreHeat: ¡Controlling ¡Home ¡Hea3ng ¡Using ¡Occupancy ¡ Predic3on ¡In ¡UbiComp’11(September ¡17-­‑21, ¡2011, ¡Bejing, ¡China) ¡ 6. Images ¡from ¡tado ¡www.tado.com ¡

slide-39
SLIDE 39

3/26/15 ¡ 39 ¡

References ¡

7. Smart ¡Energy ¡lecture ¡2-­‑ ¡by ¡Friedemann ¡Ma^ern ¡and ¡Verena ¡Tiefenbeck ¡ 8. Images ¡from ¡wikipedia.com ¡ 9. Honeywell ¡thermostats ¡image ¡honeywell.com ¡ ¡

  • 10. ¡Yang, ¡Rayoung, ¡and ¡Mark ¡W. ¡Newman. ¡"Learning ¡from ¡a ¡learning ¡

thermostat: ¡lessons ¡for ¡intelligent ¡systems ¡for ¡the ¡home." ¡Proceedings ¡of ¡ the ¡2013 ¡ACM ¡interna3onal ¡joint ¡conference ¡on ¡Pervasive ¡and ¡ubiquitous ¡

  • 11. h^p://www.eia.gov/consump3on/residen3al/ ¡
  • 12. h^ps://nest.com/downloads/press/documents/energy-­‑savings-­‑white-­‑

paper.pdf ¡

  • 13. Gupta, ¡M., ¡S.S. ¡In3lle, ¡and ¡K. ¡Larson. ¡“Adding ¡GPSControlto ¡Tradi3onal ¡

Thermostats: ¡An ¡Explora3on ¡ofPoten3al ¡Energy ¡Savings ¡and ¡Design ¡ Challenges.” ¡Proc.of ¡Pervasive, ¡2009. ¡ ¡