FenixEdu™

Dissertação

Data-driven Modeling of Energy Consumption in Industrial Kitchens - Detection of activations and unsupervised classification EVALUATED

Detalhes: A presente tese é o resultado da análise de um conjunto de dados de consumo de eletricidade por aparelho de uma cozinha industrial no Funchal, Portugal. Este trabalho adota uma nova abordagem na deteção e classificação de ativações no domínio das cozinhas industriais. A literatura disponível sobre o assunto é reduzida e direcionada para benchmark. Não foram encontrados trabalhos sobre o estudo do consumo elétrico dos aparelhos, nem existem bases de dados disponíveis para realizar esses estudos. A metodologia proposta nesta tese é inspirada em algoritmos de deteção de eventos em aparelhos elétricos domésticos. A primeira contribuição deste trabalho consiste na identificação automática de ativações, para o qual é proposto um algoritmo que analisa o consumo de potência ativa de um aparelho e não requer a divisão entre treino e teste, sendo apenas necessário a identificação de um período de standby por aparelho. Quando comparada com o processo de identificação manual destas ativações, a solução proposta apresentou excelentes resultados em termos de balanced accuracy e f1-score, ambos acima de 94%. A segunda tarefa explorada nesta tese foi a classificação não supervisionada das ativações detetadas. As séries temporais de cada ativação foram transformadas numa representação estática através de uma abordagem naive e utilizando a framework catch22. A classificação foi feita através do algoritmo k-means. Cada aparelho apresentou um número ótimo de partições diferente, de acordo com o coeficiente de silhouette. As partições determinadas para cada aparelho permitiram identificar diferentes ciclos de funcionamento com sucesso.
Keywords: Cozinhas Industriais, Deteção de Activações, Classificação de Activações, Clustering de Séries Temporais, Extração de Atributos

Discussão: novembro 30, 2022, 11:15