Dissertação
Data-driven Modeling of Energy Consumption in Industrial Kitchens EVALUATED
Vários domínios de estudo requerem dados de consumo de energia para diversos fins de pesquisa. No entanto, devido a preocupações com a privacidade, tamanho dos dados e qualidade dos dados, obter conjuntos de dados suficientemente extensos pode ser desafiador. No contexto dos dados de Cozinha Industrial, a disponibilidade de dados é especialmente escassa. A presente tese adota uma abordagem inovadora na geração de perfis de potência de aparelhos individuais, bem como na geração de uma cozinha industrial totalmente funcional. A metodologia apresentada é inspirada na literatura de algoritmos de geração de dados para dispositivos individuais e casas inteiras, introduzindo uma nova técnica para gerar dados para dispositivos de cozinha e para uma cozinha industrial completa. O algoritmo proposto inicialmente adquire dados de pesquisas anteriores, em seguida, aplica técnicas de clustering para agrupar os dados em clusters mais significativos, usando a própria série temporal como feature. Posteriormente, esses clusters recém-formados são usados para gerar sequências por meio de uma Cadeia de Markov. Na segunda fase da metodologia, a sequência agrupada é aproveitada para criar um perfil de potência, incorporando ativações associadas aos rótulos dos clusters na sequência. Isso é alcançado por meio de um método personalizado, cujos detalhes são explicados nesta tese. A validação dos perfis de potência gerados foi realizada por meio de uma análise, envolvendo comparações de curvas de carga, comparação de funções de densidade de probabilidade, padrões de autocorrelação e desvios padrão.
novembro 24, 2023, 14:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado