Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/41682| Назва: | Аналіз аномалій даних енергоспоживання будівель в проєктах класу "Розумне місто" |
| Інші назви: | Anomalies Analysis of Power Consumption Data for Buildings in the Projects of the "Smart City" Class |
| Автори: | Дубельт, Василь Сергійович Dubelt, Vasyl Serhiiovych |
| Приналежність: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна |
| Бібліографічний опис: | Дубельт В. С. Аналіз аномалій даних енергоспоживання будівель в проєктах класу "Розумне місто" : кваліфікаційна робота освітнього рівня „Бакалавр“ „122 — комп’ютерні науки“ / В. С. Дубельт. — Тернопіль : ТНТУ, 2023. — 46 с. |
| Дата публікації: | 19-чер-2022 |
| Дата подання: | 5-чер-2023 |
| Дата внесення: | 22-чер-2023 |
| Країна (код): | UA |
| Місце видання, проведення: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Науковий керівник: | Кунанець, Наталія Едуардівна |
| Члени комітету: | Гащин, Надія Богданівна |
| УДК: | 004.62 |
| Теми: | аналіз analysis аномалії anomalies візуалізація visualization дані data енергоспоживання power consumption набір даних dataset перерахування enumeration розумний дім smart home |
| Короткий огляд (реферат): | Кваліфікаційна робота присв’ячена дослідженню аналізу аномалій даних енергоспоживання будівель в проєктах класу «Розумне місто». В першому розділі кваліфікаційної роботи освітнього рівня «бакалавр» подано аналіз предметної області. Описано набори даних щодо енергоспоживання будівель в проєктах класу «Розумне місто». Розглянуто етапи аналітичного опрацювання аномалій даних енергоспоживання будівель в проєктах класу «Розумне місто». Описано процес видобування наборів даних. Подано опис процесів кількісної оцінки, візуалізації та аналізу виявлених аномалій даних щодо енергоспоживання будівель в проєктах класу «Розумне місто». В другому розділі кваліфікаційної роботи проведено денне, погодинне та похвилинне оцінювання аномалій даних щодо енергоспоживання «розумних» будівель. Виконано візуалізацію погодинного, похвилинного та посекундного розподілу аномалій даних щодо енергоспоживання «розумних» будівель. Проаналізовано типи аномалій даних енергоспоживання «розумних» будівель. Сформовано погодинну та похвилинну кореляцію між виявленими двома ключовими типами аномалій даних щодо енергоспоживання «розумних» будівель. В третьому розділі кваліфікаційної роботи описано розглянуто значення адаптації в трудовому процесі. Окремо описано методи боротьби з монотонністю праці на виробництві. The qualification work is devoted to the study of the analysis of anomalies of energy consumption data of buildings in projects of the "Smart City" class. In the first section of the qualifying work of the "bachelor" educational level, an analysis of the subject area is presented. Data sets on energy consumption of buildings in projects of the "Smart City" class are described. The stages of analytical processing of building energy consumption data anomalies in "Smart City" class projects are considered. The process of extracting data sets is described. A description of the processes of quantitative assessment, visualization and analysis of detected data anomalies regarding the energy consumption of buildings in projects of the "Smart City" class is provided. In the second section of the qualification work, a daily, hourly and minute-by-minute assessment of data anomalies regarding the energy consumption of "smart" buildings was carried out. Visualization of hourly, minutely and secondly distribution of data anomalies regarding the energy consumption of "smart" buildings was performed. The types of anomalies in energy consumption data of "smart" buildings were analyzed. An hourly and minute-by-minute correlation was formed between the two key types of data anomalies identified regarding the energy consumption of "smart" buildings. |
| Зміст: | ВСТУП 7 РОЗДІЛ 1. АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ ТА ОПИС ЕТАПІВ АНАЛІТИЧНОГО ОПРАЦЮВАННЯ АНОМАЛІЙ ДАНИХ ЕНЕРГОСПОЖИВАННЯ БУДІВЕЛЬ В ПРОЄКТАХ КЛАСУ «РОЗУМНЕ МІСТО» 9 1.1 Аналіз предметної області 9 1.2 Набори даних щодо енергоспоживання будівель в проєктах класу «Розумне місто» 13 1.3 Етапи аналітичного опрацювання аномалій даних енергоспоживання будівель в проєктах класу «Розумне місто» 15 1.4 Видобування наборів даних 16 1.5 Опис процесу кількісної оцінки виявлених аномалій даних щодо енергоспоживання будівель в проєктах класу «Розумне місто» 17 1.6 Опис процесу візуалізації виявлених аномалій даних 20 1.7 Опис процесу аналізу виявлених аномалій даних 21 1.8 Висновок до першого розділу 23 РОЗДІЛ 2. ОЦІНЮВАННЯ ТА ВІЗУАЛІЗАЦІЯ АНОМАЛІЙ ДАНИХ ЕНЕРГОСПОЖИВАННЯ БУДІВЕЛЬ В ПРОЄКТАХ КЛАСУ «РОЗУМНЕ МІСТО» 24 2.1 Денне оцінювання аномалій даних щодо енергоспоживання «розумних» будівель 24 2.2 Погодинне оцінювання аномалій даних щодо енергоспоживання «розумних» будівель 25 2.3 Похвилинне оцінювання аномалій даних щодо енергоспоживання «розумних» будівель 26 2.4 Візуалізація погодинного розподілу аномалій даних щодо енергоспоживання «розумних» будівель 28 2.5 Похвилинна візуалізація розподілу аномалій даних щодо енергоспоживання «розумних» будівель 29 2.6 Посекундна візуалізація розподілу аномалій даних щодо енергоспоживання «розумних» будівель 30 2.7 Аналіз типів аномалій даних енергоспоживання «розумних» будівель 31 2.8 Співвідношення між видами аномалій даних по годинах і хвилинах 32 2.9 Висновок до другого розділу 33 РОЗДІЛ 3. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ХОРОНИ ПРАЦІ 35 3.1 Значення адаптації в трудовому процесі 35 3.2 Методи боротьби з монотонністю праці на виробництві 39 3.3 Висновок до третього розділу 40 ВИСНОВКИ 41 ПЕРЕЛІК ДЖЕРЕЛ 42 ДОДАТКИ |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/41682 |
| Власник авторського права: | © Дубельт Василь Сергійович, 2023 |
| Перелік літератури: | 1 Duda O., Matsiuk O., Kunanets N., Pasichnyk V., Rzheuskyi A., Bilak Y., Formation of Hypercubes Based on Data Obtained from Systems of IoT Devices of Urban Resource Networks, International Journal of Sensors, Wireless Communications and Control (2020) 10: 1. ISSN 2210-3287. 2 Duda, O., Kunanets, N., Martsenko, S., Matsiuk, O., Pasichnyk, V., Building secure Urban information systems based on IoT technologies. CEUR Workshop Proceedings 2623, pp. 317-328. 2020. 3 Kumar, Y.V.P.; Rao, S.N.V.B.; Padma, K.; Reddy, C.P.; Pradeep, D.J.; Flah, A.; Kraiem, H.; Jasin´ski, M.; Nikolovski, S. Fuzzy Hysteresis Current Controller for Power Quality Enhancement in Renewable Energy Integrated Clusters. Sustainability 2022, 14, 4851. 4 Bodnarchuk I., Duda O., Kharchenko A., Kunanets N., Matsiuk O., Pasichnyk V. Choice method of analytical information-technology platform for projects associated to the smart city class. ICTERI 2020 ICT in Education, Research and Industrial Applications. Integration, Harmonization and Knowledge Transfer Proceedings of the 14th International Conference on ICT in Education, Research and Industrial Applications. Integration, Harmonization and Knowledge Transfer. Volume I: Main Conference р.317-330. 5 Zielonka, A.; Wozniak, M.; Garg, S.; Kaddoum, G.; Piran, J.; Muhammad, G. Smart Homes: How Much Will They Support Us? A Research on Recent Trends and Advances. IEEE Access 2021, 9, 26388–26419. 6 Kasaraneni, P.P.; Yellapragada Venkata, P.K. Analytical Approach to Exploring the Missing Data Behavior in Smart Home Energy Consumption Dataset. JREE 2022, 9, 37–48. 7 Duda, O., Palka, O., Pasichnyk, V., Matsiuk, O., Kunanets, N., & Tabachyshyn, D. (2020, September). Existing City Assessment Systems. In 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT) (Vol. 2, pp. 238-241). IEEE. 8 Janssen, M.; van der Voort, H.; Wahyudi, A. Factors Influencing Big Data Decision-Making Quality. J. Bus. Res. 2017, 70, 338–345. 9 Peker, N.; Kubat, C. A Hybrid Modified Deep Learning Data Imputation Method for Numeric Datasets. IJISAE 2021, 9, 6–11. 10 Wang, Y.; Chen, Q.; Hong, T.; Kang, C. Review of Smart Meter Data Analytics: Applications, Methodologies, and Challenges. IEEE Trans. Smart Grid 2019, 10, 3125–3148. 11 Pau, M.; Ponci, F.; Monti, A. Analysis of bad data detection capabilities through smart meter based state estimation. In Proceedings of the 2018 IEEE International Conference on Environment and Electrical Engineering and 2018 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe), Palermo, Italy, 12–15 June 2018; pp. 1–6. 12 Yen, S.W.; Morris, S.; Ezra, M.A.G.; Jun Huat, T. Effect of Smart Meter Data Collection Frequency in an Early Detection of Shorter-Duration Voltage Anomalies in Smart Grids. Int. J. Electr. Power Energy Syst. 2019, 109, 1–8. 13 Yang, Z.; Liu, H.; Bi, T.; Yang, Q. Bad Data Detection Algorithm for PMU Based on Spectral Clustering. J. Mod. Power Syst. Clean Energy 2020, 8, 473–483. 14 Thadikemalla, V.S.G.; Srivastava, I.; Bhat, S.S.; Gandhi, A.S. Data loss mitigation mechanism using compressive sensing for smart grids. In Proceedings of the 2020 IEEE International Conference on Power Electronics, Smart Grid and Renewable Energy (PESGRE2020), Cochin, India, 2–4 January 2020; IEEE: Cochin, India, 2020; pp. 1–6. 15 Anwar, A.; Mahmood, A.N. Anomaly Detection in Electric Network Database of Smart Grid: Graph Matching Approach. Electr. Power Syst. Res. 2016, 133, 51–62. 16 Leitão, L.; Calado, P.; Herschel, M. Efficient and Effective Duplicate Detection in Hierarchical Data. IEEE Trans. Knowl. Data Eng. 2013, 25, 1028–1041. 17 Papenbrock, T.; Heise, A.; Naumann, F. Progressive Duplicate Detection. IEEE Trans. Knowl. Data Eng. 2015, 27, 1316–1329. 18 Ioannou, E.; Garofalakis, M. Query Analytics over Probabilistic Databases with Unmerged Duplicates. IEEE Trans. Knowl. Data Eng. 2015, 27, 2245–2260. 19 Xia, W.; Jiang, H.; Feng, D.; Hua, Y. Similarity and Locality Based Indexing for High Performance Data Deduplication. IEEE Trans. Comput. 2015, 64, 1162–1176. 20 Fu, Y.; Xiao, N.; Jiang, H.; Hu, G.; Chen, W. Application-Aware Big Data Deduplication in Cloud Environment. IEEE Trans. Cloud Comput. 2019, 7, 921–934. 21 The Tracebase Data Set. Available online: http://www.tracebase.org. 22 Purna Prakash, K.; Pavan Kumar, Y.V.; Reddy, C.P.; Pradeep, D.J.; Flah, A.; Alzaed, A.N.; Al Ahamdi, A.A.; Ghoneim, S.S.M. A. Comprehensive Analytical Exploration and Customer Behaviour Analysis of Smart Home Energy Consumption Data with a Practical Case Study. Energy Rep. 2022, 8, 9081–9093. 23 Purna Prakash, K.; Pavan Kumar, Y.V. Exploration of Anomalous Tracing of Records in Smart Home Energy Consumption Dataset. ECS Trans. 2022, 107, 18271–18280. 24 Himeur, Y.; Alsalemi, A.; Bensaali, F.; Amira, A. Building Power Consumption Datasets: Survey, Taxonomy and Future Directions. Energy Build. 2020, 227, 110404. 25 Klemenjak, C.; Reinhardt, A.; Pereira, L.; Makonin, S.; Bergés, M.; Elmenreich, W. Electricity consumption data sets: Pitfalls and opportunities. In Proceedings of the 6th ACM International Conference on Systems for Energy-Efficient Buildings, Cities, and Transportation, New York, NY, USA, 13–14 November 2019; ACM: New York, NY, USA, 2019; pp. 159–162. 26 Prakash, K.P.; Kumar, Y.P. A Systematic Approach for Exploration, Behavior Analysis, and Visualization of Redundant Data Anomalies in Smart Home Energy Consumption Dataset. IJRER 2022, 12, 109–123. 27 Pipattanasomporn, M.; Chitalia, G.; Songsiri, J.; Aswakul, C.; Pora, W.; Suwankawin, S.; Audomvongseree, K.; Hoonchareon, N. CU-BEMS, Smart Building Electricity Consumption and Indoor Environmental Sensor Datasets. Sci. Data 2020, 7, 241. 28 Chen, H.; Wang, Y.-H.; Fan, C.-H. A Convolutional Autoencoder-Based Approach with Batch Normalization for Energy Disaggregation. J. Supercomput. 2021, 77, 2961–2978. 29 Andreas, R.; Paul, B.; Daniel, B.; Matthias, H.; Hristo, C.; Marc, W.; Ralf, S. On the accuracy of appliance identification based on distributed load metering data. In Proceedings of the 2012 Sustainable Internet and ICT for Sustainability (SustainIT), Pisa, Italy, 4–5 October 2012; pp. 1–9. 30 Kasaraneni, Purna Prakash, et al. "Analytical Enumeration of Redundant Data Anomalies in Energy Consumption Readings of Smart Buildings with a Case Study of Darmstadt Smart City in Germany." Sustainability 14.17 (2022): 10842. 31 Основи охорони праці. Значення адаптації в трудовому процесі. https://library.if.ua/book/9/921.html. 32 Адаптація - Енциклопедія Сучасної України. https://esu.com.ua/article-42642 33 Адаптація - запорука гармонійного розвитку - Освіта.UA. https://osvita.ua/school/method/psychology/2623/ 34 Соціальна адаптація і реабілітація - Соціальна робота. http://politics.ellib.org.ua/pages-12109.html 35 Професійна адаптація особистості - Психологія і педагогіка. https://stud.com.ua/5549/psihologiya/profesiyna_adaptatsiya_osobistosti 36 Соціологія: трудова адаптація працівників. https://osvita.ua/vnz/reports/sociology/29669/ 37 Заходи боротьби з монотонністю. http://psih.pp.ua/10282_%D0%B7%D0%B0%D1%85%D0%BE%D0%B4%D0%B8_%D0%B1%D0%BE%D1%80%D0%BE%D1%82%D1%8C%D0%B1%D0%B8_%D0%B7_%D0%BC%D0%BE%D0%BD%D0%BE%D1%82%D0%BE%D0%BD%D0%BD%D0%BE%D1%8E_%D0%B4%D0%BE%D0%B2%D0%B3%D0%B8%D0%B9_%D1%87%D0%B0%D1%81_%D0%BF%D0%BE%D0%BA%D0%B8_%D0%BC%D0%BE%D0%BD%D0%BE%D1%82%D0%BE%D0%BD%D0%B8%D1%8F_%D0%BF%D0%BE%D0%B2'%D1%8F%D0%B7%D1%83%D0%B2%D0%B0%D0%BB%D0%B0%D1%81%D1%8F_%D1%82%D1%96%D0%BB%D1%8C%D0%BA%D0%B8_%D0%B7_%D1%80%D0%BE%D0%B1%D0%BE%D1%82%D0%BE%D1%8E_%D0%BD%D0%B0.html 38 Основні заходи по запобіганню монотонності і підвищенню змістовності праці. https://buklib.net/books/26069/ |
| Тип вмісту: | Bachelor Thesis |
| Розташовується у зібраннях: | 122 — Компʼютерні науки (бакалаври) |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| 2023_KRB_SN-41_Dubelt_VS.pdf | 1,3 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора