Ezzel az azonosítóval hivatkozhat erre a dokumentumra forrásmegjelölésben vagy hiperhivatkozás esetén: http://elartu.tntu.edu.ua/handle/lib/41682
Összes dokumentumadat
DC mezőÉrtékNyelv
dc.contributor.advisorКунанець, Наталія Едуардівна-
dc.contributor.authorДубельт, Василь Сергійович-
dc.contributor.authorDubelt, Vasyl Serhiiovych-
dc.date.accessioned2023-06-22T10:30:15Z-
dc.date.available2023-06-22T10:30:15Z-
dc.date.issued2022-06-19-
dc.date.submitted2023-06-05-
dc.identifier.citationДубельт 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.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/41682-
dc.description.abstractКваліфікаційна 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.uk_UA
dc.description.tableofcontentsВСТУП 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 ДОДАТКИuk_UA
dc.language.isoukuk_UA
dc.subjectаналізuk_UA
dc.subjectanalysisuk_UA
dc.subjectаномаліїuk_UA
dc.subjectanomaliesuk_UA
dc.subjectвізуалізаціяuk_UA
dc.subjectvisualizationuk_UA
dc.subjectданіuk_UA
dc.subjectdatauk_UA
dc.subjectенергоспоживанняuk_UA
dc.subjectpower consumptionuk_UA
dc.subjectнабір данихuk_UA
dc.subjectdatasetuk_UA
dc.subjectперерахуванняuk_UA
dc.subjectenumerationuk_UA
dc.subjectрозумний дімuk_UA
dc.subjectsmart homeuk_UA
dc.titleАналіз аномалій даних енергоспоживання будівель в проєктах класу "Розумне місто"uk_UA
dc.title.alternativeAnomalies Analysis of Power Consumption Data for Buildings in the Projects of the "Smart City" Classuk_UA
dc.typeBachelor Thesisuk_UA
dc.rights.holder© Дубельт Василь Сергійович, 2023uk_UA
dc.contributor.committeeMemberГащин, Надія Богданівна-
dc.coverage.placenameТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Українаuk_UA
dc.subject.udc004.62uk_UA
dc.relation.references1 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.uk_UA
dc.relation.references2 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.uk_UA
dc.relation.references3 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.uk_UA
dc.relation.references4 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.uk_UA
dc.relation.references5 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.uk_UA
dc.relation.references6 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.uk_UA
dc.relation.references7 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.uk_UA
dc.relation.references8 Janssen, M.; van der Voort, H.; Wahyudi, A. Factors Influencing Big Data Decision-Making Quality. J. Bus. Res. 2017, 70, 338–345.uk_UA
dc.relation.references9 Peker, N.; Kubat, C. A Hybrid Modified Deep Learning Data Imputation Method for Numeric Datasets. IJISAE 2021, 9, 6–11.uk_UA
dc.relation.references10 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.uk_UA
dc.relation.references11 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.uk_UA
dc.relation.references12 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.uk_UA
dc.relation.references13 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.uk_UA
dc.relation.references14 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.uk_UA
dc.relation.references15 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.uk_UA
dc.relation.references16 Leitão, L.; Calado, P.; Herschel, M. Efficient and Effective Duplicate Detection in Hierarchical Data. IEEE Trans. Knowl. Data Eng. 2013, 25, 1028–1041.uk_UA
dc.relation.references17 Papenbrock, T.; Heise, A.; Naumann, F. Progressive Duplicate Detection. IEEE Trans. Knowl. Data Eng. 2015, 27, 1316–1329.uk_UA
dc.relation.references18 Ioannou, E.; Garofalakis, M. Query Analytics over Probabilistic Databases with Unmerged Duplicates. IEEE Trans. Knowl. Data Eng. 2015, 27, 2245–2260.uk_UA
dc.relation.references19 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.uk_UA
dc.relation.references20 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.uk_UA
dc.relation.references21 The Tracebase Data Set. Available online: http://www.tracebase.org.uk_UA
dc.relation.references22 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.uk_UA
dc.relation.references23 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.uk_UA
dc.relation.references24 Himeur, Y.; Alsalemi, A.; Bensaali, F.; Amira, A. Building Power Consumption Datasets: Survey, Taxonomy and Future Directions. Energy Build. 2020, 227, 110404.uk_UA
dc.relation.references25 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.uk_UA
dc.relation.references26 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.uk_UA
dc.relation.references27 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.uk_UA
dc.relation.references28 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.uk_UA
dc.relation.references29 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.uk_UA
dc.relation.references30 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.uk_UA
dc.relation.references31 Основи охорони праці. Значення адаптації в трудовому процесі. https://library.if.ua/book/9/921.html.uk_UA
dc.relation.references32 Адаптація - Енциклопедія Сучасної України. https://esu.com.ua/article-42642uk_UA
dc.relation.references33 Адаптація - запорука гармонійного розвитку - Освіта.UA. https://osvita.ua/school/method/psychology/2623/uk_UA
dc.relation.references34 Соціальна адаптація і реабілітація - Соціальна робота. http://politics.ellib.org.ua/pages-12109.htmluk_UA
dc.relation.references35 Професійна адаптація особистості - Психологія і педагогіка. https://stud.com.ua/5549/psihologiya/profesiyna_adaptatsiya_osobistostiuk_UA
dc.relation.references36 Соціологія: трудова адаптація працівників. https://osvita.ua/vnz/reports/sociology/29669/uk_UA
dc.relation.references37 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.htmluk_UA
dc.relation.references38 Основні заходи по запобіганню монотонності і підвищенню змістовності праці. https://buklib.net/books/26069/uk_UA
dc.contributor.affiliationТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Українаuk_UA
dc.coverage.countryUAuk_UA
Ebben a gyűjteményben:122 — Компʼютерні науки (бакалаври)

Fájlok a dokumentumban:
Fájl Leírás MéretFormátum 
2023_KRB_SN-41_Dubelt_VS.pdf1,3 MBAdobe PDFMegtekintés/Megnyitás


Minden dokumentum, ami a DSpace rendszerben szerepel, szerzői jogokkal védett. Minden jog fenntartva!

Admin Tools