Publication
Home energy management systems regression models
| datacite.subject.fos | Engenharia e Tecnologia::Outras Engenharias e Tecnologias | pt_PT |
| dc.contributor.advisor | Pereira, Ana I. | |
| dc.contributor.advisor | Lima, José | |
| dc.contributor.advisor | Lazzaretti, Andre Eugenio | |
| dc.contributor.author | Kochinski, Daniel Tiepolo | |
| dc.date.accessioned | 2023-12-20T16:33:22Z | |
| dc.date.available | 2023-12-20T16:33:22Z | |
| dc.date.issued | 2023 | |
| dc.description | Mestrado de dupla diplomação com a UTFPR - Universidade Tecnológica Federal do Paraná | pt_PT |
| dc.description.abstract | Regression Models have good use in the predictability of electrical systems and for Home Energy Management Systems (HEMS) buildings. This master’s thesis performs simulations with data from the Silk House, a building in Bragança. The objective is to determine better parameters in building data collection to improve its efficiency. Several Regression Models in Machine Learning (ML) are in a Python algorithm that constructs different inputs to an output. The Data Set is short, with seven scalar variables of the building’s power flow over a year, measured daily. The algorithm changed the number of variables chosen in the input and ran several models, with and without Principal Component Analysis (PCA). The Coefficient of Determination (R2) measures how well a regression model fits the data and its percentage of results withR2 in the range [0.75, 1] across all simulations. The best results for R2 in the range [0.75, 1] found 45% without PCA and 47.14% with PCA. With just one input, all models initially found 0% R2 in the range [0.75, 1]. The results of R2 in the range [0.75, 1] increased directly with more variables in the input. The variables with the best results were Photovoltaic Production (PP) and Direct Consumption (DC), being consistent with the profile of the building (office), which recommends its expansion. The variable Battery Charge (BC) never reached any R2 in the range [0.75, 1], which indicates possible suppression. It is also concluded that it is prudent to have more data and that non-linear tools are more suitable for site analysis. | pt_PT |
| dc.description.abstract | Os modelos de regressão possuem bom uso na previsibilidade de sistemas elétricos e em Home Energy Management Systems (HEMS). Esta dissertação de mestrado realiza simulações com dados da Silk House, edifício em Bragança. O objetivo é determinar melhores parâmetros na coleta de dados do edifício para melhorar sua eficiência. Os diversos algoritmos Regression Models em Machine Learning (ML) estão escritos em Python que constrói diferentes entradas para uma saída. O Data Set é curto, com sete variáveis escalares do trânsito de potência do edifício durante um ano, medidas diariamente. O algoritmo alterou o número de variáveis escolhidas na entrada e executou diversos modelos, com e sem Principal Component Analysis (PCA). O Coeficiente de Determinação R2 mede quão bem um modelo de regressão se ajusta aos dados e sua porcentagem de resultados com R2 na faixa [0, 75, 1] perante todas simulações. Os melhores resultados para R2 na faixa [0, 75, 1] encontraram 45% sem PCA e 47,14% com PCA. Com apenas uma entrada, todos os modelos encontraram inicialmente 0% R2 no intervalo [0, 75, 1]. Os resultados de R2 no intervalo [0, 75, 1] aumentaram diretamente com mais variaveis na entrada. As variáveis com melhores resultados foram Photovoltaic Production (PP) e Direct Consumption (DC), sendo condizentes com o perfil da edificação (escritório), o que recomenda sua expansão. A variável Battery Charge (BC) nunca atingiu nenhum R2 no intervalo [0.75, 1], o que indica possível supressão. Conclui-se também que é prudente ter mais dados e que as ferramentas não lineares são mais adequadas a análise do local. | pt_PT |
| dc.identifier.tid | 203436725 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10198/28995 | |
| dc.language.iso | eng | pt_PT |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | pt_PT |
| dc.subject | HEMS | pt_PT |
| dc.subject | Machine learning | pt_PT |
| dc.subject | Data | pt_PT |
| dc.subject | Power systems | pt_PT |
| dc.subject | Optimization | pt_PT |
| dc.subject | Regression models | pt_PT |
| dc.subject | Energy | pt_PT |
| dc.subject | Sustainability | pt_PT |
| dc.title | Home energy management systems regression models | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Energias Renováveis e Eficiência Energética | pt_PT |