Avaliação de algoritmos de aprendizado de máquina online para previsão de consumo de energia elétrica em computação de borda

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBernardini, Flavia-
Autor(es): dc.contributorPantoja, Carlos Eduardo-
Autor(es): dc.contributorViterbo Filho, José-
Autor(es): dc.creatorSousa, Lucas Tavares-
Data de aceite: dc.date.accessioned2024-07-11T18:14:40Z-
Data de disponibilização: dc.date.available2024-07-11T18:14:40Z-
Data de envio: dc.date.issued2023-09-22-
Data de envio: dc.date.issued2023-09-22-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/30535-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/766572-
Descrição: dc.descriptionCom a projeção do crescimento urbano, várias questões de gerenciamento precisam ser tratadas para manter um controle sobre o funcionamento de uma cidade, em especial no fator de demanda de energia. Neste contexto, torna-se necessárias maneiras eficazes de prever o consumo de energia futura para manter um bom funcionamento da rede elétrica de uma cidade. Artifícios utilizando-se de aprendizagem de máquina foram feitos para suprir essa demanda, porém alguns deles podem apresentar problema de representar uma análise mais local e lidar com geração de dados constante. Por isso, neste trabalho foram desenvolvidos modelos baseados em algoritmos de Aprendizagem de Máquina Online para realizar a predição em um ambiente de Internet das Coisas. Para esse fim foram criados alguns cenários, baseados no conjunto de dados para analisar o comportamento dos modelos, onde alguns conseguiram desempenho de mais de 0,9 de acurácia utilizando a métrica desenvolvidas para aprendizado de máquina online, denominada de test-then- train, para esses tipos de modelos. Todavia, foi mostrado que o crescimento de memória desses modelos pode ser um grande empecilho para aplicá-lo em um ambiente não controlado. Para solucionar esse problema, pode-se adotar uma abordagem de reduzir os dados de entrada do modelo em si ou gerenciar um revezamento dos modelos, reiniciando de forma periódica-
Descrição: dc.descriptionWith the projection of urban growth, it is necessary to solve several problems to keep control over the functioning of a city, mainly in the energy demand issue. In this context, effective ways of predicting energy consumption are essential to maintain the health of a city’s electrical network. Solutions with machine learning was made to meet this demand, yet some of them may present a problem of representing a more local analysis and deal with constant data generation . Therefore, in this work, we developed models of Online Machine Learning algorithms in a distributed environment, Internet of Things. For this reason, some scenarios were created, based on the dataset, to analyze the behavior of the models, where some were able to achieve performance of more than 0.9 using the metric of online machine learning for these types of models. However, it has been shown that the memory increase of these models can be a major obstacle to applying it in an uncontrolled environment. To minimize the outcome of this problem , it is possible to take an approach of reducing the input data of the model itself or manage a rotation of the models that would restart periodically-
Descrição: dc.description34 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectDecision tree-
Palavras-chave: dc.subjectInternet of things-
Palavras-chave: dc.subjectOnline machine learning-
Palavras-chave: dc.subjectEnergy consumption forecasting-
Palavras-chave: dc.subjectLimited resources-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectConsumo de energia elétrica-
Palavras-chave: dc.subjectInternet das coisas-
Título: dc.titleAvaliação de algoritmos de aprendizado de máquina online para previsão de consumo de energia elétrica em computação de borda-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.