Spelling suggestions: "subject:"anime"" "subject:"knime""
1 |
Contribution à la mise au point d'un pilotage énergétique décentralisé par prédiction / Decentralized energy management by predictionsDufour, Luc 20 March 2017 (has links)
Comment satisfaire les besoins en énergie d’une population de 9 milliards d’êtres humains en 2050, de façon économiquement viable tout en minimisant l’impact sur l’environnement. Une des réponses est l’insertion de production d’énergie propre d’origine éolienne et photovoltaïque mais leurs totales dépendances aux variations climatiques accentuent une pression sur le réseau. Les modèles prédictifs historiques centralisés et paramétriques ont du mal à appréhender les variations brutales de productions et de consommations. La révolution internet permet aujourd’hui une convergence entre le numérique et l’énergie. En Europe et depuis cinq ans, l’axe d’étude est celui de la maîtrise locale de l’électricité. Ainsi plusieurs quartiers intelligents ont été créés et les modèles utilisés de pilotage et de prédiction restent souvent la propriété des partenaires des projets. Dans cette thèse, Il s’agit de réaliser un bilan énergétique chaque heure pour prédire l’ensemble des vecteurs énergétiques d’un système. Le besoin en énergie d’un système comme une maison est décomposée en un besoin en chauffage, en un besoin en eau chaude sanitaire, en un besoin en luminaires, en besoin de ventilation et en usages spécifiques électriques utiles. Le système peut posséder une production décentralisée et un système de stockage ce qui augmentera sa capacité d’effacement. Pour le centre de pilotage, l’objectif est d’avoir une possibilité de scénarios de surproductions ou surconsommations sur un quartier donnée à court terme. Nous considérerons dans cette thèse un horizon à l’heure pour notre bilan énergétique. Cela implique une prédiction fine des différents flux énergétiques d’un système en particulier le chauffage et l’eau chaude qui représente le plus gros potentiel de flexibilité dans les bâtiments. Pour réaliser un bilan, nous devons calculer les différents flux énergétiques à l’intérieur de notre système : les déperditions par l’enveloppe et la ventilation, les gains internes solaires, des personnes et des appareils, le stockage, la production d’eau chaude sanitaire, les usages spécifiques électriques utiles. Sur certains de ces points, nous pouvons évaluer assez précisément et en fonction du temps les quantités d’énergie échangées. Pour les autres (ECS, USE, gains internes, stockage), la bibliographie nous donne que des méthodes globales et indépendantes du temps. Il n’est donc pas possible d’envisager une méthode correspondant au pas de temps souhaité. Ceci impose la mise au point d’une méthode prédictive et apprenante dont nos modèles de simulation énergétique seront le point de référence. Il n’en reste pas moins que ces modèles permettent la compréhension du comportement énergétique du système. L’outil se devra non intrusif, personnalisé, robuste et simple. Pour limiter le caractère intrusif de l’outil, il s’agit à la fois d’ajouter de l’intelligence comme par exemple l’identification des appareils utiles à partir d’un seul point de mesure mais aussi la collection et l’analyse d’informations localement. Les données privées ne sont pas transmises vers l’extérieur. Seules les informations de prédictions énergétiques sont envoyées à un niveau supérieur pour agrégation des données des quartiers. L’intelligence est également au niveau des prédictions réalisées issues de méthodes d’apprentissage comme l’utilisation des réseaux de neurones ou des arbres de décision. La robustesse est étudiée d’un point de vue technologie (plusieurs protocoles de communication ont été testés), techniques (plusieurs méthodes de collecte) et d’un point de vue du stockage de données (limiter la fréquence de collecte). La simplicité d’usage engendre une simplicité d’installation minimiser le nombre de données d’entrée tout en gardant une précision souhaitable sera notre principal axe d’optimisation. / This work presents a data-intensive solution to manage energy flux after a low transformer voltage named microgrid concept. A microgrid is an aggregation of building with a decentralized energy production and or not a storage system. These microgrid can be aggregate to create an intelligent virtual power plant. However, many problems must be resolved to increase the part of these microgrid and the renewable resource in a energy mix. The physic model can not integrate and resolve in a short time the quickly variations. The intelligent district can be integrate a part of flexibility in their production with a storage system. This storage can be electrical with a battery or thermal with the heating and the hot water. For a virtual power plant, the system can be autonomous when the price electricity prediction is low and increase the production provided on the market when the price electricity is high. For a energy supplier and with a decentralized production building distant of a low transformer voltage, a regulation with a storage capacity enable a tension regulation. Finally, the auto-consumption becomes more and more interesting combined with a low electrical storage price and the result of the COP 21 in Paris engage the different country towards the energy transition. In these cases, a flexibility is crucial at the building level but this flexibility is possible if, and only if, the locally prediction are correct to manage the energy. The main novelties of our approach is to provide an easy implemented and flexible solution to predict the consumption and the production at the building level based on the machine learning technique and tested on the real use cases in a residential and tertiary sector. A new evaluation of the consumption is realized: the point of view is energy and not only electrical. The energy consumption is decomposed between the heating consumption, the hot water consumption and the electrical devices consumption. A prediction every hour is provided for the heating and the hot water consumption to estimate the thermal storage capacity. A characterization of Electrical devices consumption is realized by a non-intrusive disaggregation from the global load curve. The heating and the hot water are identify to provide a non intrusive methodology of prediction. Every day, the heating, the hot water, the household appliances, the cooling and the stand by are identified. Every 15 minutes, our software provide a hot water prediction, a heating prediction, a decentralized prediction and a characterization of the electrical consumption. A comparison with the different physic model simulated enable an error evaluation the error of our different implemented model.
|
2 |
Aufbau einer Infrastruktur zur Analyse von Massenspektrometrie-Daten am UFZJakob, Kevin 26 February 2018 (has links)
Heutige naturwissenschaftliche Forschung, beispielsweise in Biologie oder Chemie, ist ohne die Unterstützung durch informationstechnische Systeme nicht realisierbar. Verbesserte Verfahren und Messegeräte ermöglichen detailliertere Erkenntnisse und erzeugen dabei signifikante Datenmengen, die ohne IT-Systeme nicht mehr effizient verarbeitet und verwaltet werden können. Die Datenmengen wachsen kontinuierlich und mit ihnen die Komplexität durchzuführender wissenschaftlicher Berechnungen. Diese Berechnungen und das damit verbundene Lösen komplexer wissenschaftlicher Probleme sind weitere Gründe für die Notwendigkeit dieser Systeme.
|
3 |
Porovnání nekomerčních nástrojů pro dolování znalosti z dat pomocí strojového učeníOndrejka, Petr January 2014 (has links)
This diploma thesis concerns with features and abilities of chosen software tools for data mining. An important part is the selection and evaluation of each criteria by which the comparison of tools is done. The basic issues of data mining and machine learning are determined here. The comparison criteria are chosen with consideration of the necessary operations that are required to realize the whole process of data mining. The criteria are evaluated on the same level of importance, without weighting. The most widely used algorithms for data mining are chosen for the comparison of time and memory demandingness. The result is the description of selected tools based on the comparison criteria and evaluation of these criteria. The comparison results must be understood with respect of testing data, chosen hardware, and the fact that no weighting was used.
|
4 |
Exploring factors that decides on how a Business Intelligence tool is being received by its usersKlaesson, Mårten January 2020 (has links)
Self-Service Business Intelligence (SSBI) is a service where users can create reports andanalyze data on their own. It is an approach to decentralize competence and knowledge withina company. It has been proven to increase productivity and provide employees with morepossibilities to make smart data-driven decisions. I decided to do this project to learn moreabout SSBI and specifically explore what factors that contributes to the user experience ofworking with SSBI. With the help of a survey I was able to reach out to the employees at IfP&C Insurance.I asked how satisfied they were with the SSBI solution at the company, how theyexperienced loading times, how active they were and if SSBI brought value to their day to daywork among many other questions. The data from the survey was analyzed looking at trendsand correlation between answers to identify what parts employees were pleased with and theparts that needs more attention. This was done with the help of Decision Trees, correlationmatrices and extensive graph comparisons. The results managed to answer my scientificquestion rather well. It shows that most employees find that working with SSBI at If P&CInsurance is an enjoyable experience and they believe that it adds real value to their work.There is an interest in further education in Tableau, which is the SSBI software being used atIf P&C Insurance. A fact that shows that employees are eager to learn more, but also that theavailable education at the company has not reached out to all employees. There is also a majorissue with loading times when browsing reports. Users that experiences that loading times areslow or very slow are also overrepresented in the group that is not pleased with the software.The issue with slow loading times has two solutions that I recommend to the company: • Educate employees to create reports that require as low processing power as possibleto browse. This is something that a few employees asked for specifically. • Increase the capacity on their servers. As using Tableau and creating reports hasbecome more and more popular at the company, the servers have not been updated inthe same pace, creating long delays when browsing and working with reports. In general, I think If P&C Insurance has created a functioning environment for SSBI and ifthey address the few issues I have mentioned they will have a thriving Tableau communitywithin the company.
|
Page generated in 0.021 seconds