Енергоменеджмент та виявлення подій в системі нагрівання води для забезпечення безпеки користування
Бічна панель сторінки статті
Основний зміст сторінки статті
Анотація
У цій статті розглядається новий метод аналізу та повідомлення про події виявлені в даних водонагрівача. В основі методу стоїть поєднання декількох уже відомих методик задля забезпечення ефективної обробки даних. Ідентифікація аномальних та небезпечних подій при використанні водонагрівача важлива для забезпечення безпеки будинку та мешканців. Температура, споживання води та споживання електроенергії є основними параметрами для обробки інформації даних оповіщення. Температурні дані досліджуються на предмет перегріву, перегріву внаслідок надмірного використання, перевіряється використання електроенергії та води, чи воно є надмірним. Для аналізу та виявлення подій дані системи вимірювання в реальному часі порівнюються зі статистичними даними з Influxdb. Статистика з Influxdb формується на основі даних що зберігаються в середовищі Influxdb, які в свою чергу змінюються внаслідок використання функції Moving Window. Статистичні дані, а саме - середнє значення та середнє відхилення обчислюються для отриманих даних, та використовуються для подальшого аналізу. Порівняння даних системи вимірювання в реальному часі та Influxdb проводиться за розподілом Гаусса та застосуванням правила 3 сигм. Формується вікно дозволених значень, межами якого є величина середнього значення +/- 3 сигма, значення що знаходяться поза межами обчисленого вікна ідентифікуються як небезпечні та ті про які необхідно повідомити користувача, для даних про споживання води та електроенергії, ліва межа вікна замінюється на нульове значення, через фізичні властивості величини та відсутності необхідності у повідомленні про низькі показники її використання. Всі спостереження та обробка інформації проведені за допомогою мови програмування Python. Дані, які виявляються як незвичайні та небезпечні, ідентифікуються як подія та зберігаються в окремому файлі. Інформація про виявлення події надсилається користувачу електронною поштою за допомогою служби Gmail де описується подія та її можливі причини. Метод може бути використаним для різних систем побуту та індустрії.
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
Посилання
I. Colak, H. Wilkening, G. Fulli, J. Vasiljevska, F. Issi, and O. Kaplan, “Analysing the efficient use of energy in a small smart grid system,” in 2012 International Conference on Renewable Energy Research and Applications (ICRERA), Nov. 2012, pp. 1–4, DOI: 10.1109/ICRERA.2012.6477410.
S. Guzhov and A. Krolin, “Use of big data technologies for the implementation of energy-saving measures and renewable energy sources in buildings,” in 2018 Renewable Energies, Power Systems & Green Inclusive Economy (REPS-GIE), Apr. 2018, pp. 1–5, DOI: 10.1109/REPSGIE.2018.8488861.
N. S. Yamanoor and S. Yamanoor, “High quality, low cost education with the Raspberry Pi,” in 2017 IEEE Global Humanitarian Technology Conference (GHTC), Oct. 2017, pp. 1–5, DOI: 10.1109/GHTC.2017.8239274.
Z. Wang, B. WU, D. BAI, and J. QIN, “Distributed Big Data Mining Platform for Smart Grid,” in 2018 IEEE International Conference on Big Data (Big Data), Dec. 2018, pp. 2345–2354, DOI: 10.1109/BigData.2018.8622163.
T.-Y. Ku, W.-K. Park, and H. Choi, “Self-learning mechanism for prediction of energy consumption and generation,” in 2018 20th International Conference on Advanced Communication Technology (ICACT), Feb. 2018, pp. 359–362, DOI: 10.23919/ICACT.2018.8323756.
W.-M. Wu, F.-T. Cheng, and F.-W. Kong, “Dynamic-Moving-Window Scheme for Virtual-Metrology Model Refreshing,” IEEE Trans. Semicond. Manuf., vol. 25, no. 2, pp. 238–246, May 2012, DOI: 10.1109/TSM.2012.2183398.
O. S. da Penha and E. F. Nakamura, “Fusing light and temperature data for fire detection,” in The IEEE symposium on Computers and Communications, Jun. 2010, pp. 107–112, DOI: 10.1109/ISCC.2010.5546519.
V. P. Jilkov, J. R. Katkuri, and H. K. Nandiraju, “Design of Bayesian signal detectors using Gaussian-mixture models,” in 2010 42nd Southeastern Symposium on System Theory (SSST 2010), Mar. 2010, pp. 286–289, DOI: 10.1109/SSST.2010.5442823.
G. Upton and I. Cook, A Dictionary of Statistics, 2nd ed. Oxford University Press, 2008.
J. Thanhofer-Pilisch, M. Vierhauser, R. Rabiser, and P. Grünbacher, “Event Capture and Compare for Runtime Monitoring of Systems of Systems,” 2016, DOI: 10.1109/VACE.2016.009.
