التفاصيل البيبلوغرافية
| العنوان: |
Smart and private domotics |
| المؤلفون: |
Sousa, Henrique Carvalho |
| سنة النشر: |
2024 |
| مصطلحات موضوعية: |
Time series forecasting, Embedded systems, Transfer learning, Smart home, User privacy, Energy consumption optimization |
| الوصف: |
As energy prices soar, intelligent, privacy-focused solutions to optimize home energy consumption are increasingly crucial. This work explores the application of Machine Learning models for time series forecasting in home automation systems. We focus on predicting solar power generation and energy consumption within a household, prioritizing user privacy and computational efficiency for deployment in embedded systems. The goal is to help users optimize their energy usage by providing insights on the amount of surplus energy produced within the home. This research delves into existing methods for time series forecasting and the application of Deep Learning models on resource-constrained devices. Models such as ARIMA, Prophet, NeuralProphet, and Recurrent Neural Networks architectures were considered with a focus on Transfer Learning to address the limitations on computational resources of embedded systems. The results demonstrate that traditional statistical methods can be effective for specific tasks. Furthermore, while embedded systems may struggle to train models from scratch, they can achieve similar performance with Deep Learning models when properly deployed with resource-efficient techniques. |
| Description (Translated): |
Com o aumento dos preços da energia, soluções inteligentes para otimizar o consumo de energia em casa tornam-se cada vez mais essenciais. Este trabalho foca-se na previsão da geração de energia solar e do consumo total numa casa inteligente, dando prioridade à privacidade do utilizador e à eficiência computacional para implementação em dispositivos com recursos limitados. O objetivo é ajudar os auto consumidores a otimizar o seu uso de energia, fornecendo informações sobre a quantidade de energia excedente produzida em casa. Esta investigação analisa métodos existentes para a previsão de séries temporais e a aplicação de modelos de Deep Learning em dispositivos com recursos computacionais limitados. Foram considerados modelos como ARIMA, Prophet, NeuralProphet e arquiteturas de Redes Neurais Recorrentes, com um foco em Transfer Learning para superar as limitações dos sistemas embarcados. Os resultados obtidos demonstram que os métodos estatísticos tradicionais, como o ARIMA, podem ser eficazes para tarefas específicas. Para além disto, embora os dispositivos com limitações computacionais possam apresentar dificuldades em treinar modelos do zero, os mesmos conseguem alcançar um desempenho similar em modelos de Deep Learning quando devidamente implementados com técnicas eficientes. |
| وصف الملف: |
application/pdf |
| اللغة: |
English |
| الاتاحة: |
http://hdl.handle.net/10773/42890 |
| Rights: |
open access |
| رقم الانضمام: |
rcaap.com.ua.ria.ua.pt.10773.42890 |
| قاعدة البيانات: |
RCAAP |