Μοντέλο μικροϋπηρεσιών σε δεδομένα μεγάλου όγκου για τη διαχείριση της ενεργειακής απόδοσης κτιρίων στην Πανεπιστημιούπολη Πατρών
Κατά την παραγωγή, διανομή και κατανάλωση ενέργειας, παράγεται μεγάλη ποσότητα δεδομένων. Για την αποτελεσματική χρήση των ενεργειακών πόρων συλλέγονται και χρησιμοποιούνται επίσης άλλα συμπληρωματικά δεδομένα όπως πληροφορίες κτιρίων, καιρικές συνθήκες και περιβαλλοντικά δεδομένα κ.λπ. Όλα αυτά τα...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Γλώσσα: | Greek |
Έκδοση: |
2022
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/16557 |
id |
nemertes-10889-16557 |
---|---|
record_format |
dspace |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Μικροϋπηρεσίες Ιστός των αντικειμένων Δεδομένα μεγάλου όγκου Ενεργειακή διαχείριση Αποδοτικότητα Κτίρια Microservices Web of objects Big data Energy management Efficiency Buildings |
spellingShingle |
Μικροϋπηρεσίες Ιστός των αντικειμένων Δεδομένα μεγάλου όγκου Ενεργειακή διαχείριση Αποδοτικότητα Κτίρια Microservices Web of objects Big data Energy management Efficiency Buildings Πάκας, Γεώργιος Μοντέλο μικροϋπηρεσιών σε δεδομένα μεγάλου όγκου για τη διαχείριση της ενεργειακής απόδοσης κτιρίων στην Πανεπιστημιούπολη Πατρών |
description |
Κατά την παραγωγή, διανομή και κατανάλωση ενέργειας, παράγεται μεγάλη ποσότητα δεδομένων. Για την αποτελεσματική χρήση των ενεργειακών πόρων συλλέγονται και χρησιμοποιούνται επίσης άλλα συμπληρωματικά δεδομένα όπως πληροφορίες κτιρίων, καιρικές συνθήκες και περιβαλλοντικά δεδομένα κ.λπ. Όλα αυτά τα ενεργειακά δεδομένα και τα σχετικά δεδομένα δημοσιεύονται ως συνδεδεμένα δεδομένα προκειμένου να ενισχυθεί η επαναχρησιμοποίηση των δεδομένων και να μεγιστοποιηθεί η ικανότητα των υπηρεσιών διαχείρισης ενέργειας.
Ωστόσο, η ποιότητα αυτών των συνδεδεμένων δεδομένων είναι αμφισβητήσιμη λόγω της φθοράς των αισθητήρων, των αναξιόπιστων καναλιών επικοινωνίας και της μεγάλης διαφοροποίησης των πηγών δεδομένων. Η παροχή υψηλής ποιότητας υπηρεσιών διαχείρισης ενέργειας απαιτεί υψηλής ποιότητας συνδεδεμένα δεδομένα, τα οποία μειώνουν το κόστος χρέωσης και βελτιώνουν την ποιότητα του περιβάλλοντος διαβίωσης. Οι μεθοδολογίες αξιολόγησης και βελτίωσης για την ποιότητα των δεδομένων μαζί με συνδεδεμένα δεδομένα πρέπει να επεξεργάζονται πολύ διαφορετικά δεδομένα από πολύ διαφορετικές πηγές δεδομένων. Η αρχιτεκτονική που βασίζεται σε δεδομένα που βασίζεται σε μικροϋπηρεσίες έχει μεγάλη σημασία για την επεξεργασία πολύ διαφορετικών συνδεδεμένων δεδομένων με αρθρωτή, επεκτασιμότητα και αξιοπιστία. Αυτό το έγγραφο πρότεινε αρχιτεκτονική βασισμένη σε μικροϋπηρεσίες μαζί με δεδομένα τομέα και οντολογίες μεταδεδομένων για τη βελτίωση και αξιολόγηση της ποιότητας των συνδεδεμένων δεδομένων που σχετίζεται με την ενέργεια.
Η συλλογή ενεργειακών δεδομένων γίνεται ολοένα και περισσότερο κοινή πρακτική στον τομέα των κτιρίων. Σημερινές εφαρμογές περιλαμβάνουν την κατανόηση των τοπικών ροών ενέργειας, και την ιχνηλάτηση της ενεργειακής απόδοσης μεμονωμένων κτιρίων. Πέραν αυτών, ερευνητικές και εμπορικές εφαρμογές σε συστάδες κτιρίων παραμένουν ανεξερεύνητες. Η έρευνα είναι απαραίτητη για την παροχή διορατικότητας στα δεδομένα που συλλέγονται, ώστε να αναγνωρίσουμε κατάλληλες εφαρμογές για αυτά καθώς και ευκαιρίες καλυτέρευσης των προσπαθειών συλλογής τους. Αντίθετα από τα βασισμένα στη μηχανική μοντέλα, οι αλγόριθμοι που βασίζονται στα δεδομένα δύναται να ποσοτικοποιούν την αβεβαιότητα στις προβλέψεις ενεργειακής χρήσης και οικονομίας με ή χωρίς λεπτομερείς πληροφορίες ως προς τα χαρακτηριστικά των κτιρίων. Με την ποσοτικοποίηση της αβεβαιότητας, αυτοί οι αλγόριθμοι μπορούν να βοηθήσουν τα κράτη και τα ενδιαφερόμενα μέρη να αναγνωρίσουν μετασκευές κτιρίων χαμηλού ρίσκου ή και υψηλής εξοικονόμησης ενέργειας στις πανεπιστημιουπόλεις. Ωστόσο οι εν λόγω αλγόριθμοι περιορίζονται από την διαθεσιμότητα, τον όγκο και το πεδίο εφαρμογής των δεδομένων. Η πρόκληση σήμερα έχει μετατοπιστεί από τη μέτρηση στη διαχείριση, οργάνωση και ανάλυση των δεδομένων καθώς και στην διατήρηση της ιδιωτικότητας. |
author2 |
Pakas, Georgios |
author_facet |
Pakas, Georgios Πάκας, Γεώργιος |
author |
Πάκας, Γεώργιος |
author_sort |
Πάκας, Γεώργιος |
title |
Μοντέλο μικροϋπηρεσιών σε δεδομένα μεγάλου όγκου για τη διαχείριση της ενεργειακής απόδοσης κτιρίων στην Πανεπιστημιούπολη Πατρών |
title_short |
Μοντέλο μικροϋπηρεσιών σε δεδομένα μεγάλου όγκου για τη διαχείριση της ενεργειακής απόδοσης κτιρίων στην Πανεπιστημιούπολη Πατρών |
title_full |
Μοντέλο μικροϋπηρεσιών σε δεδομένα μεγάλου όγκου για τη διαχείριση της ενεργειακής απόδοσης κτιρίων στην Πανεπιστημιούπολη Πατρών |
title_fullStr |
Μοντέλο μικροϋπηρεσιών σε δεδομένα μεγάλου όγκου για τη διαχείριση της ενεργειακής απόδοσης κτιρίων στην Πανεπιστημιούπολη Πατρών |
title_full_unstemmed |
Μοντέλο μικροϋπηρεσιών σε δεδομένα μεγάλου όγκου για τη διαχείριση της ενεργειακής απόδοσης κτιρίων στην Πανεπιστημιούπολη Πατρών |
title_sort |
μοντέλο μικροϋπηρεσιών σε δεδομένα μεγάλου όγκου για τη διαχείριση της ενεργειακής απόδοσης κτιρίων στην πανεπιστημιούπολη πατρών |
publishDate |
2022 |
url |
http://hdl.handle.net/10889/16557 |
work_keys_str_mv |
AT pakasgeōrgios montelomikroüpēresiōnsededomenamegalouonkougiatēdiacheirisētēsenergeiakēsapodosēsktiriōnstēnpanepistēmioupolēpatrōn AT pakasgeōrgios microservicesmodelonbigdataforbuildingenergyefficiencymanagementonthepatrascampus |
_version_ |
1771297166954856448 |
spelling |
nemertes-10889-165572022-09-05T06:57:39Z Μοντέλο μικροϋπηρεσιών σε δεδομένα μεγάλου όγκου για τη διαχείριση της ενεργειακής απόδοσης κτιρίων στην Πανεπιστημιούπολη Πατρών Microservices model on big data for building energy efficiency management on the Patras Campus Πάκας, Γεώργιος Pakas, Georgios Μικροϋπηρεσίες Ιστός των αντικειμένων Δεδομένα μεγάλου όγκου Ενεργειακή διαχείριση Αποδοτικότητα Κτίρια Microservices Web of objects Big data Energy management Efficiency Buildings Κατά την παραγωγή, διανομή και κατανάλωση ενέργειας, παράγεται μεγάλη ποσότητα δεδομένων. Για την αποτελεσματική χρήση των ενεργειακών πόρων συλλέγονται και χρησιμοποιούνται επίσης άλλα συμπληρωματικά δεδομένα όπως πληροφορίες κτιρίων, καιρικές συνθήκες και περιβαλλοντικά δεδομένα κ.λπ. Όλα αυτά τα ενεργειακά δεδομένα και τα σχετικά δεδομένα δημοσιεύονται ως συνδεδεμένα δεδομένα προκειμένου να ενισχυθεί η επαναχρησιμοποίηση των δεδομένων και να μεγιστοποιηθεί η ικανότητα των υπηρεσιών διαχείρισης ενέργειας. Ωστόσο, η ποιότητα αυτών των συνδεδεμένων δεδομένων είναι αμφισβητήσιμη λόγω της φθοράς των αισθητήρων, των αναξιόπιστων καναλιών επικοινωνίας και της μεγάλης διαφοροποίησης των πηγών δεδομένων. Η παροχή υψηλής ποιότητας υπηρεσιών διαχείρισης ενέργειας απαιτεί υψηλής ποιότητας συνδεδεμένα δεδομένα, τα οποία μειώνουν το κόστος χρέωσης και βελτιώνουν την ποιότητα του περιβάλλοντος διαβίωσης. Οι μεθοδολογίες αξιολόγησης και βελτίωσης για την ποιότητα των δεδομένων μαζί με συνδεδεμένα δεδομένα πρέπει να επεξεργάζονται πολύ διαφορετικά δεδομένα από πολύ διαφορετικές πηγές δεδομένων. Η αρχιτεκτονική που βασίζεται σε δεδομένα που βασίζεται σε μικροϋπηρεσίες έχει μεγάλη σημασία για την επεξεργασία πολύ διαφορετικών συνδεδεμένων δεδομένων με αρθρωτή, επεκτασιμότητα και αξιοπιστία. Αυτό το έγγραφο πρότεινε αρχιτεκτονική βασισμένη σε μικροϋπηρεσίες μαζί με δεδομένα τομέα και οντολογίες μεταδεδομένων για τη βελτίωση και αξιολόγηση της ποιότητας των συνδεδεμένων δεδομένων που σχετίζεται με την ενέργεια. Η συλλογή ενεργειακών δεδομένων γίνεται ολοένα και περισσότερο κοινή πρακτική στον τομέα των κτιρίων. Σημερινές εφαρμογές περιλαμβάνουν την κατανόηση των τοπικών ροών ενέργειας, και την ιχνηλάτηση της ενεργειακής απόδοσης μεμονωμένων κτιρίων. Πέραν αυτών, ερευνητικές και εμπορικές εφαρμογές σε συστάδες κτιρίων παραμένουν ανεξερεύνητες. Η έρευνα είναι απαραίτητη για την παροχή διορατικότητας στα δεδομένα που συλλέγονται, ώστε να αναγνωρίσουμε κατάλληλες εφαρμογές για αυτά καθώς και ευκαιρίες καλυτέρευσης των προσπαθειών συλλογής τους. Αντίθετα από τα βασισμένα στη μηχανική μοντέλα, οι αλγόριθμοι που βασίζονται στα δεδομένα δύναται να ποσοτικοποιούν την αβεβαιότητα στις προβλέψεις ενεργειακής χρήσης και οικονομίας με ή χωρίς λεπτομερείς πληροφορίες ως προς τα χαρακτηριστικά των κτιρίων. Με την ποσοτικοποίηση της αβεβαιότητας, αυτοί οι αλγόριθμοι μπορούν να βοηθήσουν τα κράτη και τα ενδιαφερόμενα μέρη να αναγνωρίσουν μετασκευές κτιρίων χαμηλού ρίσκου ή και υψηλής εξοικονόμησης ενέργειας στις πανεπιστημιουπόλεις. Ωστόσο οι εν λόγω αλγόριθμοι περιορίζονται από την διαθεσιμότητα, τον όγκο και το πεδίο εφαρμογής των δεδομένων. Η πρόκληση σήμερα έχει μετατοπιστεί από τη μέτρηση στη διαχείριση, οργάνωση και ανάλυση των δεδομένων καθώς και στην διατήρηση της ιδιωτικότητας. During the production, distribution and consumption of energy, a large amount of data is generated. For efficient use of energy resources other supplementary data such as building information, weather conditions and environmental data etc. are also collected and used. All these energy data and related data are published as linked data in order to enhance data reuse and maximize the capacity of energy management services. However, the quality of this linked data is questionable due to wear and tear of sensors, unreliable communication channels, and wide variation in data sources. Providing high-quality energy management services requires high-quality connected data, which reduces billing costs and improves the quality of the living environment. Data quality assessment and improvement methodologies along with linked data must process very different data from very different data sources. Microservices-based data-driven architecture is of great importance for processing highly diverse connected data with modularity, scalability, and reliability. This paper proposed a microservices-based architecture together with domain data and metadata ontologies to improve and evaluate the quality of energy-related linked data. The collection of energy data is becoming an increasingly common practice in the building sector. Current applications include understanding local energy flows, and tracking the energy performance of individual buildings. Furthermore, research and commercial applications in building clusters remain unexplored. Research is essential to provide insight into the data collected so we can identify appropriate applications for it as well as opportunities to improve data collection efforts. Unlike engineering-based models, data-driven algorithms can quantify uncertainty in energy use and economy predictions with or without detailed information on building characteristics. By quantifying uncertainty, these algorithms can help states and stakeholders identify low-risk or high-energy building retrofits on campuses. However, these algorithms are limited by the availability, volume and scope of the data. The challenge today has shifted from measurement to managing, organizing and analyzing data as well as maintaining privacy. 2022-07-21T05:16:23Z 2022-07-21T05:16:23Z 2022-07-20 http://hdl.handle.net/10889/16557 gr application/pdf |