DSpace logo

Use este identificador para citar ou linkar para este item: http://repositorioinstitucional.uea.edu.br//handle/riuea/2305
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorNascimento, Lennon Brandão Freitas-
dc.date.available2020-03-09-
dc.date.available2020-03-13T14:53:44Z-
dc.date.issued2019-12-17-
dc.identifier.urihttp://repositorioinstitucional.uea.edu.br//handle/riuea/2305-
dc.description.abstractIn this document, the development of firmware and hardware algorithms was performed, as well as an artificial intelligence application to learn the user’s standard regarding the desired lightlevel.TheaboveimplementationshadastheirguidingelementtheSmartLVGridframework which consists of a meta model that converges passive low voltage circuits into a Smart Grid. The systematic model was used for the convergence to the Smart Building paradigm. Concepts inherent to the framework were used as systematic communication between elements that make up the system as well as the retrofit. The adaptation of the framework for convergence Smart Building will be made at the Embedded Systems Laboratory located at HUB innovation and technology,which,inturn,islocatedattheSchoolofTechnology.Thefirmwaregoesthroughthe implementation of the network connection using MQTT protocol indicated for such applications, besides favoring the acquisition of environment data through the implementation of sensing platform. Finally, the artificial intelligence model will gather the available information from the environmentandtheusertolearnandmakethebrightnessregulationintelligentandautonomous. After the implementation and collection of the result, the goal is to achieve convergence Smart Building through SmartLVGrid with development of artificial intelligence.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade do Estado do Amazonaspt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAtribuição-NãoComercial-SemDerivados 3.0 Brasil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectSistemas Inteligentespt_BR
dc.subjectSmart Gridspt_BR
dc.subjectSmart Buildingspt_BR
dc.subjectSmart Lightingpt_BR
dc.subjectSistemas Inteligentespt_BR
dc.titleDesenvolvimento de solução de inteligência artificial aplicada a implementação de smart buildings com base no framework SmartLVGridpt_BR
dc.title.alternativeDevelopment of artificial intelligence solution applied to the implementation of smart buildings based on the SmartLVGrid frameworkpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.date.accessioned2020-03-13T14:53:44Z-
dc.creator.ID0238273463141097pt_BR
dc.contributor.advisor1Souza, Raimundo Cláudio Souza-
dc.contributor.advisor1ID4244097441063312pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4244097441063312pt_BR
dc.contributor.referee1Figueiredo , Carlos Maurício Serodio Figueiredo-
dc.contributor.referee1ID4244097441063312pt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/4244097441063312pt_BR
dc.contributor.referee2Cardoso , Fábio de Sousa-
dc.contributor.referee2ID5612584109016079pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5612584109016079pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/0238273463141097pt_BR
dc.description.resumoNeste trabalho, foi realizado o desenvolvimento de algoritmos de firmware e hardware além de uma aplicação de inteligência artificial para aprendizado do padrão do usuário no que diz respeito a nível de luminosidade desejado. As implementações acima tinham como elemento norteadoroframeworkSmartLVGridqueconsisteemummetamodeloquerealizaaconvergência dos circuitos de baixa tensão passivos em uma Smart Grid. O modelo sistemático foi utilizado para a convergência ao paradigma Smart Building. Conceitos inerentes ao framework foram utilizados como comunicação sistemática entre elementos que compõe o sistema bem como o retrofit. A adaptação do framework para convergência Smart Building será feita no Laboratório de Sistemas Embarcados localizado no HUB inovação e tecnologia que, por sua vez, situa-se na Escola Superior de Tecnologia. O firmware perpassa pela implementação da conexão em rede utilizando protocolo MQTT indicado para aplicações do gênero, além de favorecer a aquisição de dados do ambiente através de implementação de plataforma de sensoriamento que foram simulados.Porfim,omodelodeinteligênciaartificialcolheráasinformaçõesdisponibilizadasdo ambienteedousuáriopararealizaroaprendizadodepadrãoetornararegulaçãodeluminosidade de forma inteligente e autônoma gerando Smart Lighting. Após a implementação e coleta do resultado, almeja-se alcançar a convergência Smart Building através do SmartLVGrid com desenvolvimento de inteligência artificial.pt_BR
dc.publisher.countryBrasilpt_BR
dc.relation.referencesA, J. et al. Intelligent smart home automation and security system using arduino and wi-fi. International Journal Of Engineering And Computer Science, Valley International, mar 2017. ADAFRUIT. 2019. <https://learn.adafruit.com/pir-passive-infrared-proximity-motion-sensor/ how-pirs-work>. Acessado em 28/10/2019. AL-FUQAHA, A. et al. Internet of things: A survey on enabling technologies, protocols, and applications. IEEE Communications Surveys & Tutorials, Institute of Electrical and Electronics Engineers (IEEE), v. 17, n. 4, p. 2347–2376, 2015. ARTIGO. 2019. <https://www.learndatasci.com/tutorials/ python-pandas-tutorial-complete-introduction-for-beginners/>. Acessado em 25/10/2019. BAHGA, A.; MADISETTI, V. Internet of Things: A hands-on approach. [S.l.]: Vpt, 2014. BRAGA, A. de P.; FERREIRA, A. C. P. de L.; LUDERMIR, T. B. Redes neurais artificiais: teoria e aplicações. [S.l.]: LTC Editora Rio de Janeiro, Brazil:, 2007. BRINK, H. et al. Real-world machine learning. [S.l.]: Manning, 2017. CLEMENTS-CROOME, D. Sustainable intelligent buildings for people: a review. Intelligent Buildings International, Taylor & Francis, v. 3, n. 2, p. 67–86, 2011. CLEMENTS-CROOME, D.; CROOME, D. J. Intelligent buildings: design, management and operation. [S.l.]: Thomas Telford, 2004. CREME. 2019. <https://pypi.org/project/creme/>. Acessado em 28/10/2019. DONG, L. et al. The impact of led correlated color temperature on visual performance under mesopic conditions. IEEE Photonics Journal, IEEE, v. 9, n. 6, p. 1–16, 2017. EASTMAN, C. et al. BIM handbook: A guide to building information modeling for owners, managers, designers, engineers and contractors. [S.l.]: John Wiley & Sons, 2011. ECP. 2019. <http://ecp.com.br/produto-detalhes/34?locale=pt-BR>. Acessado em 28/10/2019. ELéTRICA. 2019. <https://www.mundodaeletrica.com.br/esquema-para-sensor-de-presenca/>. Acessado em 28/10/2019. ESPRESSIF. Datasheet ESP32-Wroom 32D. 2019. FACELI, K. et al. Artificial intelligence: a machine learning approach. LTC, Rio de Janeiro, 2011. FERNANDES, R.; GUIMARÃES, W. Implementation of a buck converter with hysteresis voltage control applied to led chip array package for street lighting. In: IEEE. 2018 Argentine Conference on Automatic Control (AADECA). [S.l.], 2018. p. 1–6. FERREIRA, A. R.; TOMIOKA, J. Iluminação de estado sólido, economia potencial de energia elétrica para o país. In: Anais do VIII Workshop de Pós-Graduação e Pesquisa do Centro Paula Souza, São Paulo, São Paulo, Brasil. [S.l.: s.n.], 2013. FLACH, P. Machine learning: the art and science of algorithms that make sense of data. [S.l.]: Cambridge University Press, 2012. 81 FÜRNKRANZ, J.; GAMBERGER, D.; LAVRAˇC, N. Foundations of rule learning. [S.l.]: Springer Science & Business Media, 2012. GÉRON, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. [S.l.]: O’Reilly Media, 2019. GOMES, R. C. S. et al. Automation meta-system applied to smart grid convergence of low voltage distribution legacy grids. In: IEEE. 2017 IEEE International Conference on Smart Energy Grid Engineering (SEGE). [S.l.], 2017. p. 400–413. HANES, D. et al. IoT fundamentals: Networking technologies, protocols, and use cases for the internet of things. [S.l.]: Cisco Press, 2017. HAYKIN, S. S. et al. Neural networks and learning machines. [S.l.]: Pearson education Upper Saddle River, 2009. v. 3. ILUMININ. 2018. <https://www.iluminim.com.br/drivers?sort=mais_vendidosl>. Acessado em 25/10/2019. INTELLIPAAT. 2019. <https://intellipaat.com/blog/tutorial/data-science-tutorial/ modeling-the-data/>. Acessado em 24/11/2019. KANSARA, V. K. Solar & led technology for energy efficient substation. In: IEEE. 2017 IEEE Region 10 Symposium (TENSYMP). [S.l.], 2017. p. 1–5. KAZAK, A. N.; BUCHATSKIY, P. Perspectives for smart city technologies in the resort region. In: 2018 IEEE International Conference "Quality Management, Transport and Information Security, Information Technologies"(IT&QM&IS). [S.l.]: IEEE, 2018. KUBAT, M. An introduction to machine learning. [S.l.]: Springer, 2017. v. 2. LOSING, V.; HAMMER, B.; WERSING, H. Incremental on-line learning: A review and comparison of state of the art algorithms. Neurocomputing, Elsevier, v. 275, p. 1261–1274, 2018. MAKERS. 2019. <https://natalmakers.lojaintegrada.com.br/ placa-de-fenolite-10cm-x-15cm-face-cobreada-simples>. Acessado em 30/10/2019. MARSLAND, S. Machine learning: an algorithmic perspective. [S.l.]: Chapman and Hall/CRC, 2011. MONTEIRO, R. V. A. et al. Led tubular lamps and tubular fluorescent: Power quality. In: IEEE. 2014 16th International Conference on Harmonics and Quality of Power (ICHQP). [S.l.], 2014. p. 400–404. MQTT. 2019. <https://pplware.sapo.pt/tutoriais/networking/mqtt-protocolo-de-comunicacao/>. Acessado em 28/10/2019. NGUYEN, T. A.; AIELLO, M. Energy intelligent buildings based on user activity: A survey. Energy and buildings, Elsevier, v. 56, p. 244–257, 2013. NUMPY. 2017. <https://docs.scipy.org/doc/numpy-1.13.0/user/whatisnumpy.html>. Acessado em 25/10/2019. PAHO. 2019. <https://www.eclipse.org/paho/>. Acessado em 28/10/2019. 82 PANDAS. 2019. <https://pandas.pydata.org/>. Acessado em 25/10/2019. PEDREGOSA, F. et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, v. 12, p. 2825–2830, 2011. PEREIRA, A. et al. Some considerations about led technology in public lighting. In: IEEE. 2015 CHILEAN Conference on Electrical, Electronics Engineering, Information and Communication Technologies (CHILECON). [S.l.], 2015. p. 561–565. PERERA, C. et al. A survey on internet of things from industrial market perspective. IEEE Access, Institute of Electrical and Electronics Engineers (IEEE), v. 2, p. 1660–1679, 2014. RANGEL, M. G.; SILVA, P. B.; GUEDE, J. R. A. Led–iluminação de estado sólido. São José do Campos, 2009. ROJAS, R. Neural networks: a systematic introduction. [S.l.]: Springer Science & Business Media, 2013. SMARTBUILDING. 2018. <https://software.intel.com/en-us/articles/ relayr-any-to-any-connectivity-transforms-smart-buildings>. Acessado em 22/04/2019.pt_BR
dc.subject.cnpqMedição, Controle, Correção e Proteção de Sistemas Elétricos de Potênciapt_BR
dc.publisher.initialsUEApt_BR
Aparece nas coleções:EST - Trabalho de Conclusão de Curso Graduação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Desenvolvimento de solução de inteligência artificial aplicada a implementação de smart buildings com base no framework SmartLVGrid .pdf12,19 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


Este item está licenciada sob uma Licença Creative Commons Creative Commons