| Resumo: | Devido à recente evolução tecnológica, novos sensores e dispositivos estão sendo incorporados em edifícios e cidades inteligentes, para facilitar o entendimento da sua dinâmica e melhorar seu gerenciamento, bem como sua relação custo-benefício. Neste contexto, a combinação de tecnologia da informação e dispositivos capazes de capturar e compartilhar informações com outros dispositivos pode ajudar a coletar e compreender dados de energia. Esta é uma tarefa importante para avaliar a eficiência energética, ajudando a resolver problemas relacionados à energia. Porém, pode-se tornar um desafio analisar grandes volumes de dados que são coletados e armazenados ininterruptamente para confirmar tendências, identificar padrões ocultos e valores discrepantes que ajudem na tomada de decisões.O uso de representações gráficas pode auxiliar neste processo, mas a análise visual de grandes volumes de dados de energia pode não ser uma tarefa simples de ser executada, pois muitas das ferramentas de visualização existentes não foram planejadas com esta finalidade, dificultando tanto uma análise interativa com diferentes níveis de granularidade ao longo do tempo, como a comparação entre dados meteorológicos com diferentes dados de energia. Assim, o objetivo deste trabalho é apresentar um modelo para análise visual de dados de consumo ou geração de energia para cidades e edifícios inteligentes.Este modelo permite carregar, analisar e comparar dados de energia e dados meteorológicos ao longo do tempo para, por exemplo, identificar padrões de consumo com diferentes condições climáticas e valores discrepantes. Além disso, oferece diversas formas de explorar e compreender padrões entre diferentes conjuntos de dados, incorpora quatro algoritmos para realizar análises preditivas e permite avaliar os dados com diferentes níveis de granularidades de tempo, através de uma abordagem interativa baseada na técnica de detalhes sob demanda integrada com coordinated multiple views. Uma avaliação com especialistas de domínio demonstra a viabilidade, além das vantagens de usar esse modelo para explorar, monitorar e comparar dados de energia.
Due to the recent technological evolution, new sensors and devices are being incorporated in buildings and smart cities, to facilitate the understanding of its dynamics and improve its management, as well as its cost-benefit ratio. In this context, the combination of information technology and devices capable of capturing and sharing information with other devices can help to collect and understand energy data. This is an important task to assess energy efficiency, helping to solve energy-related problems. However, it can become a challenge to analyze large volumes of data that are collected and stored continuously to confirm trends, identify hidden patterns and outliers that help in decision making.The use of graphical representations can assist in this process, but the visual analysis of large volumes of energy data may not be a simple task to be performed, as many of the existing visualization tools were not designed for this purpose, making it so difficult for an interactive analysis with different levels of granularity over time, such as comparing meteorological data with different energy data. Thus, the objective of this work is to present a model for visual analysis of consumption data or energy generation for cities and smart buildings.This model allows to load, analyze and compare energy data and meteorological data over time to, for example, identify consumption patterns with different climatic conditions and outliers. In addition, it offers several ways to explore and understand patterns between different sets of data, incorporates four algorithms to perform predictive analysis and allows to evaluate data with different levels of time granularities, through an interactive approach based on the integrated on-demand detail technique com coordinated multiple views. An evaluation with domain experts demonstrates the feasibility, in addition to the advantages of using this model to explore, monitor and compare energy data. |
