1,720,968 research outputs found
Predicting the power output of distributed renewable energy resources within a broad geographical region
No full textIn recent years, estimating the power output of inherently intermittent and potentially distributed renewable energy sources has become a major scientific and societal concern. In this paper, we provide an algorithmic framework, along with an interactive web-based tool, to enable short-to-middle term forecasts of photovoltaic (PV) systems and wind generators output. Importantly, we propose a generic PV output estimation method, the backbone of which is a solar irradiance approximation model that incorporates free-to-use, readily available meteorological data coming from online weather stations. The model utilizes non-linear approximation components for turning cloud-coverage into radiation forecasts, such as an MLP neural network with one hidden layer. We present a thorough evaluation of the proposed techniques, and show that they can be successfully employed within a broad geographical region (the Mediterranean belt) and come with specific performance guarantees. Crucially, our methods do not rely on complex and expensive weather models and data, and our web-based tool can be of immediate use to the community as a simulation data acquisition platform.<br/
AdaHeat: A general adaptive intelligent agent for domestic heating control
No full textCopyright © 2015, International Foundation for Autonomous Agents and Multiagent Systems (www.ifaamas.org). All rights reserved.Improving the energy efficiency of domestic heating systems can lead to a major reduction in energy consumption and the corresponding CO2 emissions. To this end, intelligent domestic heating agents (IDHAs) aim to operate domestic heating systems more efficiently with minimum user input. In this work, we propose a new general IDHA that balances heating cost and thermal discomfort in an infinite horizon optimization manner, learns an adaptive thermal model of the system under control on-line and plans a heating schedule that fully exploits the probabilistic occupancy estimates. Importantly, our agent adapts to the user preferences in balancing heating cost and thermal discomfort, as it relies on a single parametrization variable that is learned on-line, and is able to consider a wide range of heating systems typically employed in domestic settings. The backbone of our IDHA is an adaptive model predictive control approach along with a new general planning algorithm that utilizes dynamic programming. We present a thorough evaluation of our approach, and show its effectiveness in terms of Pareto efficiency and usability criteria against state-of-the-art IDHAs. By so doing, we also conduct a comprehensive characterization of existing IDHAs to provide significant insights about their performance in different operational settings
Towards optimal solar tracking: a dynamic programming approach
Full text linkThe power output of photovoltaic systems (PVS) increases with the use of effective and efficient solar tracking techniques. However, current techniques suffer from several drawbacks in their tracking policy: (i) they usually do not consider the forecasted or prevailing weather conditions; even when they do, they (ii) rely on complex closed-loop controllers and sophisticated instruments; and (iii) typically, they do not take the energy consumption of the trackers into account. In this paper, we propose a policy iteration method (along with specialized variants), which is able to calculate near-optimal trajectories for effective and efficient day-ahead solar tracking, based on weather forecasts coming from online providers. To account for the energy needs of the tracking system, the technique employs a novel and generic consumption model. Our simulations show that the proposed methods can increase the power output of a PVS considerably, when compared to standard solar tracking techniques
Efficient medical data analysis scheduling: an investigation of metaheuristic approaches
Full text linkWith recent increases in computational power along with advances in sensory technology, the ability for medical professionals to perform a myriad of medical data-analyses tasks is quickly becoming a reality. Increasingly more research present the analytical capabilities of modern sensory equipment in the medical domain, demonstrating use cases such as remote patient monitoring, assistance with identifying patients with serious conditions, and reducing the overall workload on medical professionals. With the growing possibility for mass adoption within the medical industry, the ability to schedule queues of medical data-analysis tasks of varying quantities and types presents a new technical challenge— since medical data-analysis tasks may need to be scheduled within specific time windows, hold varying degrees of importance, require dependencies on other data-analysis tasks, and may need to be performed periodically. In this thesis, we are the first to formulate the problem of medical data-analysis task scheduling in a combinatorial optimization manner. We then propose a new ant colony optimization algorithm along with a new heuristic that together effectively searches the solution space. We then present an evaluation of our approach, showing its effectiveness by comparing it to other common metaheuristic algorithms that have been adapted into this domain
Εναλλασσόμενη επανάληψη πολιτικής: μία ανάλυση και μελλοντικές κατευθύνσεις
No full textSummarization: Markov Decision Processes (MDPs) constitute a powerful mathematical model for decision making under uncertainty. They have been used widely in a number of application areas such as economics, operation research, health care and robotics. In their fundamental form, solving an MDP to derive its optimal policy is computationally expensive, and the problem is only exacerbated in its high dimensions (i.e., in large state-action spaces). To this end, a number of approximate solution methods have been proposed over time, tackling time and space complexity in various ways.
An interesting approach has been proposed in 2015, by Panagopoulos et al, that utilizes an iterative optimization method to optimize over state-action sub-spaces. Although the idea of iteratively optimizing over sub-spaces, is not new in optimization theory, this algorithm was perhaps the first to propose such an approach in the context of MDPs. The same paper also illustrates the success of such an approach in controlling a solar tracking system. Nevertheless, that work does not illustrate clearly how this new algorithm scales along with problem size, nor how it compares with typical policy iteration or value iteration approaches; and could not be used in environments that do not allow the execution of the actions computed after optimization in each separate dimensions. Intuitively, this corresponds to situations where we have information aliasing phenomena. Information aliasing is a concept which appears in many scientific fields, such as telecommunications and robotics, and describes the loss of information due to dimensionality reduction.
As such, in this thesis we provide a novel variant of the alternating policy iteration algorithm that resolves the aforementioned aliasing issues, and provide a comparison with policy iteration and value iteration. We show empirically that Aliasing Aware Alternating Policy Iteration (AAAPI) can converge to the optimal solutions (policies), in the presence of information aliasing phenomena. Also, the computational complexity of this algorithm is directly related to the intensity of information aliasing. In environments where information aliasing is not intense, AAAPI converges faster than policy iteration and value iteration; but in high-aliasing environments like the maze-grid, the AAAPI convergence rate is substantially reduced. Finally, we provide a discussion on a possible AAAPI multi-agent extension.Περίληψη: Οι Μαρκοβιανές Διαδικασίες Απόφασης (ΜΔΑ) αποτελούν ένα ισχυρό μαθηματικό μοντέλο για λήψη αποφάσεων υπό αβεβαιότητα. Έχουν εφαρμοστεί σε διάφορα επιστημονικά πεδία, όπως τα οικονομικά, η επιχειρησιακή έρευνα, η λήψη ιατρικών αποφάσεων, και η ρομποτική. Στη βάση της, η λύση μιας ΜΔΑ για την απόκτηση μίας βέλτιστης πολιτικής είναι υπολογιστικά ακριβή, και το πρόβλημα επιδεινώνεται στις μεγάλες διαστάσεις (δηλαδή σε μεγάλους χώρους κατάστασης-ενέργειας). Με βάση τα παραπάνω, έχει προταθεί στη βιβλιογραφία πληθώρα προσεγγιστικών μεθόδων για την αντιμετώπισης τη χωρικής και χρονικής πολυπλοκότητας υπολογισμού λύσεων ΜΔΑ.
Μία ενδιαφέρουσα προσέγγιση προτάθηκε το 2015, από τους Παναγόπουλο-Χαλκιαδάκη-Jennings. Η εν λόγω προσέγγιση χρησιμοποιεί μία εναλλασσόμενη μέθοδο βελτιστοποίησης αποφάσεων σε υποχώρους κατάστασης-ενέργειας. Παρόλο που η ιδέα εργασίας σε υποχώρους λύσεων ενός προβλήματος βελτιστοποίησης δεν ήταν καινούργια, αυτός ο αλγόριθμος ήταν ίσως ο πρώτος που πρότεινε μία τέτοια προσέγγιση στα πλαίσια της ΜΔΑ. Η ίδια δημοσίευση επίσης αναδεικνύει την επιτυχία μίας τέτοιας προσέγγισης στο χειρισμό ενός φωτοβολταϊκού συστήματος παρακολούθησης ηλίου. Ωστόσο, η ίδια δημοσίευση δεν ξεκαθαρίζει πώς αυτός ο καινούργιος αλγόριθμος κλιμακώνεται σε σχέση με το μέγεθος του προβλήματος, ούτε πως συγκρίνεται με τις κλασσικές προσεγγίσεις επανάληψης πολιτικής και επανάληψης ανταμοιβής· και δε μπορεί να χρησιμοποιηθεί σε περιβάλλοντα τα οποία δεν αφήνουν την εκτέλεση των υπολογισμένων ενεργειών έπειτα από την βελτιστοποίηση στις διαχωρισμένες διαστάσεις. Το τελευταίο συνδέεται εννοιολογικά με καταστάσεις που έχουμε φαινόμενα “παραποίησης” (aliasing) πληροφορίας. Η παραποίηση πληροφορίας εμφανίζεται σε διάφορα επιστημονικά πεδία, όπως οι τηλεπικοινωνίες και η ρομποτική, και αντιστοιχεί στην απώλεια πληροφορίας έπειτα από τη μείωση των διαστάσεων ενός προβλήματος προκειμένου να προσεγγιστεί η λύση του.
Ως εκ τούτου, σε αυτή τη διπλωματική εργασία παρουσιάζουμε μία νέα παραλλαγή του αλγορίθμου της εναλλασσόμενης επανάληψης πολιτικής που επιλύει τα προαναφερθέντα θέματα aliasing, και παρέχουμε συγκρίσεις με τους αλγορίθμους επανάληψης πολιτικής και επανάληψης ανταμοιβής. Δείχνουμε εμπειρικά ότι ο προτεινόμενος Aliasing Aware Alternating Policy Iteration (AAAPI) αλγόριθμός μας μπορεί να συγκλίνει στις βέλτιστες λύσεις (πολιτικές), με την παρουσία φαινομένων aliasing πληροφορίας. Επίσης, η υπολογιστική πολυπλοκότητα αυτού του αλγορίθμου είναι σε άμεση συσχέτιση με την ένταση της aliasing πληροφορίας. Σε περιβάλλοντα όπου τα φαινόμενα aliasing δεν είναι τόσο έντονα, ο AAAPI συγκλίνει γρηγορότερα σε σχέση με τις μεθόδους επανάληψης πολιτικής (policy iteration) και επανάληψης τιμών (value iteration)· αλλά σε περιβάλλοντα με υψηλό βαθμό aliasing πληροφορίας, όπως ο Λαβύρινθος, ο ρυθμός σύγκλισης του AAAPI πέφτει δραματικά και μπορεί να μη συγκλίνει στη βέλτιστη πολιτική. Μία επιπλέον συνεισφορά της εργασίας μας είναι η διατύπωση μία πιθανής επέκτασης του AAAPI σε πολυπρακτορικά περιβάλλοντα
Balancing expected thermal discomfort and heating-ventilation-air conditioning operation cost in buildings with dynamic occupancy schedules
No full textSummarization: Optimizing the heating, ventilation and air condition (HVAC) process considers a multi-objective optimization task with the main objectives being energy cost and thermal discomfort. Typically, when the occupancy schedule of a building is known in advance, a thermostat can be set to predetermined values in order to minimize thermal discomfort. However, in dynamic occupancy schedule scenarios, ensuring minimum thermal discomfort at all times is highly energy inefficient. In more detail, even with the most accurate occupancy prediction algorithms some uncertainty on the predicted schedule is retained. Minimizing thermal discomfort, even in the slightest chance of occupancy, introduces unnecessary and unacceptable cost. In this context, our goal in this thesis was to investigate HVAC control optimization algorithms that incorporate occupancy predictions in a feasible manner. In more detail, we compare two algorithms derived from the literature against a novel algorithm that we propose here, with respect to applicability, effectiveness, efficiency and usability criteria. Our comparison shows that each one of the algorithms possesses certain advantages and disadvantages with respect to the above-mentioned criteria. Our approach performs similar to state of the art approaches and offers increased usability since it relies on a single intuitive parameter.Περίληψη: Η επίτευξη της βέλτιστης θέρμανσης, εξαερισμού και κλιματισμού (HVAC) κτιρίων είναι μία πολύπλοκη διαδικασία που προαπαιτεί μια εργασία μαθηματικής βελτιστοποίησης πολλαπλών στόχων, οι κυριότεροι εκ των οποίων είναι το κόστος ενέργειας και τη θερμική δυσφορία. Συνήθως, όταν σε ένα κτίριο είναι γνωστό το χρονοδιάγραμμα χρήσης του κτιρίου εκ των προτέρων, τότε ένας θερμοστάτης μπορεί να ρυθμιστεί σε προκαθορισμένες τιμές, προκειμένου να ελαχιστοποιηθεί η θερμική δυσφορία. Ωστόσο, σε σενάρια που υπάρχει δυναμικό χρονοδιάγραμμα χρήσης, η εξασφάλιση της ελάχιστης θερμικής δυσφορίας ανά πάσα στιγμή είναι εξαιρετικά ενεργειακά αναποτελεσματική. Πιο συγκεκριμένα, ακόμα και με τους πιο ακριβείς αλγόριθμους πρόβλεψης πληρότητας των χώρων ενός κτιρίου, διατηρείται κάποια αβεβαιότητα σχετικά με το προβλεπόμενο χρονοδιάγραμμα χρήσης. Η ελαχιστοποίηση της θερμικής δυσφορίας, ακόμη και στις ελάχιστες πιθανότητες πληρότητας, εισάγει περιττό και μη αποδεκτό κόστος. Σε αυτό το πλαίσιο, ο στόχος μας είναι να διερευνήσουμε αλγορίθμους βελτιστοποίησης ελέγχου συστημάτων HVAC που ενσωματώνουν προβλέψεις πληρότητας με εφικτό τρόπο. Συγκεκριμένα, στην εργασία μας συγκρίνουμε δύο αλγόριθμους που προέρχονται από τη βιβλιογραφία, με έναν νέο αλγόριθμο που προτείνουμε εδώ, λαμβάνοντας υπ’ όψιν στη σύγκριση κριτήρια εφαρμογής, αποτελεσματικότητας, αποδοτικότητας και χρηστικότητας. Η πειραματική μας σύγκρισή υποδεικνύει ότι καθένας από τους αλγορίθμους διαθέτει ορισμένα πλεονεκτήματα και μειονεκτήματα σε σχέση με τα προαναφερθέντα κριτήρια. Η προσέγγισή μας παρέχει παρόμοια απόδοση με τις σύγχρονες προσεγγίσεις και προσφέρει αυξημένη χρηστικότητα, καθώς βασίζεται σε μόνο μία παράμετρο που έχει διαισθητική ερμηνεία
CIWA - Ανάπτυξη διαδικτυακού εργαλείου για αυτοματοποιημένη διαχείριση άρδευσης με χρήση ευφυών τεχνικών αναγνώρισης θερμοκρασίας φυτικού θόλου
No full textΠροπτυχιακή διατριβή που υποβλήθηκε στη σχολή ΗΜΜΥ του Πολ. Κρήτης για την πλήρωση προϋποθέσεων λήψης του Διπλώματος Ηλεκτρολόγου Μηχανικού & Μηχανικού Υπολογιστών.Summarization: Canopy temperature has been recognized as a crop water stress indicator, since it reflects the interaction of crops with soil and the atmosphere. Even though there are several methods to estimate canopy temperature, most of them are time consuming, expensive, inaccurate, or require considerable human input. This work mobilizes Convolutional Neural Networks (CNNs) to identify sunlit leaves and in conjuction with thermal imagery, find the underlying leaf temperatures and calculate the Crop Water Stress Index (CWSI). The results of two different CNN architectures (FRRN, DeepLabV3) have been compared with two minimum input, state of the art methods, namely temperature Histogram Gradient Thresholding and Gaussian Mixture Models. We evaluate our approaches against this baseline using our own dataset of 1432 image-label pairs of pistachio trees. Results indicate that CNNs outperform existing methods. Our dataset is released for the scientific community to use. Finally, a web application was developed, so that researchers/growers can calculate the CWSI in real time, using pictures captured with a thermal camera.Περίληψη: Η θερμοκρασία του φυτικού θόλου έχει αναγνωριστεί ως ένας δείκτης καταπόνησης νερού στις καλλιέργειες, καθώς ανακλά την αλληλεπίδραση των καλλιεργειών με το χώμα και την ατμόσφαιρα. Παρά το γεγονός ότι υπάρχουν διάφορες μέθοδοι για τον υπολογισμό της θερμοκρασίας του θόλου, οι περισσότερες από αυτές είναι χρονοβόρες, ακριβές, ανακριβείς, ή απαιτούν σημαντική ανθρώπινη παρέμβαση. Η παρούσα έρευνα χρησιμοποιεί συνελικτικά νευρωνικά δίκτυα (CNNs) για την αναγνώριση των ηλιοφώτιστων φύλλων, και σε συνεργασία με τη χρήση θερμικών εικόνων, βρίσκει τις υποκείμενες θερμοκρασίες των φύλλων και υπολογίζει το δείκτη καταπόνησης νερού της καλλιέργειας (CWSI). Τα αποτελέσματα δύο διαφορετικών αρχιτεκτονικών συνελικτικών νευρωνικών δικτύων (FRRN, DeepLabV3) έχουν συγκριθεί με δύο σύγχρονες μεθόδους ελάχιστης ανθρώπινης παρέμβασης, temperature Histogram Gradient Thresholding και Gaussian Mixture Models. Οι προσεγγίσεις μας εξετάζονται χρησιμοποιώντας ως γνώμονα αυτές τις δύο μεθόδους. Η αξιολόγηση γίνεται πάνω στο δικό μας dataset, το οποίο αποτελέιται απο 1432 ζευγάρια image-label φυστικιών. Τα αποτελέσματα δείχνουν πως τα συνελικτικά νευρωνικά δίκτυα λειτουργούν καλύτερα από τις υπάρχουσες μεθόδους. Το dataset δημοσιεύεται για χρήση από την επιστημονική κοινότητα. Τέλος, αναπτύχθηκε μία διαδικτυακή εφαρμογή, ώστε οι ερευνητές/καλλιεργητές να μπορούν να υπολογίζουν το CWSI σε πραγματικό χρόνο, χρησιμοποιώντας εικόνες από μια θερμική κάμερα
Going Beyond Counting First Authors in Author Co-citation Analysis
Full text linkThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Variations on the Author
Full text link“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
- …
