analiza

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision		 Previous revision
analiza [2026/01/20 13:45] – [1. Środowisko i Biblioteki] adminanaliza [2026/01/22 22:02] (current) – [Podsumowanie] admin
Line 1: Line 1:
 ====== Analiza Danych i Wyniki Symulacji ====== ====== Analiza Danych i Wyniki Symulacji ======
  
-Ostatnim etapem projektu była praktyczna weryfikacja założeń teoretycznych. W tym celu stworzono środowisko analityczne oparte na języku **Python**, które wykorzystano do przetworzenia rzeczywistych danych z systemu BMS.+W tym rozdziale przedstawione są przykłady algorytmów w kodzie. W tym celu stworzono środowisko analityczne oparte na języku **Python**, które wykorzystano do przetworzenia rzeczywistych danych z systemu BMS.
  
 ===== 1. Środowisko i Biblioteki ===== ===== 1. Środowisko i Biblioteki =====
-Analizę przeprowadzono w środowisku Jupyter Notebook. Wykorzystano standardowy stos technologiczny Data Science:+Analizę przeprowadzono w środowisku Google Colab. Wykorzystano standardowy stos technologiczny Data Science:
  
   * **Pandas:** Do wczytania i czyszczenia danych (pliki CSV).   * **Pandas:** Do wczytania i czyszczenia danych (pliki CSV).
Line 40: Line 40:
 </code> </code>
  
 +<gchart line 600x300 "Symulacja: Przebieg temperatury i predykcja [°C]" center> 
 +06:00 = 16.0 
 +07:00 = 18.5 
 +08:00 = 20.5 
 +09:00 = 21.0 
 +10:00 = 21.2 
 +12:00 = 21.5 
 +14:00 = 21.8 
 +</gchart>
  
 **Wnioski z analizy:** **Wnioski z analizy:**
-  * Wykres wskazuje na silną korelację ujemną (im niższa temperatura, tym wyższe zużycie – co jest logiczne dla ogrzewania).+  * Wykres wskazuje na silną korelację (wzrost temperatury w godzinach porannych zgodnie z przewidywaniem modelu).
   * Model osiągnął współczynnik dopasowania **R² = 0.85**, co oznacza, że w 85% zmienność zużycia energii da się wyjaśnić samą pogodą. Pozostałe 15% to czynniki losowe (np. liczba ludzi w biurze).   * Model osiągnął współczynnik dopasowania **R² = 0.85**, co oznacza, że w 85% zmienność zużycia energii da się wyjaśnić samą pogodą. Pozostałe 15% to czynniki losowe (np. liczba ludzi w biurze).
  
-===== 3. Studium Przypadku B: Wykrywanie Anomalii (Anomaly Detection) =====+===== 3. Studium Przypadku B: Wykrywanie Anomalii  =====
 **Cel:** Automatyczne wykrycie nietypowej pracy centrali wentylacyjnej bez definiowania ręcznych progów alarmowych. **Cel:** Automatyczne wykrycie nietypowej pracy centrali wentylacyjnej bez definiowania ręcznych progów alarmowych.
  
Line 60: Line 68:
 anomalies = df[df['anomalia'] == -1] anomalies = df[df['anomalia'] == -1]
 </code> </code>
- 
- 
  
 **Wyniki:** **Wyniki:**
Line 69: Line 75:
   3. **Błąd czujnika:** Chwilowy, niefizyczny skok odczytu.   3. **Błąd czujnika:** Chwilowy, niefizyczny skok odczytu.
  
-===== Podsumowanie Projektu =====+===== Podsumowanie =====
 Przeprowadzone symulacje potwierdzają, że algorytmy Machine Learning mogą być skutecznie stosowane w Facility Management. Przeprowadzone symulacje potwierdzają, że algorytmy Machine Learning mogą być skutecznie stosowane w Facility Management.
   * Prosta **Regresja** pozwala precyzyjniej budżetować koszty mediów.   * Prosta **Regresja** pozwala precyzyjniej budżetować koszty mediów.
   * **Detekcja anomalii** pozwala wyłapać usterki, które umykają uwadze operatora BMS.   * **Detekcja anomalii** pozwala wyłapać usterki, które umykają uwadze operatora BMS.
  
-Dalszy rozwój projektu mógłby obejmować integrację modelu z systemem pogodowym API w czasie rzeczywistym. 
  • analiza.1768916729.txt.gz
  • Last modified: 2026/01/20 13:45
  • by admin