Search

Nos últimos 70 anos o consumo de energia foi superior aos 12 mil anos anteriores [1]. Seguindo a mesma tendência o consumo de energia elétrica também tem aumentado. Este facto é justificável pela utilização generalizada de energia elétrica nos mais variados setores, os setores industrial e doméstico apresentam a maior quantidade de energia consumida nos últimos anos. Atualmente, essa dependência prende-se com o facto de existirem inúmeros equipamentos que necessitam de eletricidade ininterruptamente para a sua correta operação, como exemplo temos: sistemas de segurança, equipamentos frigoríficos, entre outros. O aumento de equipamentos presentes nas habitações também é um fator relevante, acarretando maiores consumos ao nível de energia elétrica e consequentemente um aumento da fatura elétrica. Todas as mudanças nos hábitos de consumo obrigaram a repensar os sistemas de fornecimento de energia aos locais de consumo. Ao longo dos últimos anos, a liberalização do mercado português, associada ao mercado de energia elétrica, tem culminado no surgimento de novos tipos de tarifas, nomeadamente o mercado de tarifas dinâmicas. Com o intuito de obter melhorias durante a utilização de energia elétrica, foram utilizadas Redes Neuronais que permitiram uma aprendizagem constante com a utilização de preços precedentes para a realização dessa mesma aprendizagem. Desta forma, recorreu-se a softwares de Inteligência Artificial, cada vez mais procurados e que têm permitido a realização de inúmeras operações tais como a previsão de acontecimentos. Tendo em conta os pontos apresentados anteriormente, surgiu a ideia de criar uma ferramenta que permitisse prever preços de energia elétrica e, concludentemente, realizasse uma gestão de cargas que seriam deslocadas e alocadas em espaços temporais onde o preço de eletricidade fosse o mais reduzido. Esta ferramenta tem como principal objetivo proporcionar uma redução da fatura de eletricidade, tendo por base uma boa gestão de cargas baseada na previsão proveniente da rede neuronal implementada. In the last 70 years energy consumption has been higher than in the previous 12,000 years [1]. Following the same trend, the consumption of electrical energy has also increased. This fact is justified by the widespread use of electricity in the most varied sectors, among them the industrial and domestic sectors adding up to the largest amount of energy consumed in recent years. Currently, this dependence happens because there are several equipments that need electricity uninterruptedly for correct operation, such as security systems, refrigerating equipment and others. The increase in equipments present in homes is also a relevant factor, leading to greater consumption of electricity and consequently an increase in the electric bill. All the changes in consumption habits have forced a change in the way energy reaches our homes. Over the past few years, the liberalization of the Portuguese market, associated with the electricity market, has culminated in the emergence of new types of tariffs, namely the dynamic tariff market. In order to obtain improvements during the use of electricity, Neural Networks were used, which allowed constant learning and the use of previous prices. In this way, Artificial Intelligence software was used, which is increasingly sought after, and which has allowed for numerous operations such as event forecasting. Due to the points presented above, the idea arose of creating a tool that would make it possible to predict electricity prices and, conclusively, to manage loads that would be displaced and allocated in temporal spaces where the price of electricity was lower. The implementation of this tool has as its main objective to provide a reduction in the electricity bill whenever good load management occurs based on the forecast coming from the implemented neuronal network.

CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior O software está cada vez mais presente no cotidiano das pessoas. Vários setores ou aspectos do ambiente são influenciados por ele. Desta forma, o desenvolvimento de software torna-se uma atividade crítica. Assim, o processo de teste se torna crucialmente importante, pois qualquer negligência pode refletir na qualidade do produto. Contudo, o cenário de desenvolvimento de software vem sofrendo mudanças a partir da necessidade de suprir demandas com maior agilidade e as exigências do mercado. É fundamental haver uma visão holística dos processos de desenvolvimento do software com o objetivo de gerar um ciclo de melhoria contínua. Tal visão é denominada como Engenharia de Software Contínua. A Engenharia de Software Contínua é caracterizada pelo uso do feedback de execuções para alcançar uma melhoria contínua e pela realização das atividades de maneira contínua. Feedback esse que pode ser fornecido através da proveniência de dados: descrição das origens de um dado e os processos pelos quais passou. Diante disso, este trabalho apresenta uma infraestrutura que tem como foco a captura e o armazenamento do histórico dos dados de execução do projeto, a previsão dos resultados dos testes de unidade através de algoritmos de previsão Logistic Regression, Naive Bayes e C4.5 Algorithm, e a disponibilização dos dados para aplicações externas. Além disso, oferece elementos de visualização que auxiliam na compreensão dos dados. Um experimento com dados de um projeto real foi realizado com o intuito de identificar a acurácia das previsões. Software is increasingly present in people's daily lives. Various sectors and the environment are influenced by them. In this way, the development of software becomes a critical activity. Thus, the testing process becomes crucially important because any negligence can affect the quality of the product and the insecurity related to the use of the software. However, the software development scenario has undergone changes from the need to meet demands with greater agility and the demands of the market. It is fundamental to have a holistic view of the software development processes in order to generate a cycle of continuous improvement. Such a view is referred to as Continuous Software Engineering. Continuous Software Engineering is characterized by the use of feedback from executions to achieve continuous improvement and by performing activities on an ongoing basis. Feedback this can be provided through the provenance of data: description of the origins of a given and the processes by which it passed. This work presents an infrastructure that focuses on the capture and storage of the project execution data history, the prediction of the results of the unit tests through prediction algorithms: Logistic Regression, Naive Bayes and C4.5 Algorithm, and the provision of data for external applications. It also provides preview elements which help in understanding the data. An experiment with data from a real project was carried out in order to identify the accuracy of the prediction.