Browsing by Issue Date, starting with "2022-02-07"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Avaliação da eficiência do controlo do contágio e do tratamento médico à COVID-19 em países da OCDE utilizando a análise envoltória de dadosPublication . Sousa, David Horta; Martins, Ana Isabel RitaAtualmente, a doença causada pelo novo coronavírus (COVID-19) é um dos problemas de saúde mais significativos em todo o mundo. A Organização Mundial da Saúde (World Health Organization - WHO) declarou o evento uma emergência de saúde pública global no final de janeiro de 2020 e, em seguida, declarou-o uma pandemia global em março de 2020. A impressionante e rápida disseminação do vírus não tem precedentes e superou todas as expectativas. Com quase todos os países do mundo sendo infetados, o desafio de conter o vírus torna-se cada vez mais sério. O objetivo principal deste artigo é explorar o potencial do uso da Análise Envoltória de Dados (Data Envelopment Analysis - DEA) para estabelecer comparações internacionais sobre a eficiência da implementação de programas no combate à pandemia COVID-19, permitindo desta forma identificar um conjunto de boas práticas. Para fazer isso, usou-se dados de 18 países pertencentes à Organização para a Cooperação e Desenvolvimento Económico (OCDE) para a avaliação de eficiência do controlo do contágio e do tratamento médico, modelo A e B, respetivamente. Os resultados indicam que há uma variação notável na eficiência, sugerindo que um melhor uso dos recursos poderia evitar a disseminação do vírus e a mortalidade elevada. Como países eficientes obteve-se a Eslovénia e Letónia para ambos os modelos. Como menos eficientes obteve-se a Dinamarca, Islândia e Suíça no controlo de contágio, e a Alemanha, Áustria e Suíça no tratamento médico. Estes resultados também demonstram o potencial papel estratégico da metodologia DEA para o planeamento eficiente e eficaz de recursos escassos para o combate à pandemia.
- Non-intrusive load monitoring of household devices using a hybrid deep learning model through convex hull-based data selectionPublication . Habou Laouali, Inoussa; Ruano, Antonio; Ruano, Maria da Graça; Bennani, Saad Dosse; Fadili, Hakim ElThe availability of smart meters and IoT technology has opened new opportunities, ranging from monitoring electrical energy to extracting various types of information related to household occupancy, and with the frequency of usage of different appliances. Non-intrusive load monitoring (NILM) allows users to disaggregate the usage of each device in the house using the total aggregated power signals collected from a smart meter that is typically installed in the household. It enables the monitoring of domestic appliance use without the need to install individual sensors for each device, thus minimizing electrical system complexities and associated costs. This paper proposes an NILM framework based on low frequency power data using a convex hull data selection approach and hybrid deep learning architecture. It employs a sliding window of aggregated active and reactive powers sampled at 1 Hz. A randomized approximation convex hull data selection approach performs the selection of the most informative vertices of the real convex hull. The hybrid deep learning architecture is composed of two models: a classification model based on a convolutional neural network trained with a regression model based on a bidirectional long-term memory neural network. The results obtained on the test dataset demonstrate the effectiveness of the proposed approach, achieving F1 values ranging from 0.95 to 0.99 for the four devices considered and estimation accuracy values between 0.88 and 0.98. These results compare favorably with the performance of existing approaches.