The identification of systems seeks to use techniques that, from input and output signals, can find a dynamic model that describes the system. Among the simplest identification techniques are those based on step response. In this work, the Harriot method is approached, a graphical method that identifies over dampened second-order models. This study presents a numerical solution to find the time constants of the model, allowing its application in a computational and automated way. To validate the proposed approach, it was applied in a motor-cogenerator didactic module and compared with other deterministic identification techniques, such as Ziegler-Nichols, Hägglund, and Sundaresan, to compare the results. The results showed that the numerically resolved Harriot method performed equivalently or even better compared to the other deterministic identification techniques. The R² and Akaike Information Criterion (AIC) were used as metrics to quantify the performance of each model. It was concluded that the numerical solution proposed for the Harriot method allows its computational application and presents a promising performance. Future work may explore the use of this technique as part of an auto-tuning scheme for PID controllers.
The present work delivers the results of a survey conducted in Florian\'{o}polis, on the southern region of Brazil, using a digital questionnaire which inquired about the interaction with demand management systems (DMSs) in a smart house context. In particular, the survey addressed the interviewees' thoughts on demand management and gathered data to enable the design of Quality of Experience (QoE) based demand management policies. The investigation of QoE-aware approaches is significant as it enables the DMS to take decisions not only based on economic metrics, but also taking the discomfort caused to the users into account. The number of responses guaranteed a confidence level of 95\% and an error margin of 4.63\% and the content of such responses showed favorable disposition of the interviewees on allowing interventions of DMSs on their energy consumption habits as long as it reduces their expenses with energy. The data concerning discomfort caused by demand management actions on several home appliances was treated using clustering techniques and different typical user profiles were leveraged, represented by the centroid of each cluster. Those profiles can be used to deploy QoE-aware DMSs tailored for the local reality, which seems as a promising business model as smart houses become a reality.
O acúmulo de poeira em painéis fotovoltaicos representa um desafio para a eficiência energética em sistemas de geração solar, especialmente em períodos de estiagem. A determinação do intervalo de limpeza ideal é um problema de otimização econômica que equilibra os custos de manutenção com a receita perdida pela subgeração. Enquanto os trabalhos existentes na literatura fundamentam-se em modelos empíricos baseados em dados, este trabalho utiliza o modelo fenomenológico de Dahham et al. (2023), que descreve a dinâmica da cobertura de poeira a partir de um balanço de forças físicas. O objetivo principal é propor uma solução analítica aproximada para o cálculo do período ótimo de limpeza, eliminando a necessidade de métodos numéricos iterativos. Através de uma simplificação matemática fundamentada no regime de acúmulo inicial, desenvolveu-se uma formulação direta que depende de variáveis meteorológicas e parâmetros de custo. Os resultados para o estudo de caso simulado demonstram que a solução analítica proposta apresenta uma precisão adequada, com um desvio de apenas 0,13% em relação ao ótimo global obtido numericamente. Conclui-se que o método oferece uma diretriz prática e fisicamente embasada para a operação de sistemas fotovoltaicos, sendo particularmente útil para o planejamento preventivo em climas com períodos secos definidos.
1 October 2024 in Contribuciones A Las Ciencias Sociales
O artigo explora a metodologia baseada em projetos no ensino de engenharia e ciências da computação, com foco no desenvolvimento de protótipos eletrônicos para equipamentos hospitalares, integrando Realidade Aumentada (RA) e Internet das Coisas (IoT). Os alunos aplicaram teoria na prática, desenvolvendo projetos como sistemas embarcados, sensores e controladores, além de aplicativos de RA para exibir dados em tempo real usando Unity e Vuforia. A disciplina de Inteligência Artificial introduziu algoritmos de regressão e classificação, utilizando a ferramenta Orange Data Mining para visualização de dados. Os resultados evidenciam o engajamento dos alunos na conexão entre diferentes conteúdos, a participação ativa em projetos práticos e a habilidade de aplicar tecnologias avançadas. Projetos desenvolvidos, como sensores de luz e semáforos, fortaleceram a compreensão de eletrônica e programação, preparando os alunos para os desafios dos projetos finais mais complexos. A conclusão destaca que a aplicação prática dos conceitos teóricos foi crucial para o aprendizado e desenvolvimento de competências, preparando os estudantes para o mercado de trabalho. A experiência prática não só reforçou a compreensão do conteúdo, mas também mostrou a importância de integrar habilidades diversas, demonstrando que a transição da teoria para a prática é essencial na formação profissional.