Show simple item record

2014-02-13Masterarbeit DOI: 10.18452/14208
Monitoring Industrial Machine Power Consumption Using Non- and Semiparametric Quantile Regression
dc.contributor.authorBallentin, Sven
dc.date.accessioned2017-06-18T02:41:27Z
dc.date.available2017-06-18T02:41:27Z
dc.date.created2014-05-12
dc.date.issued2014-02-13
dc.identifier.urihttp://edoc.hu-berlin.de/18452/14860
dc.description.abstractIn dieser Arbeit wird ein innovativen Ansatz für das Energieverbrauchsmonitoring von Industrieanlagen entwickelt. Die Idee basiert auf dem Vergleich zwischen bedingten Quantilen geschätzt basierend auf einer Referenzperiod, mit den realisierten Werten in einer Evaluationsperiode. Drei verschieden nicht- und semiparametrische Quantilsregressionsmodelle, welche auch verzögerte exogene Variablen umfassen, wurden evaluiert. Die Ergebnisse lassen darauf schließen, dass die Modell das bedingte Quantil gut schätzen. Zusätzlich, werden zwei einfache Monitoring-Warnmethoden definiert. Die erste Methode zeigt rückwirkend für die Evaluationsperiode an, wenn zu viele realisierte Werte über dem geschätzten bedingten Quantil liegen (Verletzung). Die zweite Live-Monitoring-Methode identifiziert zu häufig aufeinander folgende Verletzungen des geschätzten Quantils. In einem Beispiel wird gezeigt, dass die Modell in Zusammenhang mit den Warnmethoden in der Lage sind eine abfallen der Energieeffizienz zu erkennen.ger
dc.description.abstractThis work presents an innovative approach on how to design and implement a power consumption monitoring system for industrial machines. The approach bases on the comparison of predictions of a conditional quantile model estimated in a reference period with the realized power consumption in an evaluation period. Three different non- and semiparametric quantile regression models including lagged explanatory variables were adopted. The findings indicate that these models are capable to model the conditional quantile well. Additionally, two simple monitoring warning methods were defined, the first one to detect an increased share of violations retrospectively and the other one to detect an elevated number of consecutive violations in a live-monitoring approach. In an example it could be shown that the warning methods are indeed able to detect an increase in power consumption.eng
dc.language.isoeng
dc.publisherHumboldt-Universität zu Berlin, Wirtschaftswissenschaftliche Fakultät
dc.rightsNamensnennung - Keine kommerzielle Nutzung - Weitergabe unter gleichen Bedingungen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/de/
dc.subjectStatistikger
dc.subjectEnergieeffizienzger
dc.subjectQuantilsregressionger
dc.subjectIndustrieger
dc.subjectEnergieverbrauchsüberwachungger
dc.subjectEnergieverbrauchger
dc.subjectIndustrieanlagenger
dc.subjectSemiparametrischger
dc.subjectNichtparametrischger
dc.subjectBacktestingger
dc.subjectstatisticseng
dc.subjectenergy efficiencyeng
dc.subjectquantile regressioneng
dc.subjectenergy monitoringeng
dc.subjectindustrial energy consumptioneng
dc.subjectenergy statisticseng
dc.subjectpower consumptioneng
dc.subjectindustrial power consumptioneng
dc.subjectmachine power consumptioneng
dc.subjectsemiparametriceng
dc.subjectnonparametriceng
dc.subjectbacktestingeng
dc.subject.ddc310 Sammlungen allgemeiner Statistiken
dc.subject.ddc330 Wirtschaft
dc.titleMonitoring Industrial Machine Power Consumption Using Non- and Semiparametric Quantile Regression
dc.typemasterThesis
dc.identifier.urnurn:nbn:de:kobv:11-100217037
dc.identifier.doihttp://dx.doi.org/10.18452/14208
dc.contributor.refereeCabrera, Brenda Lópet
dc.contributor.refereeHärdle, Wolfgang Karl
local.edoc.pages53
local.edoc.type-nameMasterarbeit
bua.departmentWirtschaftswissenschaftliche Fakultät

Show simple item record