Desenvolvimento De Uma AplicaçãO Web Para Monitoramento De Sistemas De Armazenamento De Energia Integrado Com Digital Twin
Bibliographic record
Abstract
A demanda por fontes renováveis e a necessidade de sistemas de armazenamento de energia impulsionam a adoção de tecnologias de aquisição e supervisão de dados capazes de acompanhar e gerenciar o desempenho desses sistemas. Este trabalho apresenta o desenvolvimento de um Supervisory Control and Data Acquisition (SCADA) voltado ao acompanhamento do funcionamento de baterias em sistemas de armazenamento de energia. A metodologia empregada neste trabalho apresenta o desenvolvimento de um sistema SCADA integrado a um Digital Twin (DT) voltado para o gerenciamento térmico de baterias. O sistema proposto foi implementado com tecnologias de código aberto, incluindo Flask, Docker, Dojot e tecnologias web, operando em uma arquitetura ClienteServidor. A aplicação possibilita o monitoramento online de grandezas elétricas e térmicas, como temperatura da bateria, Estado de Carga (SoC, sigla do termo em inglês), Estado de Saúde (SoH, sigla do termo em inglês) e tempo de operação. Dessa forma, o sistema pode ser utilizado pelos gestores e operadores na tomada de decisões, permitindo a identificação de anomalias térmicas e auxiliando na manutenção preventiva. Os resultados demonstram que o sistema desenvolvido possibilita o monitoramento do comportamento térmico das baterias, contribuindo para o aumento da vida útil e segurança dos sistemas de armazenamento de energia elétrica. O sistema desenvolvido foi originado no âmbito de um Projeto de Pesquisa e Desenvolvimento da Agência Nacional de Energia Elétrica (ANEEL), através de uma parceria entre a Concessionária de Energia Norte Energia S.A, a Universidade Federal do Pará e outras empresas privadas.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".