Publication
Previsão de consumos de energia associados à climatização em edifícios de serviços com base em estratégias de Machine Learning
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia do Ambiente | pt_PT |
| dc.contributor.advisor | Bernardo, Hermano Joaquim dos Santos | |
| dc.contributor.advisor | Sousa, João Miguel Charrua de | |
| dc.contributor.author | Godinho, Xavier Dinis Valeiro | |
| dc.date.accessioned | 2021-03-29T09:07:49Z | |
| dc.date.available | 2021-03-29T09:07:49Z | |
| dc.date.issued | 2020-01-22 | |
| dc.description | Este trabalho foi apoiado por fundos FEDER e fundos Nacionais através da FCT no âmbito dos projetos ESGRIDS (POCI-01-0145-FEDER-016434) e MAnAGER (POCI-01- 0145-FEDER- 028040). | |
| dc.description | Este trabalho foi apoiado por fundos FEDER e fundos Nacionais através da FCT no âmbito dos projetos ESGRIDS (POCI-01-0145-FEDER-016434) e MAnAGER (POCI-01-0145-FEDER- 028040). Trabalho desenvolvido no âmbito da Bolsa de Investigação UI0308-ML2Building.1/2019, promovida pelo INESC Coimbra – Instituto de Engenharia de Sistemas e Computadores de Coimbra, com a duração total de 12 meses. | |
| dc.description.abstract | A previsão de consumos energéticos tem vindo a ganhar uma grande notoriedade nos últimos anos pelo seu papel na gestão e monitorização de consumos dos edifícios. Além disso, através da análise do padrão de consumos energéticos, é possível estudar algumas potenciais medidas de poupança de consumos, bem como detetar algumas falhas operacionais, seja de consumos excessivos ou inferiores ao esperado. Com o aumento da tecnologia que tem sido desenvolvida e o número de sensores que têm sido instalados nos edifícios, a quantidade e qualidade da informação associada aos edifícios tem melhorado, o que permite uma melhor performance dos modelos associados ao machine learning. Com base nisso, foram desenvolvidos nesta dissertação modelos de previsão baseados em diferentes técnicas de machine learning para prever as necessidades de aquecimento e arrefecimento para o dia seguinte de um edifício de escritórios localizado no Parque das Nações, Lisboa. Os modelos selecionados para este fim foram as redes neuronais artificiais e os modelos baseados em máquinas de vetores de suporte. Além disso, foi ainda estudada uma variação dos modelos SVM aplicando o simulated annealing como meta-heurística para otimizar os parâmetros destes modelos. Os históricos de potência e algumas variáveis exógenas (tais como a temperatura exterior, o perfil de ocupação, a humidade relativa, entre outras…) foram utilizados como variáveis de entrada para alimentar os modelos de forma a perceber a sua influência na previsão das necessidades de aquecimento e arrefecimento. As métricas de erro utilizadas para comparar os valores previstos pelos modelos com os valores utilizados como referência foram o erro médio absoluto e o erro médio quadrático. As variáveis mais influentes nas previsões das necessidades de aquecimento foram os históricos de potência, a temperatura exterior e a radiação solar direta. Já no período de arrefecimento, além dos históricos de potência e da temperatura exterior, também o perfil de ocupação e a humidade relativa permitiram aos modelos prever com precisão as necessidades de arrefecimento do edifício. | pt_PT |
| dc.identifier.tid | 202685039 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.8/5549 | |
| dc.language.iso | por | pt_PT |
| dc.relation | POCI-01-0145-FEDER-016434 | pt_PT |
| dc.relation | POCI-01- 0145-FEDER- 028040 | |
| dc.subject | Machine Learning | pt_PT |
| dc.subject | Máquinas de vetores de suporte | pt_PT |
| dc.subject | Previsão de consumos | pt_PT |
| dc.subject | Redes neuronais artificiais | pt_PT |
| dc.subject | Simulated annealing | pt_PT |
| dc.title | Previsão de consumos de energia associados à climatização em edifícios de serviços com base em estratégias de Machine Learning | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Engenharia da Energia e do Ambiente | pt_PT |
Files
Original bundle
1 - 1 of 1
Loading...
- Name:
- Dissertação_Xavier_Godinho_com_correções_formais.pdf
- Size:
- 5.28 MB
- Format:
- Adobe Portable Document Format
- Description: