Publication
Contribuição da indústria 4.0 em edifícios NZEB
| dc.contributor.advisor | Rodrigues, Filipe Martins | |
| dc.contributor.advisor | Domingues, Nuno Alexandre Soares | |
| dc.contributor.author | Soares, João Miguel Pereira Costa | |
| dc.date.accessioned | 2023-04-27T09:03:30Z | |
| dc.date.available | 2023-04-27T09:03:30Z | |
| dc.date.issued | 2022-12 | |
| dc.description | Trabalho Final de Mestrado para obtenção do grau de Mestre em Engenharia Mecânica | |
| dc.description.abstract | As alterações climáticas, com efeitos no aquecimento global e fenómenos naturais extremos, causado pelas emissões de Gases de Efeito de Estufa (GEE) e de CO2 equivalente, aliada à elevada dependência energética de fontes primárias de elevado impacte ambiental, levou à necessidade da União Europeia (UE) e dos seus Estados Membros (EM) promoverem uma transição energética com vista à descarbonização do setor energético. A promoção da eficiência energética e a promoção da produção e consumo de energia de origem renovável são os alicerces desta mudança de paradigma. Tendo em conta que o consumo de energia nos edifícios representa mais de 40% do consumo de eletricidade nas cidades, o desempenho energético neste sector é crucial no objectivo da descarbonização. Com a publicação da Diretiva 2010/31/EU, relativa ao desempenho energético dos edifícios surgiu o conceito de Nearly Zero Energy Building (NZEB), ou seja, o desempenho dos edifícios com um balanço energético tal que a sua necessidade de abastecimento de energia pelo exterior é quase nulo. Os NZEB são edifícios caracterizados por possuírem um elevado desempenho energético e sistemas próprios de produção de energia renovável, com os quais satisfazem parte das suas necessidades energéticas. Devido à complexidade da gestão em simultâneo do consumo e produção de energia que constam nos edifícios NZEB, e por forma a melhorar a eficiência energética dos mesmos, é de extrema importância que os NZEB tenham a capacidade de se adaptar às necessidades energéticas de cada momento, como tal, o recurso a aplicação de técnicas de Machine Learning na gestão dos edifícios é de extrema importância. No caso de estudo será demonstrada a capacidade dos algoritmos de Machine Learning na previsão de consumo futuro de energia de um edifício, tendo em conta as várias variáveis exógenas que podem impactar o mesmo, tal como variações de temperatura exterior, humidade relativa e luminosidade. Para tal foram treinados diferentes algoritmos de Machine Learning como o Light Gradient Boosted Machine Regressor, Linear Regression, Random Forest Regressor e Support Vector Regression, sendo no final feita a avaliação e comparação da precisão das suas previsões. | pt_PT |
| dc.description.abstract | The Global warming caused by Greenhouse Gas (GHG) emissions, combined with the high energy dependence of the European Union (EU) and its Member States (MS), has led to the need to promote an energy transition to decarbonize the energy sector. The promotion of energy efficiency and the production and consumption of energy from renewable sources are the foundations of this paradigm shift. Given that consumption in buildings represents more than 40% of electricity consumption in cities, their energy performance is crucial in the battle for decarbonization. With the publication of Directive 2010/31/EU, by the European Parliament, on the energy performance of buildings, the concept of Nearly Zero Energy Building (NZEB) emerged, that is, the performance of buildings with an almost zero energy balance. NZEBs are buildings characterized by having a high energy performance and their own renewable energy production systems, with which they meet part of their energy needs. Due to the complexity of the simultaneous management of energy consumption and production that are part of NZEB buildings, and to improve their energy efficiency, NZEBs must have the ability to adapt to the energy needs of each moment, as such, the use of Machine Learning techniques in building management is extremely important. In the case of study, the ability of Machine Learning algorithms to predict the future energy consumption of a building will be demonstrated, taking into account the various exogenous variables that can impact it, such as variations in outdoor temperature, relative humidity, and luminosity. For this purpose, different Machine Learning algorithms were trained, such as Light Gradient Boosted Machine Regressor, Linear Regression, Random Forest Regressor, and Support Vector Regression, and at the end, the evaluation and comparison of the accuracy of their predictions were carried out. | pt_PT |
| dc.description.version | info:eu-repo/semantics/publishedVersion | pt_PT |
| dc.identifier.citation | SOARES, João Miguel Pereira Costa – Contribuição da indústria 4.0 em edifícios NZEB. Lisboa: Instituto Superior de Engenharia de Lisboa, 2022. Dissertação de Mestrado. | pt_PT |
| dc.identifier.tid | 203282140 | |
| dc.identifier.uri | http://hdl.handle.net/10400.21/15949 | |
| dc.language.iso | por | pt_PT |
| dc.publisher | Instituto Superior de Engenharia de Lisboa | pt_PT |
| dc.subject | NZEB | pt_PT |
| dc.subject | Inteligência artificial | pt_PT |
| dc.subject | Machine learning | pt_PT |
| dc.subject | Algoritmos | pt_PT |
| dc.subject | Eficiência energética | pt_PT |
| dc.subject | Edifícios | pt_PT |
| dc.subject | Artificial intelligence | pt_PT |
| dc.subject | Algorithms | pt_PT |
| dc.subject | Energy efficiency | pt_PT |
| dc.subject | Buildings | pt_PT |
| dc.title | Contribuição da indústria 4.0 em edifícios NZEB | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| oaire.citation.endPage | 66 | pt_PT |
| oaire.citation.startPage | 1 | pt_PT |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |