Dissertação
Machine Learning to improve indoor climate and building energy performance EVALUATED
A utilização de modelos de controlo preditivo para a sistemas de gestão energética é cada vez mais popular na gestão de energia em edifícios. Estes sistemas controlam o desempenho do edifício baseados em modelos de previsão do consumo de edifício. A incerteza na operação de edifícios é um problema vital na utilização de modelos preditivos. O objetivo desta tese é o desenvolvimento de um preditor de conforto térmico para escritórios individualmente controlados, com base em condições meteorológicas utilizando Machine Learning. Com este propósito, são apresentados os fundamentos de conforto térmico interior e de Machine Learning. São ainda revistas as tendências recentes de investigação em edifícios e apresentada a metodologia para o desenvolvimento e teste do preditor para conforto térmico. Os resultados mostram que quer as redes neuronais artificiais, quer as ferramentas de regressão de processos gaussianos são capazes de prever as temperaturas de conforto baseadas em condições meteorológicas com precisão suficiente, e de forma melhor do que as temperaturas de referência utilizadas frequentemente. A aprendizagem supervisionada é capaz de reduzir a carga de aquecimento e reduzir o sobreaquecimento, mas não tem um impacto positivo na carga de arrefecimento.
outubro 24, 2017, 11:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
