Uso de inteligência artificial para modelação de perfis energéticos em casas inteligentes

Abstract

Nas últimas décadas, a crescente preocupação com o meio ambiente e a preservação dos recursos naturais tem ganhado destaque na sociedade. Dado que edifícios residenciais representam uma das maiores fontes de consumo energético, é imperativo melhorar sua eficiência energética. Esta dissertação teve como objetivo principal a análise e exploração de técnicas de estatística e machine learning com o propósito de identificar perfis de consumo energético. A motivação subjacente a este estudo residia na necessidade de compreender e categorizar os padrões de consumo de energia, uma questão de extrema relevância no contexto atual de conservação de recursos e sustentabilidade. O estudo visou identificar técnicas capazes de analisar conjuntos de dados de diferentes tamanhos, a fim de fornecer insights valiosos para a gestão eficiente de recursos energéticos. Para atingir esse propósito, foi utilizado um conjunto de dados real que contém informações de consumo energético registadas ao longo de um ano num conjunto pequeno de habitações. Os resultados revelaram que a combinação de técnicas de machine learning clássicas, como o algoritmo k-means para séries temporais, juntamente com técnicas estatísticas, incluindo a decomposição da série temporal, demonstrou ser eficaz na tarefa de agrupar os dados com base nos níveis de consumo de energia e na extração de informações relacionadas à sazonalidade e tendência nos dados. Com base na exploração e análise realizada, foi desenvolvida uma abordagem que pode ser aplicada em outras bases de dados com características semelhantes. Especificamente, os resultados obtidos demonstram utilidade em contextos mais abrangentes e em diversas situações de análise de consumo energético. Em particular, será útil para o trabalho a ser desenvolvido no âmbito do projeto “PRR - R2UTechnologies | modular system.”

In recent decades, the growing concern for the environment and natural resource preservation has gained prominence in society. Considering that residential buildings constitute one of the largest sources of energy consumption, it is imperative to enhance their energy efficiency. The main objective of this dissertation was to analyze and explore techniques in statistics and machine learning for the purpose of identifying energy consumption profiles. The underlying motivation for this study stems from the pressing need to comprehend and categorize energy consumption patterns, a matter of utmost significance in the current context of resource conservation and sustainability. The study aimed to identify techniques capable of analyzing datasets of varying sizes, to provide valuable insights for the efficient management of energy resources. To achieve this, a real dataset containing energy consumption information recorded over a year in a small set of residential units was utilized. The results revealed that the combination of classical machine learning techniques, such as the k-means algorithm for time series, along with statistical techniques, including time series decomposition, proved to be effective in clustering the data based on energy consumption levels and extracting information related to seasonality and trend within the data. Based on the exploration and analysis conducted, an approach has been developed that can be applied to other datasets with similar characteristics. Specifically, the obtained results demonstrate utility in broader contexts and various situations related to energy consumption analysis. Particularly, this approach will be valuable for the work to be undertaken within the scope of the “PRR - R2UTechnologies | modular system”project.