Vale, Zita Maria Almeida doTeixeira , Brígida Constança CorreiaGOMES, LETÍCIA MILENE CONCEIÇÃO2025-11-182025-11-182025-10-15http://hdl.handle.net/10400.22/30972The accelerated growth of photovoltaic installations and evolving patterns of energy consumption have reshaped the global energy landscape. Solar energy systems continue to expand due to declining costs, improved efficiency, and strong policy commitments to sustainability. In parallel, global efforts to replace fossil fuels with renewable energy sources have led to exponential increases in solar energy capacity. This growth has fostered smart energy communities, with smart buildings acting as intermediaries between community-level coordination and individual end-users. However, tools to help users understand, optimize, and adapt their energy consumption remain limited. End-users often lack the technical expertise to interpret forecasts or act upon these forecasts effectively. Most machine learning models used for prediction operate as black boxes, limiting user trust and actionable insights. Furthermore, the absence of mechanisms to justify or adapt predictions leaves systems vulnerable to error propagation and misaligned decision-making. The need for explainable, automated, and context-aware energy management frameworks is therefore critical, particularly those that combine datadriven learning with interpretable rule-based reasoning. Multi-agent systems have emerged as a powerful tool for organizing and coordinating distributed tasks in complex environments. By delegating responsibilities to specialized agents capable of autonomous operation and communication, these systems enable decentralized processing, continuous adaptation, and modular expansion. In the energy domain, this solution is particularly well-suited for handling the heterogeneity of data sources, forecasting needs, and contextual behaviors. Its use ensures that various functionalities, such as data handling, decision-making, model updating, and result dissemination, can be managed concurrently and cooperatively. This dissertation proposes a modular forecasting system to support energy management, specifically designed for smart buildings, which are a key component of smart energy communities. It is designed to deliver accurate and adaptive forecasts, provide explainable insights tailored to diverse user knowledge profiles, and maintain sustained model quality under changing operational conditions, thereby supporting informed decision-making. To achieve these objectives, the system adopts a multi-agent architecture in which autonomous agents handle tasks such as data acquisition, context detection, model training, prediction, adaptation, and communication. The system’s effectiveness is demonstrated through five real-world building case studies, covering forecasting, model selection, system and results explanation, adaptation, retraining, and full multi-agent system orchestration. Results confirm its ability to deliver accurate, explainable, and adaptive forecasts under dynamic conditions, supporting more sustainable and trustworthy decision-making.O crescimento das instalações fotovoltaicas e a evolução dos padrões de consumo energético têm transformado o panorama global. A expansão dos sistemas solares, impulsionada pela redução de custos, ganhos de eficiência e compromissos com a sustentabilidade, e os esforços para substituir combustíveis fósseis por renováveis, levaram a aumentos significativos na capacidade solar. Este crescimento também estimulou o aparecimento de comunidades energéticas inteligentes, onde edifícios inteligentes mediam entre a coordenação comunitária e as experiências energéticas dos utilizadores finais. Contudo, ainda faltam ferramentas que ajudem os utilizadores a compreender, otimizar e adaptar os seus padrões de consumo e geração. Os residentes não possuem o conhecimento técnico necessário para interpretar previsões ou reagir de forma eficaz. A maioria dos modelos de aprendizagem automática utilizados para previsão opera como caixas negras, limitando a confiança e a capacidade de ação. A ausência de mecanismos para justificar ou adaptar previsões compromete a fiabilidade do sistema e a coerência das decisões, tornando essencial o desenvolvimento de sistemas de gestão de energia automatizados, explicáveis e sensíveis ao contexto. Os sistemas multiagente têm-se afirmado como abordagem eficaz para coordenar tarefas distribuídas em ambientes complexos. Ao delegar responsabilidades a agentes especializados, autónomos e cooperativos, permitem processamento descentralizado, adaptação contínua e expansão modular. No domínio energético, esta estrutura é especialmente adequada para lidar com a diversidade de fontes de dados, necessidades preditivas e comportamentos contextuais, assegurando que tarefas como tratamento de dados, decisão, retreino e disseminação sejam geridas de forma paralela e integrada. Esta dissertação propõe um sistema de previsão modular para apoiar a gestão energética, especificamente concebido para edifícios inteligentes, que constituem componentes centrais das comunidades energéticas inteligentes. O sistema foi concebido para fornecer previsões precisas e adaptativas, disponibilizar explicações ajustadas a diferentes perfis de conhecimento dos utilizadores e manter a qualidade dos modelos em condições operacionais variáveis. Para atingir estes objetivos, o sistema adota uma arquitetura multiagente na qual agentes autónomos gerem tarefas como aquisição de dados, deteção de contexto, treino de modelos, previsão, adaptação e comunicação. A eficácia da proposta é validada através de cinco casos de estudos realizados em um edifício real, abordando previsão, explicação, adaptação, retreino e orquestração multiagente. Os resultados demonstram a capacidade do sistema para gerar previsões precisas, explicáveis e adaptativas, promovendo decisões energéticas mais fundamentadas e sustentáveis.engContext-Aware SystemsExplainable Artificial IntelligenceDynamic RetrainMulti-Agent SystemsReinforcement LearningSmart BuildingsAprendizagem por reforçoEdifícios inteligentesInteligência artificial explicávelRetreino dinâmicoSistemas multiagenteSistemas sensíveis ao contextomaster thesis204033888