Gomes, Luís Filipe de OliveiraRibeiro, Bruno Emanuel Soares2024-07-292024-07-292024-07-05http://hdl.handle.net/10400.22/25842Desde o Acordo de Paris, adotado em 2015, diversas estratégias e metas climáticas ambiciosas têm sido estabelecidas, tanto a nível mundial como europeu, com o objetivo de alcançar a neutralidade carbónica a longo prazo. Esta pressão global impulsiona a adoção de medidas que promovam a descarbonização em todos os setores, sendo o setor energético um dos principais focos. Contudo, as emissões de CO2 continuam a aumentar, com o setor energético a ser um dos principais responsáveis. Nos tempos atuais, os sistemas de Aquecimento, Ventilação e Ar Condicionado (AVAC) assumem uma importância crucial no consumo energético dos edifícios. Esta relevância suscita a necessidade premente de racionalizar e otimizar os consumos energéticos associados a estes sistemas. A inteligência artificial surge como uma solução inovadora para o controlo inteligente e eficiente dos sistemas AVAC. Como tal, o presente estudo propõem-se a aplicar modelos baseados em inteligência artificial para o controlo de sistemas AVAC. Dada a abrangência do tema da inteligência artificial, foi necessário delinear um percurso específico ao longo do desenvolvimento deste trabalho, culminando na escolha de três modelos de inteligência artificial: random forest, árvore de decisão e Redes Neuronais Feedforward (FFNN). Estes modelos foram desenvolvidos e testados em Jupyter Notebooks, em Python. A alta fiabilidade desejada para os sistemas AVAC impõe a descoberta de métodos para tornar a sua gestão mais eficiente, assegurando simultaneamente o conforto dos ocupantes. Assim, esta dissertação tem como objetivo explorar e testar soluções para a gestão proativa e eficiente destes equipamentos. Para testar e validar a aplicabilidade e eficiência dos modelos propostos, foram considerados três casos de estudo que permitem analisar o desempenho dos modelos de inteligência artificial com base em diferentes métricas, tipos de dados recolhidos e variáveis de conforto. Os resultados obtidos demonstram a capacidade dos modelos de inteligência artificial serem implementados em diversos contextos, mostrando-se eficazes na melhoria do conforto e na sustentabilidade das comunidades. Como prova disso, o modelo de árvore de decisão foi aplicado num edifício inteligente e foi capaz de proceder de forma automática e contínua à gestão inteligente e eficaz de um sistema AVAC.Since the Paris Agreement, adopted in 2015, various ambitious climate strategies and goals have been established at both the global and European levels with the aim of achieving long-term carbon neutrality. This global pressure drives the adoption of measures that promote decarbonization across all sectors, with the energy sector being a primary focus. However, CO2 emissions continue to rise, with the energy sector being one of the main contributors. In current times, Heating, Ventilation, and Air Conditioning (HVAC) systems play a crucial role in the energy consumption of buildings. This significance highlights the urgent need to rationalize and optimize the energy consumption associated with these systems. Artificial intelligence emerges as an innovative solution for the intelligent and efficient control of HVAC systems. Therefore, this study aims to apply AI-based models for the control of HVAC systems. Given the broad scope of artificial intelligence, it was necessary to outline a specific path throughout the development of this work, culminating in the selection of three AI models: Random Forest, Decision Tree, and Feedforward Neural Networks (FFNN). These models were developed and tested in Jupyter Notebooks using Python. The high reliability desired for HVAC systems imposes the discovery of methods to make their management more efficient while simultaneously ensuring occupant comfort. Thus, this dissertation aims to explore and test solutions for the proactive and efficient management of these systems. To test and validate the applicability and efficiency of the proposed models, three case studies were considered, allowing for the analysis of AI model performance based on different metrics, types of collected data, and comfort variables. The results obtained demonstrate the capability of AI models to be implemented in various contexts, proving effective in enhancing comfort and the sustainability of communities. As evidence of this, the decision tree model was applied in an intelligent building and was able to autonomously and continuously manage an HVAC system in an intelligent and effective manner.porArtificial IntelligenceDecision TreeEnergy EfficiencyFeedforward Neural NetworksHVACRandom ForestAVACEficiência energéticaInteligência artificialRandom forestRedes neuronaisÁrvore de decisãomaster thesis203667018