Framework para benchmarking em eficiência energética em portfólio de edificações com uso de machine learning e DEA

Detalhes bibliográficos
Autor(a) principal: Silva, Haroldo Luiz Nogueira da
Data de Publicação: 2019
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFABC
Texto Completo: http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121757
Resumo: Orientador: Prof. Dr. Sérgio Ricardo Lourenço
id UFBC_2a38b5d589d1d44df0e25148d3a4db19
oai_identifier_str oai:BDTD:121757
network_acronym_str UFBC
network_name_str Repositório Institucional da UFABC
repository_id_str
spelling Framework para benchmarking em eficiência energética em portfólio de edificações com uso de machine learning e DEAEFICIÊNCIA ENERGÉTICABENCHMARKINGEDIFICAÇÕESMACHINE LEARNINGDEAENERGY EFFICIENCYBUILDINGSPROGRAMA DE PÓS-GRADUAÇÃO EM ENERGIA - UFABCOrientador: Prof. Dr. Sérgio Ricardo LourençoCoorientador: Prof. Dr. Paulo Henrique de Mello Sant¿AnaTese (Doutorado) - Universidade Federal do ABC, Programa de Pós-Graduação em Energia, São Bernardo do Campo, 2019.O setor de edifícios representa um dos maiores consumidores de energia no Brasil e no mundo. Entretanto, nenhum outro segmento apresenta um potencial tão elevado de melhora na eficiência energética. Diversas políticas são utilizadas com esse objetivo e o benchmarking energético figura entre as mais utilizadas. Nesse sentido, o desenvolvimento de metodologias de benchmarking considerando dados reais de consumo, e outras variáveis que caracterizam a eficiência na gestão e uso de energia para edificações de uso similar, pode atuar de forma positiva. Assim, o presente trabalho apresenta uma metodologia de benchmarking que extrapola a fronteira do consumo de energia e avalia questões gerenciais na temática energética. Para isso é desenvolvido um modelo preditivo com uso de algoritmos de machine learning para predição do consumo de energia para comparação com consumo real, além de variáveis características ligadas à gestão, como contratação ideal de demanda de energia, baixo uso de energia reativa, e consumo de energia em períodos sazonais de baixa ocupação. Uma escala de eficiência considerando tais variáveis, é construída com uso de DEA aplicado a um portfólio de escolas técnicas no estado de São Paulo. Os resultados da aplicação da metodologia proposta, apontaram potenciais de economia nas escolas ineficientes, em comparação às mais eficientes, de 11,38% no consumo de energia ativa anual, 18,02% de redução anual na energia excedente reativa, e uma redução de 23,85% no desvio na contratação de demanda junto às concessionárias de energia.Buildings represent one of the largest energy consumers in Brazil and also in the world. However, no other segment has such a high potential for improving energy efficiency. Several policies have been applied for this purpose and energy benchmarking is one the most relevant. In this sense, the development of benchmarking methodologies considering real consumption data and other variables, that characterize the efficiency in the management and use of energy for buildings of similar use, can help to improve energy efficiency. Thus, the present work presents a methodology of benchmarking that goes beyond energy consumption and evaluates managerial issues. For this, a predictive model is developed through machine learning algorithms aiming to predict energy consumption and compare the results with the real consumption. Features related to management issues were created, such as optimal contracting of energy demand, low reactive energy use, and consumption of low seasonal occupancy. An efficiency scale considering these features was created using DEA applied to a portfolio of buildings that dwells vocational schools in the São Paulo state, Brazil. The results of the application of the proposed methodology showed energy saving potential in inefficient schools of 11.38% in annual active energy consumption, 18.02% annual reduction in reactive surplus energy, and a reduction of 23.85% in the deviation in the contracted peek demand from the energy concessionaires when compared to the most efficient school buildingsLourenço, Sérgio RicardoSant'Ana, Paulo Henrique de MelloMassote, Alexandre AugustoKanayama, Paulo HelioFávero, Patrícia BelfioreCassiano, Douglas AlvesSilva, Haroldo Luiz Nogueira da2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf153 f.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121757http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121757&midiaext=78410http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121757&midiaext=78409Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=121757porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2022-03-22T16:21:28Zoai:BDTD:121757Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2022-03-22T16:21:28Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false
dc.title.none.fl_str_mv Framework para benchmarking em eficiência energética em portfólio de edificações com uso de machine learning e DEA
title Framework para benchmarking em eficiência energética em portfólio de edificações com uso de machine learning e DEA
spellingShingle Framework para benchmarking em eficiência energética em portfólio de edificações com uso de machine learning e DEA
Silva, Haroldo Luiz Nogueira da
EFICIÊNCIA ENERGÉTICA
BENCHMARKING
EDIFICAÇÕES
MACHINE LEARNING
DEA
ENERGY EFFICIENCY
BUILDINGS
PROGRAMA DE PÓS-GRADUAÇÃO EM ENERGIA - UFABC
title_short Framework para benchmarking em eficiência energética em portfólio de edificações com uso de machine learning e DEA
title_full Framework para benchmarking em eficiência energética em portfólio de edificações com uso de machine learning e DEA
title_fullStr Framework para benchmarking em eficiência energética em portfólio de edificações com uso de machine learning e DEA
title_full_unstemmed Framework para benchmarking em eficiência energética em portfólio de edificações com uso de machine learning e DEA
title_sort Framework para benchmarking em eficiência energética em portfólio de edificações com uso de machine learning e DEA
author Silva, Haroldo Luiz Nogueira da
author_facet Silva, Haroldo Luiz Nogueira da
author_role author
dc.contributor.none.fl_str_mv Lourenço, Sérgio Ricardo
Sant'Ana, Paulo Henrique de Mello
Massote, Alexandre Augusto
Kanayama, Paulo Helio
Fávero, Patrícia Belfiore
Cassiano, Douglas Alves
dc.contributor.author.fl_str_mv Silva, Haroldo Luiz Nogueira da
dc.subject.por.fl_str_mv EFICIÊNCIA ENERGÉTICA
BENCHMARKING
EDIFICAÇÕES
MACHINE LEARNING
DEA
ENERGY EFFICIENCY
BUILDINGS
PROGRAMA DE PÓS-GRADUAÇÃO EM ENERGIA - UFABC
topic EFICIÊNCIA ENERGÉTICA
BENCHMARKING
EDIFICAÇÕES
MACHINE LEARNING
DEA
ENERGY EFFICIENCY
BUILDINGS
PROGRAMA DE PÓS-GRADUAÇÃO EM ENERGIA - UFABC
description Orientador: Prof. Dr. Sérgio Ricardo Lourenço
publishDate 2019
dc.date.none.fl_str_mv 2019
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121757
url http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121757
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121757&midiaext=78410
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121757&midiaext=78409
Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=121757
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
153 f.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFABC
instname:Universidade Federal do ABC (UFABC)
instacron:UFABC
instname_str Universidade Federal do ABC (UFABC)
instacron_str UFABC
institution UFABC
reponame_str Repositório Institucional da UFABC
collection Repositório Institucional da UFABC
repository.name.fl_str_mv Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)
repository.mail.fl_str_mv
_version_ 1799772946678415360

Registros relacionados