Framework para benchmarking em eficiência energética em portfólio de edificações com uso de machine learning e DEA
| Autor: | Silva, Haroldo Luiz Nogueira da |
|---|---|
| Přispěvatelé: | Lourenço, Sérgio Ricardo, Sant'Ana, Paulo Henrique de Mello, Massote, Alexandre Augusto, Kanayama, Paulo Helio, Fávero, Patrícia Belfiore, Cassiano, Douglas Alves |
| Jazyk: | portugalština |
| Rok vydání: | 2019 |
| Předmět: | |
| Zdroj: | Repositório Institucional da UFABC Universidade Federal do ABC (UFABC) instacron:UFABC |
| Popis: | Orientador: Prof. Dr. Sérgio Ricardo Lourenço Coorientador: Prof. Dr. Paulo Henrique de Mello Sant¿Ana Tese (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 buildings |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|