Por favor, use este identificador para citar o enlazar este ítem: http://www.monografias.ufop.br/handle/35400000/5176
Título : Predição da eficiência energética de edifícios residenciais utilizando redes neurais artificiais.
Autor : Romão, Aline do Espirito Santo
metadata.dc.contributor.advisor: Leite, Sarah Negreiros de Carvalho
metadata.dc.contributor.referee: Leite, Sarah Negreiros de Carvalho
Zvietcovich, Wilingthon Guerra
Vargas, Guilherme Vettorazzi
Palabras clave : Aprendizado do computador
Carga e distribuição elétrica - previsão
Edifícios - energia elétrica - distribuição
Energia - conservação
Redes neurais - computação
Fecha de publicación : 2022
Citación : ROMÃO, Aline do Espirito Santo. Predição da eficiência energética de edifícios residenciais utilizando redes neurais artificiais. 2022. 46 f. Monografia (Graduação em Engenharia Elétrica) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2022.
Resumen : Métodos de aprendizado de máquina podem ser usados para ajudar a projetar edifícios, reduzindo as cargas de energia enquanto se mantem a temperatura interna em níveis desejados. O presente trabalho visa estudar o efeito de oito variáveis referentes a construção de edifícios, a saber: compacidade relativa, área de superfície, área da parede, área do telhado, altura total, orientação, área envidraçada e distribuição da área envidraçada, para prever duas variáveis de saída (carga de aquecimento e carga de refrigeração) utilizando redes neurais artificiais. A base de dados empregada considera dados de 768 edifícios. Foi realizada um estudo estatístico entre as variáveis e foram testados os parâmetros de modelos preditivos do tipo MultiLayer Perceptron (MLP) e Redes Convolucionais (CNN). Dentre os cenários testados, o método MLP forneceu um erro absoluto médio de 0.28 na predição da carga de aquecimento e de 0.36 para a predição da carga de aquecimento. O erro cometido pelo modelo proposto é menor que os relatados na literatura que também empregam a mesma base de dados.
metadata.dc.description.abstracten: Machine learning can help design buildings, reducing energy loads while maintaining inter nal temperature at desired levels. This study aims to evaluate the effect of eight variables referring to the construction of buildings, namely: relative compactness, surface area, wall area, roof area, overall height, orientation, glazing area and glazing area distribution, to predict two output variables (heating load and cooling load) using artificial neural networks. The database has data from 768 buildings. A statistical study was carried out considering different parameters of predictive models of the Multilayer Perceptron (MLP) and Convolutional Networks (CNN). Among the tested scenarios, the MLP provided a mean absolute error of 0.28 to predict the heating load and 0.36 for heating load prediction. In the best configuration, the error of our proposed model is smaller than those reported in the literature, considering the same database.
URI : http://www.monografias.ufop.br/handle/35400000/5176
Aparece en las colecciones: Engenharia Elétrica - JMV

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
MONOGRAFIA_PrediçãoEficiênciaEnergética.pdf763,14 kBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons