Algoritmos de gestão ativa da procura em edifícios
Maria João Dias Machado
Dissertação para obtenção do Grau de Mestre em
Engenharia Mecânica
Orientadores: Prof. Carlos Augusto Santos Silva
Prof. Paulo Manuel Cadete Ferrão
Júri
Presidente: Prof. Mário Manuel Gonçalves da Costa
Orientador: Prof. Carlos Augusto Santos Silva
Vogal: Eng. Mário Miguel Franco Marques de Matos
Outubro de 2014
I
AGRADECIMENTOS
Em primeiro lugar gostaria de agradecer ao meu orientador, Professor Carlos Silva pela
disponibilidade e apoio na orientação durante todo o desenvolvimento desta dissertação e ao
Professor Paulo Ferrão pela sua importância na existência do tema desta dissertação.
Em segundo lugar gostaria de agradecer ao Henrique Pombeiro por todo o esforço e
disponibilidade demonstrada durante a elaboração deste trabalho.
Agradeço também a todos os meus amigos, Rita, Patrícia, Vasco, Carrelha, Marçal, Mário,
Joaquim, Gonçalo e Jota pela força e motivação dada durante estes meses. Aos meus coleguinhas de
almoço, Dias e Ochoa, obrigada pelos momentos de descontração. Ao Pedro, por toda a força,
motivação, cumplicidade e paciência durante estes meses.
Por último, gostaria de demonstrar uma enorme gratidão à minha família por todo o apoio,
motivação, valores que me transmitiram e pelos meios que me proporcionaram para que esta etapa
da minha vida fosse possível.
ii
ABSTRACT
One of the big challenges that modern society must face consists of the decreasing of energy
consumption or using energy more efficiently. It exist a high potential to increase energy efficiency
and energy saving in the building sector. This energetic change must have into account the comfort
of their occupants, so the use of energy management systems that adjust energy demand for their
production, taking into account tariff, daily routines, comfort and other types of constraints, is an
asset to satisfy these two conflicting demands.
The objective of this thesis is to design a demand-response algorithm to adjust the electricity
consumption to the tariff, the users’ comfort and the availability of renewable electricity. These
algorithm was implemented with the support of Matlab and EnergyPlus software and tested in the
Energy in Buildings laboratory at Instituto Superior Técnico in Tagus Park campus. Besides the
creation of a new algorithm, it is intended to implement an existing algorithm in the literature and
make an analysis of results of these two models.
It was concluded that in all models, the percentage of comfort decreases and the percentage
of cost increases when the emphasis given to the cost is increased.The model which uses dynamic
programing is able to obtain an optimal solution. However, due to its limitations, the solution
obtained with this model were less accurate solutions when compared with the genetic algorithm.
Key-words: energy efficiency, optimization, human comfort, renewable energy, active management.
iii
RESUMO
Um dos grandes desafios que a sociedade moderna tem de superar consiste na diminuição
do consumo de energia, ou o uso desta de forma mais eficiente. No sector dos edifícios existe um
elevado potencial de aumento de eficiência energética e poupança de energia. Mas esta alteração
energética tem de ter em consideração o conforto dos seus ocupantes, desta forma o uso de
sistemas de gestão de energia que procuram ajustar a procura de energia à sua produção, tendo em
conta tarifários, rotinas diárias, conforto e outros tipos de constrangimentos, é uma mais-valia para a
satisfazer estas duas exigências opostas.
Esta dissertação tem como objetivo desenhar um algoritmo de gestão ativa da procura que
ajuste o consumo de energia à produção de energia proveniente de fontes renováveis, aos preços
praticados naquele instante e ao conforto dos utilizadores. Este algoritmo foi implementado com o
auxílio do software Matlab e EnergyPlus e testado no laboratório de energia no edifício d
o Instituto Superior Técnico, no campus Taguspark. Para além da criação de um novo algoritmo,
pretende-se também implementar um algoritmo existente na literatura e fazer uma análise de
resultados aos dois modelos implementados.
Conclui-se que, em todos os modelos, com o aumento da importância a dar ao custo a
percentagem de conforto diminui e a percentagem de custo aumenta. O modelo que utiliza a
programação dinâmica, apesar de obter a solução ótima, devido às suas limitações, obtém resultados
inferiores ao modelo que utiliza o algoritmo genético.
Palavras-chave: eficiência energética, otimização, conforto humano, energias renováveis, gestão
ativa.
iv
ÍNDICE
ÍNDICE ................................................................................................................................................ v
1
INTRODUÇÃO ..............................................................................................................................1
1.1 Motivação .............................................................................................................................. 1
1.2 Objetivos ................................................................................................................................ 2
1.3 Contributos ............................................................................................................................ 2
1.4 Estrutura ................................................................................................................................ 2
2
REVISÃO BIBLIOGRÁFICA .............................................................................................................4
2.1 Consumo de Energia Elétrica no Sector Residencial ................................................................ 4
2.1.1 Potencial de sistemas de controlo automático do consumo de energia..............................5
2.1.2 Comportamentos relativos ao consumo de energia elétrica ...............................................6
2.2 Climatização de Edifícios......................................................................................................... 8
2.3 Estratégias de Gestão de Energia .......................................................................................... 13
2.4 Algoritmos de Otimização ..................................................................................................... 16
2.4.1 Programação dinâmica .................................................................................................... 16
2.4.2 Programação Linear......................................................................................................... 17
2.4.3 Algoritmos Genéticos ...................................................................................................... 18
2.4.4 Teoria dos Jogos .............................................................................................................. 20
3
Descrição do caso de estudo ..................................................................................................... 22
3.1 Caracterização física e funcional ........................................................................................... 22
3.1.1 Localização ...................................................................................................................... 22
3.1.2 Análise da construção ...................................................................................................... 23
3.1.3 Equipamentos controlados pelo utilizador ....................................................................... 23
3.1.4 Equipamentos de medição .............................................................................................. 25
3.1.5 Equipamentos de geração de energia elétrica.................................................................. 26
3.2 Modelação ........................................................................................................................... 27
3.2.1 Modelo térmico simplificado ........................................................................................... 27
3.2.2 Modelo de EnergyPlus ..................................................................................................... 29
3.3 Validação dos modelos ......................................................................................................... 31
3.3.1 Sem climatização ............................................................................................................. 31
3.3.2 Com climatização............................................................................................................. 32
3.4 Modelo de Conforto térmico ................................................................................................ 34
3.5 Modelo de Previsão de Produção de Energia Solar ............................................................... 35
v
4
Modelos de Otimização ............................................................................................................. 36
4.1 Modelo Energy Box .............................................................................................................. 36
4.1.1 Variáveis de Decisão ........................................................................................................ 36
4.1.2 Regras de Transição ......................................................................................................... 36
4.1.3 Função Objetivo .............................................................................................................. 37
4.1.4 Descrição do Modelo ....................................................................................................... 38
4.2 Modelo Algoritmo Genético ................................................................................................. 39
4.2.1 Variáveis de entrada ........................................................................................................ 41
4.2.2 Função Objetivo .............................................................................................................. 41
4.2.3 Constrangimentos ........................................................................................................... 42
5
Resultados ................................................................................................................................ 43
5.1 EnergyBox VS Versão 1 Modelo Algoritmo Genético (Simulação) .......................................... 43
5.2 Versão 2 Modelo Algoritmo Genético (Simulação) ................................................................ 48
5.2.1 Ensaios 1 a 5 com 40 elementos e 40 gerações ................................................................ 48
5.2.1 Ensaios 3 e 5 com 100 elementos e 100 gerações ............................................................ 52
5.3 Versão 2 Modelo Algoritmo Genético (Ensaio real) ............................................................... 55
5.4 Versão 3 Modelo Algoritmo Genético ................................................................................... 57
6
Conclusão ................................................................................................................................. 60
REFERÊNCIAS .................................................................................................................................... 62
APÊNDICES ......................................................................................................................................... a
vi
LISTA DE TABELAS
Tabela 2.1 - Gamas de iluminância por diferentes tarefas ou atividades segundo a norma ISO 8995
[15]. .................................................................................................................................................. 12
Tabela 2.2 – Requisitos de qualidade do ar interior ........................................................................... 13
Tabela 3.1 – Áreas em contacto com as envolventes exteriores e interiores...................................... 23
Tabela 3.2 – Caraterísticas da Iluminação. ......................................................................................... 23
Tabela 3.3 - Caraterísticas do ventilo-convetor e do sistema de distribuição de água. ....................... 25
Tabela 3.4 – Sensores no interior da sala........................................................................................... 25
Tabela 3.5 - Tabela de preços da energia ativa. ................................................................................. 26
Tabela 3.6 - Especificações dos equipamentos de geração e armazenamento de energia. ................. 26
Tabela 3.7 – Erros absolutos médios e respetivo desvio padrão nas três velocidades de
funcionamento para os dois modelos ............................................................................................... 33
Tabela 5.1 – Parâmetros utilizados nos vários ensaios. ...................................................................... 44
Tabela 5.2 – Resultados do ensaio 1,
=0 ou
Tabela 5.3 – Resultados do ensaio 2,
=0,3 ou
=1, FO – função objetivo. ......................... 45
=1 ......................................................... 45
Tabela 5.4 - Resultados do ensaio 3,
=0,5 ou
=1 ........................................................... 45
Tabela 5.5 - Resultados do ensaio 4,
=0,7 ou
=1 .......................................................... 45
Tabela 5.6 - Resultados do ensaio 5,
=1 ou
=1 ............................................................. 45
Tabela 5.7 - Resultados do ensaio 1,
=0 ou
=1 ............................................................. 48
Tabela 5.8 - Resultados do ensaio 2,
=0,3 ou
=1 .......................................................... 49
Tabela 5.9 - Resultados do ensaio 3,
=0,5 ou
=1 .......................................................... 49
Tabela 5.10 - Resultados do ensaio 4,
=0,7 ou
Tabela 5.11 - Resultados do ensaio 5,
=1 ou
Tabela 5.12 - Resultados do ensaio 3,
=0,5 ou
Tabela 5.13 - Resultados do ensaio 5,
=1 ou
=1 ........................................................ 49
=1 ........................................................... 49
=1 ........................................................ 52
=1 ........................................................... 52
Tabela 5.14 - Horário de todas as atividades realizadas. .................................................................... 55
Tabela 5.15 – Comparação entre a versão três e a versão dois do modelo algoritmo genético. ......... 58
vii
LISTA DE FIGURAS
Figura 2.1 – (Esquerda) Consumo de eletricidade no sector residencial, separada por diferentes tipos
de aplicações [6]. ................................................................................................................................4
Figura 2.2 – (Direita) Consumo de energia dos aparelhos [6]. ..............................................................4
Figura 2.3 – Energia consumida numa habitação diferenciada por tarefas ou aparelhos [9].................5
Figura 2.4 – Estrutura do diagrama de carga horaria para o sector residencial [8]. ..............................5
Figura 2.5 – Percentagem de desconforto prevista (PPD) em função do modelo do voto médio
previsto (PMV) [12]. .......................................................................................................................... 10
Figura 2.6 – Temperatura operativa em função da temperatura média mensal exterior [12]. ............ 11
Figura 2.7 - Estratégias de gestão que alteram o diagrama de cargas [19]. ........................................ 15
Figura 2.8 – Esquema de Funcionamento de um algoritmo genético. ................................................ 19
Figura 2.9 - Estratégia de gestão de energia que permite interação entre utilizadores e o fornecedor
de energia [26].................................................................................................................................. 21
Figura 3.1 – Localização do local de estudo. ...................................................................................... 22
Figura 3.2 – Esquema de montagem do sistema de geração e armazenamento de energia [33]. ....... 27
Figura 3.3 – Esquema de funcionamento do EnergyPlus. ................................................................... 30
Figura 4.1 – Exemplo do funcionamento do Modelo Energy Box ....................................................... 39
Figura 4.2 – Esquema de funcionamento do Modelo Algoritmo Genético ......................................... 40
viii
LISTA DE GRÁFICOS
Gráfico 3.1 – Iluminância em função da intensidade luminosa. ......................................................... 24
Gráfico 3.2 – Consumo [W] em função da intensidade luminosa. ...................................................... 24
Gráfico 3.3 – Comparação dos valores de temperatura obtidos através do modelo simplificado e do
modelo EnergyPlus com os valores de temperatura medidos no interior da sala em estudo durante
três dias. ........................................................................................................................................... 31
Gráfico 3.4 – Comparação dos valores de temperatura obtidos através do modelo EnergyPlus com os
valores de temperatura medidos no interior da sala com o ventilo convetor a funcionar na velocidade
três. .................................................................................................................................................. 32
Gráfico 3.5 – Comparação dos valores de temperatura obtidos através do modelo EnergyPlus com os
valores de temperatura medidos no interior da sala com o ventilo convetor a funcionar na velocidade
dois................................................................................................................................................... 33
Gráfico 3.6 – Comparação dos valores de temperatura obtidos através do modelo EnergyPlus com os
valores de temperatura medidos no interior da sala com o ventilo convetor a funcionar na velocidade
um. ................................................................................................................................................... 33
Gráfico 5.1 – Temperatura real e simulada no interior da sala sem a presença de pessoas e sem o VC
ligado................................................................................................................................................ 44
Gráfico 5.2 – Comparação dos valores da percentagem de conforto para diferentes valores de
. ............................................................................................................................................. 46
Gráfico 5.3 – Comparação da percentagem de conforto entre o modelo EnergyBox e Algoritmo
Genético. .......................................................................................................................................... 47
Gráfico 5.4 - Comparação da percentagem de conforto entre o modelo EnergyBox e Algoritmo
Genético. .......................................................................................................................................... 47
Gráfico 5.5 - Comparação da função objetivo entre o modelo EnergyBox e Algoritmo Genético. ....... 47
Gráfico 5.6 - Temperatura real e simulada no interior da sala sem a presença de pessoas e sem o VC
ligado................................................................................................................................................ 48
Gráfico 5.7 – Percentagem de conforto para os cinco ensaios. .......................................................... 50
Gráfico 5.8 – Função objetivo para os cinco ensaios. ......................................................................... 50
Gráfico 5.9 – Percentagem de custo para os cinco ensaios ................................................................ 51
Gráfico 5.10 – Estado da bateria para os cinco ensaios ...................................................................... 51
Gráfico 5.11 – Gráfico da função objetivo, percentagem de conforto e de custo para o modelo
Algoritmo Genético V2 com uma população de 100 elementos e uma geração de 100
com
=0,5. ............................................................................................................................... 53
ix
Gráfico 5.12 - Gráfico da percentagem da custo, preços da eletricidade e das velocidades do VC para
o modelo Algoritmo Genético V2 com uma população de 100 elementos e uma geração de 100
com
=0,5. ............................................................................................................................... 53
Gráfico 5.13 - Gráfico do estado da bateria e da produção de energia elétrica para o modelo
Algoritmo Genético V2 com uma população de 100 elementos e uma geração de 100
com
=0,5. ............................................................................................................................... 53
Gráfico 5.14 - Gráfico da temperatura exterior, temperatura da sala e velocidade do VC para o
modelo Algoritmo Genético V2 com uma população de 100 elementos e uma geração de 100
com
=0,5. ............................................................................................................................... 54
Gráfico 5.15 – Comparação da evolução da temperatura no interior da sala com modelo. ................ 56
Gráfico 5.16 - Comparação da percentagem de conforto no interior da sala com modelo. ................ 56
Gráfico 5.17 – Comparação entre a iluminação artificial, iluminação natural, iluminação no interior da
sala e a intensidade luminosa imposta às lâmpadas. ......................................................................... 57
Gráfico 5.18 - Comparação entre a função objetivo, função de custo e função de conforto, dividida
entre conforto visual e conforto térmico. .......................................................................................... 58
Gráfico 5.19 – Função de custo e velocidade do VC. .......................................................................... 58
x
NOTAÇÃO E SIMBOLOGIA
AC – Ar Condicionado
ASHRAE – American Society of Heating, Refrigerating and Air Conditioning Engineers
AVAC – Aquecimento, Ventilação e Ar Condicionado
COP – Coeficiente de PerformanceDSM – Demand Side Management
IEA – International Energy Agency
IEA15 - Alemanha, Austria, Canadá, Dinamarca, Espanha, Estados Unidos, Filândia, França, Holanda,
Itália, Japão, Noruega, Nova Zelândia, Reino Unido e Suécia
ISO – International Organization for standardization
NP – Norma Portuguesa
– valor medio previsto
RCCTE – Regulamento das Caracteristicas de Comportamento Térmico de Edifícios
RSECE – Regulamento dos Sistemas Energéticos e de Climatização de Edifícios
VC – Ventilo-convetor
– área
– calor sensivel perdido através do vestuário por convecção
– capacidade total da bateria
– Calor específico do ar
– consumo elétrico da iluminação
– calor sensivel perdido através da pele
– fator de forma; função objectivo
– Radiação incidente na superfície
– Iluminância da iluminação artificial
– Temperatura média operativa do instante t
– Isolamento térmico do vestuário
– taxa metabólica
– número total de objectos
– valor médio previsto
– Previsão da percentagem de desconforto
– Carga térmica total
– calor sensivel perdido através do vestuário por radiação
– humidade relativa
– taxa de energia acumulada pelo corpo humano
xi
– temperatura
– Temperaturas médias passadas
– coeficientes de transferência de calor globais
– trabalho mecânico
– variável de decisão
– fator de roupa
– Coeficiente de transferência de calor
̇ – Caudal mássico
– carga termica
– estado
– função de custo ou de conforto
– velocidade do ar
– percentagem de iluminação
– importância das temperaturas passadas
– COP
– constante de tempo térmica do edifício
– Importância a dar ao conforto ou ao custo monetário
Subscritos
– ar condicionado
– convecção e condução
– interna de equipamento
– interna de iluminação
– interna de ocupação
– radiação de superficies envidraçadas
– radiação de superficies opacas
– ventilação natural e forçada
– ar
– ar condicionado
– convecção
– roupa
– instante em horas do dia
xii
– insuflação
– parede
– radiação, radiante
– pele
– instante
– vidro
Sobrescritos
– temperatura da no interior da sala
I
– interior
– consumo de energia do ar condicionado
– exterior
– valor máximo
– valor minimo
– produção de energia
– radiação incidente na superfície
– valor da bateria da variável de decisão
–valor da temperatura da variável de decisão
– temperatura do exterior
– velocidade de funcionamento do ar condicionado
xiii
1 INTRODUÇÃO
1.1 Motivação
A procura de energia elétrica tem aumentado significativamente por todo mundo, quer em
países desenvolvidos, quer em países em desenvolvimento. Segundo as previsões da Agência
Internacional Europeia (IEA), a procura de eletricidade em 2030 será 50% maior do que a procura
atual [1]. Para além do aumento acentuado da procura, problemas como: a dependência dos
combustíveis fósseis, o impacto negativo destes combustíveis no meio ambiente e a constante
mudança de preços, têm levado a comunidade mundial a apostar cada vez mais em atividades que
promovam a eficiência energética e alterem o sistema de produção e gestão de energia.
Nomeadamente, o aumento da eficiência energética em 20% é um dos três principais objetivos da
União Europeia, de acordo com o 2020 climate and energy package [2], em especial no setor dos
edifícios, cujo potencial de aumento de eficiência energética e poupança de energia é o mais elevado
[3].
Uma das alterações visíveis do sistema de produção e gestão de energia elétrica, consiste na
descentralização da produção, através de sistemas de geração distribuída, aliada a sistemas de
gestão personalizados para cada edifício [4]. Tem surgido cada vez mais o interesse, por parte dos
consumidores, de produzirem localmente a própria energia que consomem através de fontes
renováveis e de registarem ou controlarem o gasto de energia, através de sistemas domóticos [5].
Sistemas de gestão de energia que procurem ajustar a procura de energia à sua produção,
tendo em conta tarifários, rotinas diárias, conforto e outros tipos de constrangimentos, será uma
mais-valia para a maximização do retorno do investimento inicial na geração distribuída e na
automatização dos sistemas de controlo. Assim, a utilização de um sistema de gestão ativa da
produção poderia: administrar o uso de cargas num edifício de forma a moldar o consumo de energia
e reduzir picos de consumo; gerir o uso de energia proveniente de fontes de geração local de fontes
renováveis, tendo em conta o estado dos sistemas de armazenamento como as baterias e as tarifas
praticadas naquela hora; orientar o uso de energia de forma a manter sempre um nível adequado de
conforto nos ocupantes; criar condições para a aplicação do conceito das smart grids; entre outras
ações [5]. Este sistema iria substituir o ser humano na tomada de decisões complexas, em curtos
intervalos de tempo, de forma a tornar mais eficiente uso da energia num edifício.
1
1.2 Objetivos
Esta dissertação tem como objetivo desenhar um algoritmo de gestão ativa da procura que
ajuste o consumo de energia à produção de energia de origem renovável, aos preços praticados
naquele instante, ao conforto e preferências dos utilizadores e energia disponível no sistema de
armazenamento. Este algoritmo foi implementado com o auxílio do software Matlab e do EnergyPlus
e testado no laboratório de energia no edifício do Instituto Superior Técnico, no campus Taguspark.
Para além da criação de um novo algoritmo, pretende-se também implementar um algoritmo
existente na literatura e fazer uma análise de resultados aos dois modelos implementados.
1.3 Contributos
Um dos grandes contributos desta dissertação está relacionada com a junção de dois
importantes softwares: EnergyPlus e Matlab. Através da utilização de um modelo térmico
implementado no EnergyPlus, é possível obter resultados de simulações mais fidedignas com a
realidade.
Outro contributo, foi a realização de uma análise a dois métodos distintos de otimização, e
averiguar qual destes obtém melhores resultados, quando aplicados a problemas de gestão de
energia.
Foi possível realizar um teste experimental do modelo que utiliza o algoritmo genético como
ferramenta de otimização, e comprar os resultados simulados com os resultados reais. E observar o
poder que o EnergyPlus aliado ao Matlab têm na simulação de resultados.
Através da elaboração desta dissertação, foi possível apresentar alguns resultados
preliminares da utilização destes modelos na conferência de Energias realizada no IST no dia 12 de
setembro. A apresentação teve como título “Aplicação de um algoritmo de otimização genético
multiobjectivo no controlo de um sistema de ar condicionado e iluminação”.
1.4 Estrutura
Esta dissertação encontra-se estruturada em seis capítulos. O presente capítulo (capítulo um)
procurou sensibilizar o leitor para o tema em questão, evidenciando a motivação para a elaboração
desta dissertação, bem como seus objetivos e contributos.
No segundo capítulo, intitulado de Revisão Bibliográfica, pretende-se fazer uma pequena
revisão e pesquisa de conceitos necessários para o enquadramento do leitor nos vários tópicos que a
criação de um algoritmo de otimização de energia abrange. Estes tópicos encontram-se, por sua vez,
2
divididos em quatro temas: Consumo de Energia Elétrica no Sector Residencial; Climatização de
Edifícios; Estratégias de Gestão de Energia e Algoritmos de Otimização.
O terceiro capítulo, Metodologia, destina-se à recolha das características do espaço onde os
algoritmos de otimização serão implementados, ao levantamento dos equipamentos disponíveis e à
modelação do espaço.
No capítulo quatro, descrevem-se os dois algoritmos de otimização implementados. O
primeiro algoritmo utiliza a programação dinâmica e o segundo o algoritmo genético. Existem três
versões do algoritmo genético. A primeira irá servir de ponte entre o modelo implementado com a
programação dinâmica e o algoritmo genético. A segunda versão terá uma malha de instantes a
otimizar mais reduzida e por último, a versão três deste modelo terá mais uma variável de decisão.
No quinto capítulo analisam-se os resultados das simulações e implantações obtidas a partir
destes dois algoritmos.
Por último, no capítulo seis, procede-se à elaboração de várias conclusões tiradas a partir dos
resultados obtidos e de sugestões para trabalhos futuros.
3
2 REVISÃO BIBLIOGRÁFICA
2.1 Consumo de Energia Elétrica no Sector Residencial
Nos países IEA, o consumo de energia elétrica no sector residencial cresceu cerca de 48% entre
1990 e 2004. Mais de metade desta energia, 57%, é consumida por aparelhos [6]. Na Figura 2.1, é
possível visualizar essa mesma evolução do uso de eletricidade nas habitações, separada por
diferentes tipos de aplicações.
Existem vários motivos que têm contribuído para o aumento do consumo, tais como:
crescimento da melhoria das condições de conforto; aumento do número de aparelhos por habitação;
aumento do tamanho das casas, entre outros [7]. No entanto, já existem muitos países a promoverem
a eficiência energética, através da criação de padrões de consumo mínimo de energia e a melhorar a
eficiência energética destes mesmos aparelhos. Na Figura 2.2 é possível visualizar o aumento de
eficiência energética de alguns aparelhos de utilização doméstica. Mas para se poder diminuir ou
controlar o consumo de eletricidade é necessário conhecer, caracterizar e analisar os padrões de
consumos [8].
Figura 2.1 – (Esquerda) Consumo de eletricidade no sector residencial, separada por diferentes tipos de aplicações
[6].
Figura 2.2 – (Direita) Consumo de energia dos aparelhos [6].
Em Portugal, o maior consumo doméstico resulta dos equipamentos de frio (frigoríficos,
combinados e congeladores), que representam 20% do consumo total, seguido da climatização da
habitação com 16% e de aparelhos de escritórios ou entretenimento com 14%. Na Figura 2.3 é possível
visualizar a energia consumida numa habitação diferenciada por aparelhos.
4
Figura 2.3 – Energia consumida numa habitação diferenciada por tarefas ou aparelhos [9].
2.1.1 Potencial de sistemas de controlo automático do consumo de energia
Soares et al. [8 e 10] analisaram e caracterizaram o consumo diário de eletricidade no sector
residencial em Portugal, com a finalidade de aplicar sistemas autónomos de gestão de energia. Eles
concluíram que é possível identificar um padrão horário típico de consumo de diferentes aparelhos
(Figura 2.4): cargas como frigoríficos ou arcas congeladoras, são responsáveis pelo maior e constante
consumo ao longo do dia, formando assim uma base do consumo de uma habitação; aparelhos
destinados ao aquecimento das águas, são mais solicitadas pela manhã; Iluminação e aparelhos de
entretenimento têm um pico de consumo à tarde e à noite; Quanto às máquinas de lavar a loiça, estas
têm um uso mais acentuado pela hora do jantar, embora as máquinas de lavar a roupa tenham um uso
preferencial depois do almoço sendo de imediato utilizadas as máquinas de secar a roupa, quando
existentes [8].
Figura 2.4 – Estrutura de um diagrama de carga horaria para o sector residencial [8].
Desta forma, o consumo energético no sector residencial em Portugal pode ser dividido em 4
categorias distintas [10]:
5

Cargas que não são controladas - cargas estas que não podem ser poupadas para reduzir o
consumo, como o caso dos aparelhos de entretenimento e de escritório;

Cargas ajustáveis - aparelhos que se podem controlar através do ajuste termostático, tais
como: frigoríficos, aquecedores e equipamentos de aquecimento, ventilação e ar condicionado
(AVAC);

Cargas interruptas - cargas que se podem desligar durante um curto período ou num certo
ponto do seu ciclo, tais como: máquinas de lavar a loiça e AVAC;

Cargas horárias - cargas em que seu uso pode ser alterado para outro horário ou que o seu
ciclo pode ser antecipado ou atrasado, tais como: secadoras, máquina de lavar a roupa ou a
loiça.
Assim, o objetivo de minimizar as despesas em eletricidade sem diminuir o conforto
energético passa pelas seguintes ações: antecipar ou atrasar os ciclos de trabalho dos aparelhos;
restabelecer as temperaturas de conforto e criar pequenos períodos de interrupção de carga [8 e 10].
2.1.2
Comportamentos relativos ao consumo de energia elétrica
Para se poder tirar o maior partido das três ações anteriores, a compreensão dos
comportamentos associados ao consumo de energia é essencial. Estes são imensamente complexos e
podem ser modelados através de vários fatores, quer individuais quer contextuais. Devido à sua
complexidade, a sua abordagem costuma ser fragmentada e estudada por diferentes áreas, como são
os casos das áreas de psicologia, sociologia, engenharia e economia.
A maioria dos estudos dos comportamentos em termos do consumo de energia têm sido
dominados por pesquisas do foro psicológico [11]. As publicações dos autores Steg e Vlek são
apontadas por M. R. Lopes et al [11], como as mais importantes na compreensão dos comportamentos
à luz da psicologia. Para estes autores, que têm as suas origens na psicologia ambiental, os fatores
mais importantes no comportamento ambiental são: os fatores motivacionais, contextuais e
comportamentos habituais. Enquanto que nas aproximações psicológicas se lida com fatores
comportamentais, nas aproximações económicas assume-se que os indivíduos são completamente
racionais, ou seja, tomam decisões racionais e reagem de forma racional [11].
Devido à grande diversidade de modelos de comportamentos relativos ao consumo de
energia, estes podem ser divididos em 3 grandes categorias [11]:
1. Modelos de comportamentos energéticos estruturados, que incluem teorias e modelos
exemplificativos;
2. Modelos energéticos que quantificam a energia utilizada;
6
3. Modelos de comportamentos energéticos que realizam aproximações de forma qualitativa
e quantitativa para prever comportamentos.
2.1.2.1 Modelos de comportamentos estruturados
Dos modelos que se inserem no ponto um, o artigo [11] distingue os autores Wilson e
Dowlatabadi, como os mais importantes nesta categoria. Estes focam o seu ponto de vista no sector
residencial e exploram as teorias sociais mais relevantes na determinação das decisões individuais:

Decisão baseada na utilidade e comportamentos económicos;

Adoção tecnológica e modelos baseados na atitude;

Teorias de decisão social e psicologia ambiental;

Teorias sociológicas que têm em atenção a influência do contexto social nas tomadas de
decisões.
2.1.2.2 Modelos energéticos que quantificam a energia utilizada
Em relação aos modelos do ponto dois, estes são utilizados para a quantificação do consumo
energético em contexto de apoio à decisão, como por exemplo: avaliações de fornecimento de energia
a nível regional ou nacional e abordagens de engenharia como a simulação do comportamento
térmico de edifícios. Estes modelos podem ser classificados de duas formas: top-down e bottom-up. Os
modelos top-down determinam as tendências de consumo de energia a longo prazo, com base no
histórico de consumo. Eles consideram o sector residencial como um sistema e não distinguem
consumos individuais. Por outro lado, os modelos bottom-up introduzem como dados os consumos
individuais de edifícios ou grupos de edifícios, para extrapolar essas informações e criarem uma
amostra representativa dessa região [11].
2.1.2.3 Modelos que realizam aproximações qualitativas e quantitativas
Por ultimo, os modelos de comportamentos energéticos descritos no ponto três, integram
abordagens quantitativas e qualitativas para a previsão de comportamentos e para estabelecer perfis
de usuário. Um dos modelos existentes [4] baseia-se em aproximações espaciotemporais para
estabelecer as atividades diárias que estão ligadas ao uso de energia. Os perfis são traçados através da
comparação de informação detalhada das atividades diárias na habitação, que estão inseridas numa
base de dados, com as medições do consumo de eletricidade. Desta forma, é possível identificar
diferentes categorias de uso doméstico, associado a diferentes padrões de consumo. A grande
vantagem deste modelo é a criação de um perfil individual de carga por membro da habitação. Este
perfil tem um grande potencial no fornecimento de perspetivas sobre como as atividades quotidianas
contribuem para o consumo de energia. No entanto, é um modelo que requer um consumo elevado
7
de recursos de memória e tempo para poder ser posto em prática, pois consiste em anotações ao
minuto durante um ano das atividades diárias e muitas vezes estes dados não existem ou são de difícil
acesso [11].
2.2 Climatização de Edifícios
Em Portugal, o segundo maior consumo doméstico de eletricidade destina-se à climatização da
habitação. Como já foi dito anteriormente (Figura 2.3), este representa cerca de 16% do consumo total
de eletricidade [9].
A energia despendida na climatização da habitação pode variar substancialmente ao longo de
um dia. Existem inúmeros fatores que influenciam as perdas de energia na climatização, como: a
localização da habitação - tipo de clima da região; a radiação solar que incide na envolvente da
habitação; o desempenho térmico da envolvente - tipo de construção, soluções adotadas para o
isolamento térmico, volume vs. área da envolvente; comportamento térmico dos ocupantes - grau de
conforto térmico; etc.
Relativamente às perdas energéticas dos edifícios, atualmente, em Portugal, existe um
Decreto-Lei dedicado ao desempenho energético dos edifícios: Sistema Nacional de Certificação
Energética dos Edifícios; Regulamento de Desempenho Energético dos Edifícios de Comercio e Serviço
(RECS) e Regulamento de Desempenho Energético dos Edifícios de Habitação (REH). Sendo o objetivo
principal de cada Lei o seguinte:

Os principais objetivos do Sistema Nacional de Certificação Energética dos Edifícios consistem
em: informar os consumidores sobre a qualidade térmica das habitação que pretendem
adquirir, permitindo comparações objetivas ponto de vista custo - beneficio; garantir que os
novos edifícios, no final da sua construção, cumpram com a legislação da eficiência energética
em vigor; e por último, recomendar medidas com viabilidade económica que possam conduzir
a uma melhoria do desempenho energético do edifício (Decreto-Lei n.118/2013).

Em relação ao REH, os principais objetivos passam por: impor requisitos de qualidade para os
novos edifícios; limitar as perdas térmicas e controlar os ganhos solares; impor limites nos
consumos energéticos na climatização e produção de águas quentes; incentivar a utilização de
sistemas eficientes e de fontes energéticas com menor impacto em termos de energia
primária e, por último, impor a instalação de painéis solares térmicos (Decreto-Lei
n.118/2013).
8

Os principais objetivos do RECS consistem em: definir um conjunto de requisitos aplicáveis a
edifícios de servições e de habitação dotados com sistemas de climatização; incluir aspetos
relacionados com a envolvente e limitar consumos energéticos; impor a realização de
auditorias energéticas periódicas por forma a promover a eficiência e manutenção dos
sistemas de climatização; e, por último, impor caudais mínimos do ar interior, por tipo de
atividade, e concentrações máximas dos principais poluentes, de forma a garantir a qualidade
do ar interior (Decreto-Lei n.118/2013).
Para se prever a quantidade de energia que os ocupantes de uma habitação necessitam para
melhorar o seu conforto ambiental, é necessário conhecer as condições gerais que proporcionam este
conforto, uma vez que, de pessoa para pessoa, as necessidades fisiológicas e psicológicas fazem com
que as condições de conforto variem. Estas condições costumam ser avaliadas em termos de
propriedades térmicas, luminosidade e qualidade do ar.
1. Conforto térmico
Existem vários modelos e estudos sobre o conforto térmico e quais os parâmetros que
proporcionam esse conforto. Cada modelo tem a sua definição de conforto e os parâmetros que
consideram mais relevantes.
Segundo a norma ASHRAE 55, o conforto térmico é “a condição da mente que expressa
satisfação com o ambiente térmico” [12]. Esta satisfação está associada à facilidade com que o ser
humano consegue trocar calor com o meio ambiente, de forma a manter a sua temperatura interna.
Os modelos de equilíbrio estático de calor procuram explicar a satisfação das pessoas com o
ambiente térmico através da transferência de calor entre o meio e a pessoa. Estes modelos são os
mais utilizados na climatização de espaços [13]. As normas ISO 7730 e ASHRAE 55 são exemplos destes
mesmos métodos. Para a norma ASHRAE 55, existem seis fatores que definem as condições de
conforto [12]:

taxa metabólica;

temperatura radiante;

isolamento do vestuário;

velocidade do ar;

temperatura do ar;

humidade.
Para certos valores dos fatores acima mencionados, é possível determinar uma zona de conforto e
definir esta numa gama de temperatura operativa. Através de um equilíbrio térmico entre os
ocupantes e o seu ambiente, é possível medir o seu grau de conforto baseado nas reações fisiológicas.
9
Essa medição de conforto pode ser apresentada numa escala de sensações, o modelo do voto
médio previsto, PVM, que se encontra representada na Figura 2.5. O grande defeito destes modelos
reside na necessidade de dados muito específicos, como por exemplo o nível de isolamento térmico da
roupa ou o tipo de atividade realizada a cada instante. Para além disso, os ocupantes são analisados
como recetores passivos de estímulos térmicos, onde fatores culturais, psicológicos, sociais e
contextuais são negligenciados [13 e 14].
Figura 2.5 – Percentagem de desconforto prevista (PPD) em função do modelo do voto médio previsto (PMV) [12].
Ao contrário dos modelos estáticos, os modelos adaptativos atribuem um papel ativo aos seus
ocupantes e têm como princípio: “se ocorrer uma mudança que provoque desconforto, as pessoas
reagem de forma a restaurar o seu bem-estar” [14]. A adaptação pode ser compreendida como a
diminuição gradual da resposta do organismo a um estímulo ambiental [13]. Este estímulo ambiental
pode ser dividido em três grandes variáveis. A primeira, e a mais importante, é o clima. Este influencia
culturas, as atitudes a nível térmico de grupos de pessoas e o design de edifícios. A segunda variável
diz respeito aos edifícios, qual a natureza do edifício A última variável é o tempo que um indivíduo
demora a adaptar-se a novas condições ambientais.
Por outro lado, a adaptação térmica também se encontra dividida em três diferentes
categorias. A primeira é a adaptação comportamental, ou seja, um individuo pode tomar um certo
número de atitudes de forma a manter o seu conforto térmico. Estas atitudes podem ir do simples
ajuste de vestuário ao controlo ativo do ambiente. A segunda categoria diz respeito à adaptação
fisiológica. O organismo adapta-se, através de um conjunto de alterações periódicas, às alterações do
ambiente. O último grupo é a adaptação psicológica. Engloba um conjunto de reações praticadas pelo
ocupante a vários estímulos sensoriais, que são fortemente influenciadas pelas experiências prévias de
habituação do ocupante ao ambiente interior, bem como pelas expectativas criadas face ao mesmo
[13].
10
Desta forma, o modelo adaptativo relaciona as temperaturas de conforto com as temperaturas
ou parâmetros exteriores. A norma ASHRAE 55 inclui também um modelo adaptativo de conforto
térmico, mas a sua aplicação está limitada a edifícios naturalmente ventilados, onde os ocupantes se
adaptam termicamente às condições ambientais interiores ou exteriores através do vestuário. Na
figura seguinte, encontra-se representado graficamente o modelo adaptativo proposto pela norma
ASHRAE 55 [12].
Figura 2.6 – Temperatura operativa em função da temperatura média mensal exterior [12].
Um terceiro modelo baseia-se no resultado da análise estatística de dados recolhidos e tem
como objetivo encontrar a temperatura ou a combinação de variáveis (temperatura, humidade e
velocidade do ar) que que proporcionem o conforto térmico. Estes dados dizem respeito ao ambiente
térmico experienciado pelas pessoas e a sua respetiva satisfação. Essa satisfação é medida através de
questionários [12 e 14].
Para além dos métodos acima mencionados, existem vários estudos que procuram analisar
variáveis que influenciam o conforto térmico. Leaman e Bordass demonstraram que as pessoas são
mais tolerantes e esquecem mais rapidamente deficiências na climatização, quando têm acesso ao
controlo desta [14]. Quando uma pessoa entra num espaço com as condições standard de conforto
térmico, nem sempre é um indicativo que irá considerar o ambiente agradável do ponto de vista
térmico, uma vez que essa ambientação, se tiver experienciado diferentes condições térmicas antes de
entrar nesse espaço, pode demorar cerca de uma hora [14]. A equação seguinte (2.1), proposta por
Humphreys, reflete a dependência no tempo da temperatura de conforto.
{
}
(2.1)
11
em que
é uma constante que varia entre zero e um, e que dita a importância das temperaturas
passadas. Quanto maior o seu valor, mais significativas são as temperaturas anteriores.
corresponde à temperatura média operativa do instante t, e
são as temperaturas médias passadas
de iguais intervalos de tempo, t, horas, dias, etc.
2. Conforto visual
O conforto visual está associado ao nível de iluminação necessário para a realização de
determinada tarefa. É em geral medido em lux e corresponde à iluminação incidente por metro
quadrado. Através do conhecimento do tipo de tarefa que cada pessoa desempenha num espaço, é
possível estimar a energia mínima despendida para que esta tarefa seja realizada em condições de
conforto visual. Na tabela seguinte encontram-se alguns valores de níveis de iluminação para situações
diferentes.
Tabela 2.1 - Gamas de iluminância por diferentes tarefas ou atividades segundo a norma ISO 8995 [15].
Gama de Iluminância [Lux]
Tipo de Tarefa ou Atividade
100 -200
Dependências utilizadas por períodos curtos
(ex.: armazéns, vestiários, átrios)
200 - 500
300 - 750
500 - 1 000
Tarefas que necessitam de reduzida acuidade
visual
(ex.: salas de conferências)
Média acuidade visual
(ex.: escritórios)
Elevada acuidade visual
(ex.: costura, controlo de qualidade)
3. Qualidade do ar interior
Considera-se que a qualidade do ar interior é aceitável quando a percentagem dos cinco
pontos seguintes não são ultrapassados por mais de 2% do tempo de permanência no interior da
divisão [16]:

50% dos ocupantes consegue detetar odor;

20% dos ocupantes experiencia desconforto;

10% dos ocupantes sofre de irritação da mucosa;

5% dos ocupantes experiencia incómodo .
Desta forma, para se garantir a qualidade do ar interior, o valor máximo de concentração de
certos poluentes, como o valor mínimo do caudal de ar novo por ocupante, são definidos. Existem
12
várias normas para a qualidade do ar: NP 1796-1988 higiene e segurança no trabalho; Organização
mundial de saúde; regulamentos de AVAC; ASHREAE 62; entre outros [16].
Na tabela seguinte encontram-se os valores máximos permitidos pelo regulamento RECS.
Tabela 2.2 – Requisitos de qualidade do ar interior segundo.
Parâmetros
Partículas suspensas no ar
Dióxido de carbono
Monóxido de carbono
Ozono
Formaldeído
Compostos Orgânicos Voláteis
Microrganismos - Bactérias
Microrganismos - Fungos
Legionella
Radon
Concentração máxima de referência
0,15
1800
12,5
0,2
0,1
0,6
500
500
100
400
mg/m3
mg/m3
mg/m3
mg/m3
mg/m3
mg/m3
UFC
UFC
UFC
Bq/m3
2.3 Estratégias de Gestão de Energia
Para se assegurar a estabilidade na distribuição de energia elétrica, o balanço entre a procura
e oferta de energia deve-se manter equilibrado. É nesta disputa pelo equilíbrio que as estratégias de
gestão de energia tomam um papel importante, pois estas evitam a todo o custo a solução de
aumentar a produção quando a procura aumenta [1]. Ao invés de a produção seguir a procura, estas
estratégias têm como objetivo alterar o sentido do problema, fazendo com que a procura se adapte à
produção.
Uma dessas estratégias é a Gestão da Procura ou Demand Side Management (DSM). A gestão
da procura é a influência deliberada nos padrões de consumo de energia com o intuito de modificar o
perfil de consumo, consoante os objetivos de gestão de energia (minimização do custo, maximização
do conforto) [18]. A DSM baseia-se em três princípios: conservação de energia, gestão de carga e
estratégia de crescimento de carga. A conservação de energia possibilita o aumento da eficiência
energética através de medidas que resultem numa diminuição efetiva do consumo. A gestão de carga
consiste na homogeneização da procura de energia ao longo de um dia. Esta modelação da curva de
procura pode ser conseguida, pelas empresas de eletricidade, através da aplicação de tarifas
acrescidas nos períodos de maior consumo. Por último, a estratégia de crescimento de carga atua nos
13
períodos onde o consumo de energia é reduzido. Mais uma vez, a promoção do consumo nesses
períodos ajuda na homogeneização do diagrama de carga [19].
Para se implementarem programas de DSM é necessário, numa primeira fase, efetuar um
estudo sobre o comportamento dos utilizadores, isto é: classificar e quantificar o consumo de energia
por forma a determinar padrões de energia e determinar os impedimentos associados à
implementação de medidas mais eficientes [20]. Com base nos resultados da primeira fase, o segundo
passo consiste na determinação do objetivo final.
Existem seis tipos de estratégias que têm como objetivo final de alterar o diagrama de cargas (função
que relaciona a energia consumida com o tempo). A implementação específica desta abordagem
através de alguma forma de controlo centralizado é denominada de Gestão Ativa da Procura ou
Demand Response (DR) que utilizam os três princípios anteriormente descritos [19]:

Preenchimento de vales: consiste no aumento do consumo de energia nos períodos fora do
pico de consumo;

Redução do pico: corresponde à redução do pico de consumo durante períodos específicos;

Transferência de carga: transfere a carga dos períodos de pico de consumo para outros
horários;

Crescimento de carga: aumenta uniformemente o diagrama de cargas;

Conservação estratégica: altera uniformemente o diagrama de cargas reduzindo a energia
consumida;

Curva de carga flexível: o consumo de energia é variável, consoante as condições oferecidas
aos utilizadores.
Na figura seguinte (Figura 2.7) encontram-se representadas graficamente as seis estratégias de
gestão que alteram o diagrama de cargas.
14
Figura 2.7 - Estratégias de gestão que alteram o diagrama de cargas [19].
O terceiro passo identifica as aplicações em uso que podem ser potencialmente direcionadas
para reduzir o pico de procura, tendo em conta as considerações dos fornecedores, consumidores e as
análises custo - benefício detalhadas para os consumidores finais e fornecedores.
O próximo, e penúltimo, passo é dedicado à implementação do programa. Nesta etapa, para
além de constar a conceção do programa, existe a realização de uma experiencia piloto
(implementação do programa numa sub-região ou numa amostra de consumidores) que avalia o
impacto que este programa irá ter se for implementado numa escala maior.
Por fim, a última etapa é dedicada à monitorização do programa e avaliação, avaliando a
existência de afastamentos nos resultados do programa e se o desempenho deste se encontra de
acordo com o esperado.
Existem bastantes estudos e pesquisas que avaliam diferentes aspetos da implementação de
programas de DSM. Em relação à introdução de energias renováveis no sistema de geração de energia,
o autor G. Strbac [20] menciona os benefícios e os desafios do DSM para equilibrar a procura e oferta
de energia em sistemas com uma elevada percentagem de geração de energia renovável intermitente
e imprevisível. Este autor concluiu que o DSM pode reduzir o custo da geração de energia através da
imposição de equilíbrio energético e por consequência a substituição de centrais termoelétricas que
apenas se encontram em funcionamento algumas horas por ano. Além da redução de custo de
produção, DSM proporciona o investimento na rede de distribuição através de uma maior utilização
desta. Outros autores avaliam o impacto que DSM tem no deslastro de cargas. Shaw et al. elaboraram
a primeira estimativa quantitativa da possível redução de perdas energéticas, quando se aplica a
estratégia de transferência de cargas numa situação de consumo doméstico sem se reduzir a procura.
A gestão ativa da procura pode também ser adotada em domicílios particulares. S. Gottwalt et al.[21]
15
apresentam um modelo que produz perfis de consumo domésticos com tarifas fixas e simulam as
alterações que estes perfis sofrem quando as casas estão equipadas com aparelhos inteligentes e o
preço de eletricidade varia no tempo. Os autores concluíram que a poupança resultante do uso de
aplicações inteligentes é moderada em relação ao investimento inicial necessário para a aquisição
destes aparelhos.
2.4 Algoritmos de Otimização
Na literatura existem os mais variados tipos de algoritmos de otimização aplicados a
problemas de gestão de energias, mas são poucos os que se focam na gestão de energia de uma
habitação. Desta forma, e com o intuito de os analisar, os artigos que iram ser referidos de seguida
encontram-se agrupados por tipo de algoritmo de otimização.
2.4.1 Programação dinâmica
A programação dinâmica é uma técnica matemática utilizada para a determinação de uma
sequência de decisões inter-relacionadas. Através de um procedimento sistemático é possível
determinar as melhores combinações de decisões [22]. Existem cinco importantes conceitos: decisões,
estados, estágios, regra de transição de estado para estado e função objetivo. As variáveis de decisão,
num contexto de otimização de energia numa residência, definem qual a melhor opção a tomar:
vender, armazenar ou utilizar a energia da rede ou a energia produzida; ou quais as temperaturas de
referência no interior da habitação, entre outras decisões. Os estados dizem respeito às condições
atuais: na habitação, na rede de energia (nomeadamente preços praticados naquele instante) ou
condições climatéricas. Os estágios representam os instantes em que são a tomadas decisões. A
transição de estado para estado é ditada pela probabilidade de um estado ocorrer, tendo em conta o
estado atual e as decisões tomadas para chegar a esse mesmo estado.
D. Livengood e R. Larson [5] apresentam um protótipo de um modelo de otimização numa
habitação, utilizando programação dinâmica. Neste algoritmo de otimização existem três variáveis de
decisão:

Temperatura de referência no interior da habitação;

Uso ou armazenamento da energia proveniente de uma bateria;

Venda ou compra de eletricidade da rede.
Todas estas variáveis de decisão estão limitadas, quer superiormente, quer inferiormente. Para se
poder atribuir o melhor valor às variáveis de decisão, os autores utilizam sete variáveis de estados:
16

Temperatura no interior da habitação;

Quantidade de energia armazenada na bateria;

Quantidade de energia não controlável a ser utilizada na habitação;

Quantidade de energia produzida por uma turbina eólica;

Velocidade do vento;

Preço praticado pela rede.
Uma grande simplificação adotada pelo autor é possibilidade de conhecer em todos os
instantes a quantidade exata de energia consumida na habitação, excluindo, assim, a aleatoriedade ou
o livre arbítrio do consumo de energia por parte dos consumidores.
No que diz respeito à modelação da temperatura no interior da habitação, o autor utiliza um
modelo térmico simples de decaimento exponencial:
(
em que
)
é a temperatura da habitação no instante atual e
de tempo térmica do edifício,
é o COP e
alterar a temperatura da habitação de
(2.2)
no instante seguinte; a constante
é a quantidade de energia utilizada numa hora para
para
. O processo de obtenção do valor ou caminho
ótimo neste tipo de algoritmo é conseguido através de uma análise das possíveis soluções em cada
estágio. A análise é principiada no último instante a ser otimizado e a melhor solução deste estágio é
somada às soluções do instante imediatamente anterior. Este procedimento é feito sistematicamente
até ao estágio atual. Por último, é traçado um caminho com a melhor solução, que corresponde à
solução ótima. Devido a esta caraterística de obtenção da solução ótima, do fim para o início, não é
contabilizada a influência que as decisões recentes têm na evolução das temperaturas futuras.
No exemplo de simulação do mesmo artigo [5], no caso de estudo em que apenas o controlo
do termostato é incluído na simulação, são apresentadas reduções de custo de 20% em comparação
com o caso de teste de controlo. Contudo, o número de horas de desconforto aumentou
significativamente. A maior redução de custo é de 44% e corresponde ao caso de estudo em que é
possível controlar o termostato, a bateria, a energia proveniente da turbina eólica e a venda de
energia para a rede, e o número de horas de desconforto é semelhante ao caso anterior.
2.4.2 Programação Linear
A programação linear é uma metodologia de otimização em que todas as funções matemáticas
envolvidas na resolução do problema são lineares, i.e. que são explicadas por variáveis de entrada que
são proporcionais às variáveis de saída. Por outro lado, a palavra programação funciona como um
17
sinónimo de planeamento, ou seja a programação linear envolve o planeamento de atividades, por
forma a obter o melhor resultado. É utilizada para otimizar (maximizar ou minimizar) uma função
linear de variáveis, denominada de função objetivo, sujeita a uma série de equações ou inequações
lineares, chamadas de restrições. O problema fica totalmente formulado quando os três pontos
seguintes são definidos: definição do objetivo do problema (definição da função objetivo e se deve ser
minimizada ou maximizada); definição das variáveis de decisão e definição dos constrangimentos a
que o problema está sujeito [22].
Os autores A. Conejo, J. Morales e L. Baringo [23] desenvolveram um modelo de otimização
que utiliza a programação linear para ajustar o nível das cargas utilizadas numa hora por um
consumidor, em função dos preços de eletricidade praticados naquele horário. O objetivo deste
modelo é maximizar a utilidade que um utilizador dá à energia que consome, sujeito a: um consumo
mínimo diário; aos níveis máximos e mínimos de carga horária e aos limites de crescimento em tais
níveis de carga. Em cada hora é conhecido o preço praticado, assim como o consumo da hora anterior.
As variáveis de decisão são a energia consumida e o nível de carga na hora corrente, isto é, a hora a
que se iniciou a otimização, e nas 24 horas seguintes.
2.4.3 Algoritmos Genéticos
O algoritmo genético é um algoritmo computacional que procura as melhores soluções dentro
de um número limitado de soluções possíveis. Transforma uma população de possíveis soluções,
denominada de “cromossomas” (representados por um vetor de entrada), cada um com um valor de
função objetivo (fitness) associado, numa nova população utilizando o princípio Darwiniano de
reprodução e sobrevivência dos mais adaptados, tendo inerentes operações de cruzamento resultante
da combinação de cromossomas já existentes (crossover) e mutação dando origem a uma nova
geração. Cada cromossoma representa uma solução possível para o problema e o algoritmo tenta
procurar uma solução boa ou ótima (que teoricamente é sempre possível recorrendo a suficientes
iterações/gerações e a uma população infinita) [24]. Na figura seguinte (Figura 2.8) encontra-se
representado um esquema de funcionamento de uma evolução genética que pode ser representada
por um algoritmo genético, onde os “pais” são soluções iterativamente obtidas, das quais são geradas
novas soluções, os “filhos”, que resultam de uma combinação (crossover e/ou mutação) das soluções
anteriores que tiveram um melhor fitness para a resolução do problema.
18
Figura 2.8 – Esquema de Funcionamento de um algoritmo genético.
Este algoritmo tem por base alguns conceitos básicos. De seguida procede-se à descrição
sumária destes conceitos.

População inicial – diz respeito ao número de cromossomas com que se inicia a procura da
solução e correspondem a soluções possíveis do problema que são geradas
aleatoriamente;

Fitness – é a avaliação/posição de cada cromossoma relativamente a toda a população,
sendo que um melhor valor de fitness, e.g. para um problema de minimização, representa
uma solução com um menor custo;

Elitismo – é o processo que copia os melhores cromossomas para a nova geração e depois
prossegue com a geração do resto da população;

Crossover – é o processo de combinar genes de dois cromossomas diferentes, dando
origem a uma nova solução. Este processo permite abrir o espaço de pesquisa;

Mutação – o processo de mutação ocorre depois do crossover e previne que as soluções
da população se reduzam a um ótimo local;

Geração – é o equivalente a cada iteração e corresponde ao próximo ciclo até ser aplicado
um critério de paragem;
19

Critério de paragem – avalia se a condição final é satisfeita e, se for, termina o algoritmo.
A. Gomes et al. [25] aplicam um algoritmo genético com uma função multiobjectivo na
identificação de ações que permitam alterar padrões de consumo de eletricidade, por forma a alcançar
diversos objetivos. As duas ações implementadas dizem respeito à aplicação de cortes de alimentação
e variação da temperatura de referência. Os autores concluíram que as ações não disruptivas obtêm
resultados semelhantes às ações liga/desliga, com o benefício de que estas não provocam desconforto
aos utilizadores.
Adicionalmente, referem que os algoritmos genéticos, por trabalharem com
populações, adaptam-se bem a problemas combinatórios multiobjectivo complexos, de natureza
combinatória. Pelo facto de estes funcionarem em cada iteração com um conjunto de possíveis
soluções para o problema, fornecem uma visão abrangente do espaço em que está a decorrer a
pesquisa.
2.4.4 Teoria dos Jogos
A teoria dos jogos é um ramo da matemática aplicada que estuda as escolhas de
comportamentos ótimos, quando o custo e benefício de cada opção não é fixo e depende da escolha
dos outros indivíduos. Um jogo é constituído por jogadores, um conjunto de movimentos ou
estratégias e uma definição de custo para cada combinação de estratégia [22].
V. Wong et al. [26] propuseram um algoritmo de otimização autónomo e de agendamento do
consumo de energia elétrica baseado em incentivos distribuídos, utilizando a teoria dos jogos. Este
algoritmo é capaz de minimizar o custo da energia e de balancear todo o consumo elétrico residencial
quando vários utilizadores partilham a mesma fonte de energia. A novidade trazida por este algoritmo
é a de que a otimização decorre, não só entre um utilizador e o fornecedor, mas sim entre vários
utilizadores e o fornecedor de energia. Neste algoritmo de teoria do jogo, os jogadores correspondem
aos utilizadores e a estratégia de jogo corresponde aos horários diários dos aparelhos domésticos e
respetivas cargas.
20
Figura 2.9 - Estratégia de gestão de energia que permite interação entre utilizadores e o fornecedor de energia [26].
Os resultados da simulação deste algoritmo demonstram que é possível reduzir o pico de
procura de energia, assim como o custo que o uso de essa energia acarta e o uso diário de energia por
parte de cada utilizador.
21
3 Descrição do caso de estudo
Antes de se proceder à etapa da modelação e implementação de um algoritmo de gestão de
energia, é necessário conhecer as características do espaço onde este será implementado e os
equipamentos disponíveis, pois só assim é possível conhecer as limitações do algoritmo.
Desta forma, o presente capítulo encontra-se dividido em três subcapítulos. No primeiro, 3.1,
procede-se a um levantamento das características físicas do espaço (localização - 3.1.1 e análise
construtiva - 3.1.2), bem como todos os equipamentos disponíveis no interior da sala (equipamentos
controlados pelo utilizador - 3.1.3, equipamentos de medição - 3.1.4 e equipamentos de geração de
energia - 3.1.5). Nos subcapítulos 3.2 e 3.3 procede-se com a modelação do espaço, em que se
caracteriza e se avalia a performance de dois modelos térmicos distintos.
3.1 Caracterização física e funcional
No presente capítulo é feita uma descrição e caracterização do espaço em estudo. Esta
descrição encontra-se dividida em 5 partes, que vão desde a localização do espaço e a análise
construtiva, a equipamentos disponíveis no interior da sala e a fontes de energia elétrica.
3.1.1 Localização
O local de estudo corresponde à sala do laboratório de energias 1.58, que se encontra no
primeiro piso do edifício do Instituto Superior Técnico (IST) - no campus Taguspark, no concelho de
Oeiras. A envolvente exterior é composta por uma fachada livre, com uma orientação solar para
Sudoeste. A envolvente interior confronta com quatro salas e uma zona de circulação comum. Na
figura seguinte, encontra-se esquematizado a planta e a localização da sala.
Figura 3.1 – Localização do local de estudo.
22
O espaço em questão tanto pode ser utilizado para modelar uma pequena habitação como também
uma zona de um edifício de escritórios.
3.1.2 Análise da construção
Para caracterizar a transmissão de calor através da envolvente opaca e dos vãos
envidraçados é necessário ter em conta o tipo de construção e os materiais que a sala em estudo
apresenta. Define-se como elementos opacos as paredes em contacto com o exterior e interior,
cobertura e pavimento. Na tabela seguinte (Tabela 3.1), apresentam-se as áreas em contacto com o
meio exterior e interior e os respetivos coeficientes globais de transmissão de calor:
Tabela 3.1 – Áreas em contacto com as envolventes exteriores e interiores.
Elemento
Parede a Sudoeste 1
Parede 2
Parede 3
Parede 4
Cobertura
Pavimento
Vão envidraçado
Área de contacto
[m2]
29,58
16,82
16,82
29,58
59,16
59,16
Tipo de
envolvente
Exterior
Interior
Interior
Interior
Interior
Interior
Exterior
Coeficiente global de transmissão de calor
[W/m2⁰C]
0,54
1,78
1,78
1,78
0,84
0,84
2
Para determinar o coeficiente global de transmissão de calor para cada um dos elementos
referidos anteriormente, é necessário o conhecimento: dos coeficientes da condutividade térmica
específicos de cada material construtivo, a sua espessura e os coeficientes de convecção do ar em
contacto com os elementos.
3.1.3 Equipamentos controlados pelo utilizador
No interior da sala, o utilizador tem acesso à intensidade de iluminação e à velocidade de
funcionamento do ventilo convetor. As características destes dois equipamentos encontram-se de
seguida:
3.1.3.1 Iluminação
Esta é constituída por 8 armaduras com duas lâmpadas de 35W (Tabela 3.2). A intensidade
de iluminação é regulável e a sua variação com a iluminância e consumo encontra-se representado
nos Gráfico 3.1 e Gráfico 3.2 [27].
Tabela 3.2 –
da
Caraterísticas
Iluminação.
Iluminação
23
Número de luminárias
Número e potência de
armaduras por luminária
Tipo de balastro
8x
Armadura 2x35W
Balastro eletrónico
regulável
As equações que descrevem a evolução de iluminância (3.1) e consumo energético (3.2)
consoante a intensidade de corrente aplicada às lâmpadas resultam de ensaios experimentais e são
as seguintes:
(3.1)
(3.2)
y = 1229 x5 - 29764 + 2103x3 - 244.74x2 + 9.0234x
120,00
Iluminância [Lux]
100,00
80,00
60,00
40,00
20,00
0,00
0
0,2
0,4
0,6
0,8
1
Intensidade corrente
Gráfico 3.1 – Iluminância em função da intensidade de corrente.
600
y = 9355x5 - 27030x4 + 27.482x3 - 11503x2 + 2.227x
500
W
400
300
200
100
0
0
0,2
0,4
0,6
0,8
1
Intensida de Corrente
Gráfico 3.2 – Consumo [W] em função da intensidade de corrente.
24
3.1.3.2 Ventilo-Convetor
No interior da sala existem dois ventilo-convetores, alimentados por um sistema a quatro
tubos com permutadores separados por arrefecimento e por aquecimento, estilo Cassette com as
seguintes características, Tabela 3.3 [28]:
Tabela 3.3 - Caraterísticas do ventilo convetor e do sistema de distribuição de água.
Ventilo Convetor, Carrier 42GWD 020
Velocidade do Ventilador
Baixa
Média
Alta
Fluxo de ar [m3/s]
Consumo [W]
0,178
70
0,315
140
0,468
200
Sistema a quatro tubos
Água quente °C
Água Fria °C
85
7
3.1.4 Instrumentos de medição
Por forma a controlar e atuar na iluminação e no sistema de climatização, existem quatro
tipos de sensores no interior da sala: sensor de temperatura; sensor de nível de dióxido de carbono;
sensor de humidade relativa e sensor de iluminância. Na Tabela 3.4 encontram-se especificados os
equipamentos correspondentes a cada sensor.
Tabela 3.4 – Sensores no interior da sala.
Sensores
Temperatura [°C]
Nível de CO2 [ppm]
Humidade Relativa [%]
Luminância [Lux]
Modelo
Berker 75900056
Berker 75900056
Berker 75900056
Berker 75900056
Para além destes sensores ainda é possível saber em que estado se encontra o ventilo
convetor (estado ligado/ desligado e velocidade do ventilador) e a intensidade de corrente imposta
às lâmpadas.
No exterior do edifício existe uma estação meteorológica que indica o estado atual da
temperatura, humidade relativa, vento e radiação solar (Merten refª 663990 + 663992).
Os valores das variáveis da previsão climatérica são retirados do Website de meteorologia do
Instituto Superior Técnico [29].
25
3.1.5 Equipamentos de geração de energia elétrica
No laboratório existem duas fontes distintas de energia elétrica. Uma proveniente da rede
elétrica nacional e outra oriunda de micro geração. O fornecimento da energia elétrica da rede é
feito com um contrato de tarifa tri-horária com a tabela de preços indicada na Tabela 3.5.
Tabela 3.5 - Tabela de preços da energia ativa.
Períodos
Preço
Ponta
Cheia
Vazio
Potencia hora de ponta
0,10€/KWh
0,09€/KWh
0,07€/KWh
0,29€/KW/dia
A energia oriunda de micro geração é composta por um sistema de geração e
armazenamento. Este sistema encontra-se instalado num contentor situado no exterior do Edifício
Taguspark. O sistema de geração de energia é composto por três pares de painéis fotovoltaicos e
uma turbina eólica. O sistema de armazenamento de energia é formado por um conjunto de três
baterias. O esquema de montagem do sistema de geração e armazenamento encontra-se ilustrado
na Figura 3.2 e as especificações dos equipamentos na Tabela 3.6.
Tabela 3.6 - Especificações dos equipamentos de geração e armazenamento de energia.
Equipamento
Painéis
Fotovoltaicos
Turbina Eólica
Baterias
Referencia
4xLDK 235Wp
2xLDK 230Wp
[30]
Southwest
Windpower Air 40
[31]
Autosil
EC3240Ah/5h
Inversor
SMA Sunny Island
SI 2224
Controlador do
carregador
Steca PR2020
[32]
Unidades
Características
6
Potencia Nominal
235 Wp
230 Wp
1
Energia
160 W
@12,5 m/s
3
720Ah
24V
1
230V; 2200W
3
24V; 20A
26
Figura 3.2 – Esquema de montagem do sistema de geração e armazenamento de energia [33].
3.2 Modelação
Para o modelo de otimização obter a melhor solução, este necessita de testar várias soluções
até convergir para o melhor resultado. Como estas soluções dizem respeito a eventos no futuro, é
necessário conhecer a evolução no tempo das condições ambientais no interior da sala, consoante os
vários estímulos aplicados. Assim, para simular a evolução das condições ambientais no interior da
sala optou-se por desenvolver dois modelos.
O primeiro modelo, intitulado de modelo simplificado, é obtido através de um balanço de
energia à sala. O segundo modelo utiliza o software EnergyPlus para simular a evolução ambiental.
3.2.1 Modelo térmico simplificado
O modelo simplificado tem como objetivo conhecer a evolução da temperatura no interior
da sala ao longo do tempo. Este é conseguido através de uma análise transiente de volume de
controlo utilizando o princípio de conservação de energia.
As cargas térmicas consideradas no volume de controlo são as seguintes:

Interna de ocupação
;
Em que
corresponde ao calor sensível dos ocupantes e
(3.3)
ao número total
de ocupantes.

Interna de equipamento
27
∑
Em que
;
(3.4)
corresponde ao calor libertado pelo equipamento e
ao número
total desse tipo de equipamento.

Interna de iluminação
;
Em que
(3.5)
corresponde ao calor libertado pela iluminação e
o número total de
iluminação.

Trocas de condução e convecção com a envolvente exterior
;
Em que
e
correspondem às áreas da parede e vidro, respetivamente, onde ocorrem
trocas de calor por condução e convecção.
globais da parede e vidro.

(3.6)
e
e
são os coeficientes de transferência de calor
correspondem à temperatura exterior e interior da sala.
Ventilação forçada e natural
̇
As variáveis
condicionado.
̇
e
̇
̇
;
(3.7)
correspondem aos caudais mássicos de insuflação e do ar
corresponde à temperatura do ar insuflado e
corresponde à temperatura
oriunda do ar condicionado.

Radiação das superfícies opacas
(3.8)
e
Em que

(parede clara);
corresponde à radiação incidente na superfície.
Radiação de superfícies envidraçados
;
(3.9)
As expressões das cargas térmicas consideradas neste modelo simplificado têm como
referência o trabalho de Azevedo [16] e as equações utilizadas no RSECE (Decreto-Lei n.79/2006 - 4
Abril).
Para o volume de controlo, os efeitos da energia cinética e potencial são desprezados. Desta
forma, o balanço de energia toma a seguinte forma, descrita na Equação (3.10):
28
∑
̇
(3.10)
̇
Assumindo que a massa contida no interior do volume de controlo permanece constante ao
longo do tempo, o termo à esquerda do balanço de energia pode ser colocado como:
(3.11)
Substituindo na equação (3.10 o termo da esquerda pela equação (3.11 e separando os
termos que dependem da variável T para o lado esquerdo da equação, o balanço de energia toma a
seguinte expressão:
(
)
̇
∑
̇
(
)
̇
̇
(3.12)
Resolvendo a equação diferencial não homogénea (3.12), a temperatura da sala ao longo do
tempo t pode ser dada por:
(3.13)
Em que as variáveis B e C são dadas por:
̇
∑
(
)
̇
̇
̇
(3.14)
(3.15)
3.2.2 Modelo de EnergyPlus
O software EnergyPlus é um programa computacional desenvolvido para a simulação de
cargas térmicas e analise energética de edifícios. Este software funciona como um conjunto de vários
programas, que combinados são capazes de simular a resposta do um edifício, consoante as várias
condições operacionais e ambientais impostas. O núcleo da simulação é um modelo de edifício
baseado em princípios fundamentais de equilíbrio de calor.
29
O modelo criado através do software EnergyPlus contém todas as características indicadas
nos pontos 3.1.1, 3.1.2 e 3.1.3. Para além das características físicas da sala, o software EnergyPlus
necessita de um ficheiro climático [34]. Este ficheiro contém dados horários de várias variáveis
climáticas num período de um ano:

Temperatura do bolbo seco [°C];

Radiação difusa [Wh/m2];

Humidade relativa [%];

Velocidade do vento [m/s];

Pressão atmosférica [Pa];

Direção do vento [°];

Radiação direta [Wh/m2];

Precipitação.
Para além do ficheiro climático, o software EnergyPlus necessita também de um ficheiro que
indica qual a velocidade de funcionamento do ventilo convetor (velocidade 0, 1, 2 ou 3) a cada 10
minutos num período de dois dias. As variáveis obtidas através da simulação do programa EnergyPlus
são:

Temperatura no interior da sala [°C];

Temperatura radiativa no interior da sala [°C];

Humidade relativa no interior da sala [%].
Na figura seguinte (Figura 3.3), encontra-se o esquema de funcionamento do EnergyPlus.
Figura 3.3 – Esquema de funcionamento do EnergyPlus.
30
3.3 Validação dos modelos
Com o intuito de garantir que os resultados obtidos através dos dois modelos térmicos
anteriores, EnergyPlus e modelo térmico simplificado, se encontram numa gama próxima dos valores
reais verificados no interior da sala, foi necessário proceder à validação dos mesmos. Optou-se por
analisar dois casos distintos: sem climatização no interior da sala e outro com climatização.
3.3.1 Sem climatização
Optou-se por analisar a resposta dos modelos sem climatização, para assegurar que a escolha
das constantes térmicas da envolvente opaca se aproximam da realidade. Os dados foram recolhidos
durante três dias, sem a presença de pessoas no interior da sala e com as janelas e portas fechadas
durante toda a recolha de dados. Em paralelo com a recolha de dados, os dois modelos térmicos
simularam a evolução das condições no interior da sala com uma previsão de uma hora. No gráfico
seguinte (Gráfico 3.3) encontram-se os resultados obtidos.
Temperatura [⁰C]
30
28
26
24
22
20
6:00
12:00 18:00
0:00
6:00
12:00 18:00
0:00
6:00
12:00 18:00
0:00
6:00
12:00
Horas
Temperatura Sala
Modelo Simplificado
EnergyPlus
Gráfico 3.3 – Comparação dos valores de temperatura obtidos através do modelo simplificado e do modelo EnergyPlus com
os valores de temperatura medidos no interior da sala em estudo durante três dias.
Através da observação do gráfico anterior (Gráfico 3.3) é possível visualizar que o modelo
EnergyPlus para além de seguir a tendência da evolução da temperatura, os seus valores aproximamse muito dos valores reais. Pode-se então concluir que o modelo EnergyPlus é capaz de simular a
evolução da temperatura no interior da sala com alguma precisão. Este modelo apresenta um erro
médio de 0,4°C e um desvio padrão de 0,3°C.
Em relação aos resultados obtidos através do modelo térmico simplificado, estes já não se
aproximam dos valores medidos no interior da sala. Apesar de estes seguirem a evolução da
temperatura: no período das 6:00 às 17:00 a temperatura aumenta e das 17:00 às 6:00 a
31
temperatura diminui; os valores extremos quente e frio apresentam diferenças de quatro e três
graus relativamente aos valores reais, respetivamente. Este acentuado desencontro de valores pode
estar associado a três fatores: o cálculo das trocas de condução e convecção com a envolvente
exterior, o cálculo dos ganhos por radiação nas superfícies opacas e envidraçados e o facto de o
modelo não ter em consideração a inercia térmica do edifício. No período da noite, apenas o cálculo
das trocas de condução e convecção com a envolvente exterior interfere com os valores das
temperaturas, enquanto que no período do dia os dois cálculos influenciam a evolução da
temperatura. Pode-se observar esta mesma influência através do Gráfico 3.3, uma vez que os valores
das temperaturas no período do dia se afastam mais dos valores reais do que no período da noite.
3.3.2 Com climatização
Uma vez que o ventilo convetor dispõe de três velocidades de funcionamento, é necessário
fazer a validação do modelo simplificado e do modelo em EnergyPlus para as diferentes velocidades
de funcionamento. Tal como no caso sem climatização, subsecção 3.3.1, os dados foram recolhidos
com as janelas e portas fechadas até a temperatura no interior da sala estabilizar. Garantiu-se um
intervalo de um dia sem que o ventilo-convetor estivesse ligado entre cada registo, para que a
influência da alteração de temperatura no interior da sala devido ao uso do ventilo-convetor não
interferisse na recolha e análise de dados das várias velocidade de funcionamento. Os gráficos
seguintes dizem então respeito à comparação dos valores reais com os valores simulados pelo
Temperatura [⁰C]
EnergyPlus e Modelo Simplificado.
31
30
29
28
27
26
25
24
23
22
21
14:16
Velocidade 3
14:45
15:14
15:43
Temperatura da Sala
16:12
Horas
EnergyPlus
16:40
17:09
17:38
18:07
Modelo Simplificado
Gráfico 3.4 – Comparação dos valores de temperatura obtidos através do modelo EnergyPlus com os valores de
temperatura medidos no interior da sala com o ventilo convetor a funcionar na velocidade 3.
32
Temperatura [⁰C]
30
29
28
27
26
25
24
15:21
Velocidade 2
15:50
16:19
Temperatura da sala
16:48
Horas
17:16
EnergyPlus
17:45
18:14
18:43
Modelo Simplificado
Gráfico 3.5 – Comparação dos valores de temperatura obtidos através do modelo EnergyPlus com os valores de
temperatura medidos no interior da sala com o ventilo convetor a funcionar na velocidade 2.
Temperatura [⁰C]
Velocidade 1
26
25
24
23
22
12:28
12:36
12:43
12:50 Horas12:57
Temperatura da sala
EnergyPlus
13:04
13:12
Modelo Simplificado
Gráfico 3.6 – Comparação dos valores de temperatura obtidos através do modelo EnergyPlus com os valores de
temperatura medidos no interior da sala com o ventilo convetor a funcionar na velocidade 1.
Através da observação dos gráficos anteriores (Gráfico 3.44, Gráfico 3.55 e Gráfico 3.66) os
dois modelos seguem a tendência da evolução da temperatura e os seus valores aproximam-se
consideravelmente dos valores reais, embora o modelo simplificado tenha um erro menor para todas
as velocidades, enquanto que o modelo EnergyPlus apenas para a velocidade dois apresenta erros da
mesma ordem de grandeza do modelo simplificado. Conclui-se no entanto que os dois modelos,
EnergyPlus e Simplificado, são capazes de simular a evolução da temperatura no interior da sala com
o ventilo-convetor a funcionar nas diferentes velocidades de funcionamento. Na Tabela 3.7
apresenta-se os erros absolutos médios e respetivo desvio padrão nas três velocidades de
funcionamento para os dois modelos.
Tabela 3.7 – Erros absolutos médios e respetivo desvio padrão nas três velocidades de funcionamento para os dois modelos
Velocidade de
funcionamento
Modelo Simplificado
Erro absoluto
médio
desvio padrão
EnergyPlus
Erro absoluto
médio
desvio padrão
1
0,4°C
0,2°C
0,1°C
0,1°C
2
0,2°C
0,1°C
0,3°C
0,2°C
3
1,1°C
0,4°C
0,4°C
0,1°C
33
3.4 Modelo de Conforto térmico
O modelo de conforto térmico utilizado para avaliar o nível de conforto térmico sentido no
interior da sala é o Modelo de Equilíbrio Estático de Calor da norma ASHRAE 55. Tal como foi descrito
no subcapítulo 2.2 este modelo necessita de seis variáveis para calcular a percentagem de conforto
térmico:

Temperatura do ar

Temperatura radiante ̅ [°C];
 Humidade relativa
[°C];
 Velocidade do ar
[m/s];
 Taxa metabólica
[Met];
 Isolamento térmico do vestuário
[%];
[CLO].
A previsão da percentagem de desconforto, PPD, é dada pela seguinte equação (3.16):
(
)
(3.16)
em que a variável PMV corresponde ao valor médio previsto, que é dado por (3.17):
(3.17)
em que M é a taxa metabólica de produção de calor [Met] e S é a taxa de energia acumulada pelo
corpo humano [W/m2] dada pela seguinte equação (3.18):
(3.18)
esta equação indica que a taxa de energia acumulada pelo corpo humano, S, é igual à diferença entre
a taxa metabólica, M, e a taxa de trabalho mecânico, W, subtraindo o calor transferido para o
ambiente através da pele (segunda parcela da equação,
(terceira parcela da equação,
) e através da respiração
).
O calor sensível perdido através da pele,
, e das roupas através de convecção,
, e
radiação, , é dado pelas equações (3.19), (3.20) e (3.21), respetivamente:
;
em que a pressão
(3.19)
;
(3.20)
̅ ;
(3.21)
é dada por (3.22):
(3.22)
(
)
(3.23)
34
O fator de roupa,
, depende do valor do isolamento da roupa,
, e é dado pela seguinte
expressão (3.24):
(3.24)
O coeficiente de transferência térmica de convecção,
e de radiação,
, são dados pelas
seguintes expressões (3.25) e (3.26):
(3.25)
(3.26)
Por último, a temperatura da roupa,
{
em que a temperatura da pele
, é calculada da seguinte forma (3.27):
̅
[
]}
(3.27)
é dada por (3.28):
(3.28)
e as variáveis
assumem o seguinte valor:
.
(3.29)
3.5 Modelo de Previsão de Produção de Energia Solar
Utilizou-se o modelo dos três parâmetros [35], descrito na dissertação do autor T. Soares
[36], para calcular a quantidade de energia que os seis painéis solares, instalados no exterior do
laboratório, são capazes de desenvolver. O cálculo numérico deste modelo encontra-se desenvolvido
no software Matlab. Este recebe como parâmetros iniciais:

Ano;


Mês;

Dia;

Latitude do local;

Hora;

Irradiância

Minuto;
Temperatura
exterior;
E devolve a potência de saída, em Watts, que os seis painéis salares são capazes de
desenvolver,
mediante
o
dia
e
as
condições
ambientais.
35
4 Modelos de Otimização
No presente capítulo encontram-se descritos dois modelos de otimização. O primeiro
modelo, intitulado de Modelo Energy Box, consiste na implementação de uma adaptação do
algoritmo proposto por D. Livengood e R. Larson utilizando Programação Dinâmica [5], enquanto que
o segundo modelo, Modelo Algoritmo Genético, foi desenvolvido de raiz para este trabalho.
Ambos têm como objetivo ajustar o consumo de energia ao conforto dos ocupantes, aos
preços praticados nos instantes otimizados e à produção de energia renovável. O primeiro modelo
utiliza a programação dinâmica como ferramenta de otimização enquanto que o segundo utiliza o
algoritmo genético.
4.1 Modelo Energy Box
Este modelo, tal como já foi descrito anteriormente, utiliza a programação dinâmica para
otimizar o uso do ar condicionado em casa e o uso da energia elétrica armazenada numa bateria
durante 24h. Os próximos subcapítulos, dizem respeito à descrição deste modelo, começando pela
definição das variáveis de decisão, quais as regras de transição e os vários estados envolvidos e por
último a função objetivo. Este modelo foi implementado utilizando o software Matlab.
4.1.1 Variáveis de Decisão
Existem duas variáveis de decisão neste modelo: a temperatura no interior da sala,
, e a utilização da bateria,
. No que diz respeito à primeira variável de decisão esta
está limitada superior e inferiormente, equação (4.1) e só pode assumir valores inteiros ou com as
dezenas aproximadas a 0,5.
(4.1)
A segunda variável de decisão, que corresponde ao estado da bateria, também se encontra
limitada superior e inferiormente equação (4.2), mas só pode assumir valores inteiros.
(4.2)
em que o valor zero corresponde a 0% de energia acumulada na bateria e o valor quatro a 100%
4.1.2 Regras de Transição
Utilizou-se o Modelo Térmico Simplificado (3.2.1) como regra de transição para se passar de
um estado da variável de decisão temperatura no interior da sala, para o estado seguinte:
36
(
Em que a variável
)
(4.3)
representa a temperatura exterior da hora , a variável
representa a velocidade de funcionamento do ventilo convetor (0, 1, 2 ou 3 ), a variável
representa a radiação solar incidente da hora
e por último a variável
e
representam a temperatura no interior da sala no instante atual e no instante seguinte
respetivamente. A varável
, tem de respeitar as seguintes condições (4.4):
{
(4.4)
Em que
e
corresponde à temperatura mínima e máxima que se
consegue atingir, estando no estado
máxima (
quando o ar condicionado é acionado na velocidade
), ou pelo contrario, não é acionado (
).
No que diz respeito à regra de transição de um estado da bateria para o estado seguinte, este
tem de obedecer à seguinte equação (4.5):
(4.5)
em que
é a produção de energia elétrica da hora
oriunda do painel solar e
éa
energia elétrica consumida pelo ar condicionado.
4.1.3 Função Objetivo
A função objetivo é dada pela seguinte função (4.6). Trata-se de um problema de
maximização da função objetivo.
{∑ | [
]}
(4.6)
em que:
(4.7)
Estas variáveis,
monetário. As funções,
e
representam a importância a dar ao conforto e ao custo
e
indicam o conforto térmico e o custo
monetário, respetivamente, da hora . Estas duas funções são dadas pelas seguintes expressões (4.8)
(4.9) :
37
(
[
{
(
)
(4.8
)
)]
[
(
)]
[
(
)]
(4.9
)
(4.10)
(4.11)
(
(
))
(4.12)
(
em que
(
))
corresponde ao preço da eletricidade da hora , a variável
máxima da bateria e o sobrescrito
corresponde à capacidade
corresponde ao preço máximo da tarifa e ao consumo
máximo de eletricidade do ventilo convetor. Quer a função de custo quer a função de conforto são
expressas em percentagem e por isso é possível introduzi-las na função objectivo.
4.1.4 Descrição do Modelo
Tal como foi dito no subcapítulo 2.4, o processo de obtenção da melhor solução no algoritmo
de programação dinâmica é efetuado através de uma análise das possíveis soluções em cada estágio,
principiada no último instante e evoluindo até se atingir o instante inicial.
O modelo inicia com a recolha de vários dados: tarifa praticada ao longo das 24 horas;
previsão da produção de energia elétrica proveniente dos painéis fotovoltaicos ao longo das 24 horas
e por último a previsão meteorológica das próximas 24 horas. O início da otimização começa no
instante 24 e para cada combinação de variáveis de estado,
e
, aplicam-se as
regras de transição expressas nas equações (4.3) e (4.5). Após este cálculo estar concluído, recolhemse as melhores combinações do estado seguinte,
e
, e transporta-se o respetivo
valor da função de custo para o instante anterior. Realiza-se este processo até se atingir o instante
inicial, obtendo-se assim um caminho com as melhores soluções. A título de exemplo, apresenta-se
38
um esquema de funcionamento do algoritmo de programação dinâmica aplicado no modelo Energy
Box na Figura 4.1.
Figura 4.1 – Exemplo do funcionamento do Modelo Energy Box
A Figura 4.1 exemplifica o cálculo da função objetivo quando se transita do instante 24 para o
instante 23. Na primeira tabela encontram-se no lado esquerdo os possíveis estados do instante 23,
e
, que neste caso só se encontra exemplificado a combinação
e
. Através das funções de transição de estado, estas indicam que no instante 24,
instante seguinte, o valor dos estados
e
podem assumir vários valores, e
correspondem, neste exemplo, a 4 e 25 ou 0 e 23 respetivamente. Associado a cada transição do
instante 23 para o 24, existe o valor da função de custo, que neste caso é 70 ou 90. Como se trata de
um problema de maximização, a transição que obter o valor da função de custo mais elevada é a
escolhida. Neste caso o valor da função objetivo é 90 e a melhor combinação para o instante 24 é
e
. Este valor da função objetivo transita para a tabela seguinte e será
somada ao valor da combinação de estados do instante 22 para o instante 23. Procede-se a este
cálculo sistematicamente até se atingir o instante 1, instante atual. No lado direito das tabelas
encontra-se a melhor combinação de estados, caminho ótimo, e o valor respetivo da função objetivo.
4.2 Modelo Algoritmo Genético
Existem três versões do modelo Algoritmo Genético:
1. A primeira utiliza o modelo térmico simplificado na simulação da temperatura no interior da
sala e utiliza a mesma função objetivo que o modelo EnergyBox. Esta primeira versão deste
39
modelo irá permitir a comparação entre os dois métodos distintos de otimização,
programação dinâmica e algoritmos genéticos;
2. A segunda versão do modelo algoritmo genético substitui o modelo térmico simplificado,
utilizado na primeira versão do modelo, pelo software EnergyPlus. Através desta segunda
versão, é possível comparar o uso diferentes modelos térmicos;
3. Por último, a terceira versão utiliza também o software EnergyPlus e acrescenta na função de
custo uma nova variável de decisão: intensidade luminosa, com os respetivos
constrangimentos que esta nova variável impõe. O funcionamento destas três versões são
idênticas, por isso apenas se irá proceder à explicação da versão dois do modelo Algoritmo
Genético e sempre que exista uma diferença substancial entre as versões será feita a
respetiva referência.
O funcionamento deste modelo pode ser dividido em duas fases distintas: alocação de
variáveis e otimização. Para melhor compreensão, na Figura 4.2 encontra-se o esquema de
funcionamento da versão dois do modelo, idêntica para a versão três e com algumas variações em
relação à versão um. O Modelo Algoritmo Genético também se executa com auxílio do software
Matlab.
Figura 4.2 Esquema de funcionamento do Modelo Algoritmo Genético
40
A primeira parte de funcionamento deste modelo na versão dois diz respeito à alocação de
variáveis e à preparação de dados. O programa inicia com a recolha dos dados da previsão
climatérica do dia. De seguida estes dados são introduzidos no ficheiro climático do EnergyPlus,
juntamente com o ficheiro de funcionamento das três velocidades do ventilo-convector inicializadas
na velocidade zero. Após a introdução de dados estar concluída, é dada ordem ao EnergyPlus para
simular a evolução térmica da sala das próximas 24 horas para os diferentes estados do ventiloconvetor. A evolução térmica da sala resultante do EnergyPlus é analisada pelo modelo de conforto
térmico e que daí resulta a percentagem de desconforto sentida no interior da sala. Para a versão 1
deste modelo, em vez da utilização do EnergyPlus, utiliza-se o modelo térmico simplificado.
A fase seguinte diz respeito à otimização através do algoritmo genético. Em cada iteração o
programa EnergyPlus e o modelo de conforto térmico são executados. Após a otimização terminar,
são recolhidos os valores atribuídos à velocidade do ventilo-convetor que melhor otimizam o sistema
e, no caso 3, também à intensidade de iluminação.
4.2.1 Variáveis de entrada
As variáveis de entrada estão divididas em três grupos: as variáveis de entrada do software
EnergyPlus, as variáveis de entrada no modelo do conforto térmico e as variáveis de entrada do
modelo de otimização. As variáveis de entrada do EnergyPlus dizem respeito ao ficheiro climático e à
velocidade do ar condicionado (velocidade 0, 1, 2 ou 3). No modelo de conforto térmico, as variáveis
de entrada são: temperatura do ar e temperatura radiante [°C]; humidade relativa [%]; taxa
metabólica [Met]; isolamento do vestuário [Clo] e velocidade do ar [m/s]. As primeiras três variáveis
resultam da simulação do EnergyPlus e as restantes correspondem a valores fixos. Por último, as
variáveis de entradas do modelo de otimização correspondem a: percentagem de conforto térmico
proveniente do modelo de conforto térmico; valor que corresponde à importância a dar ao conforto
ou ao custo monetário em cada hora; preço praticado em cada hora [€/kW]; produção de energia
renovável e na versão três do modelo iluminância no interior da sala [lux].
4.2.2 Função Objetivo
O problema a ser otimizado consiste num problema de minimização multiobjectivo: garantir
o conforto no interior da sala (minimizar o desconforto), tendo sempre em consideração o custo
monetário deste mesmo conforto. A equação seguinte, (4.13), traduz a função de custo do problema:
{∑[
]}
(4.13)
41
em que:
(4.14)
Tal como no modelo EnergyBox,
representa a importância a dar ao custo e
a
importância a dar ao desconforto em cada hora. A função de desconforto é dada por:
̅̅̅
(4.15)
Na versão três do modelo acrescenta-se à função de desconforto sentido pela falta de
iluminação, em que
é a intensidade luminosa:
̅̅̅
(4.16)
A função de custo é dada pelas mesmas equações do modelo EnergyBox: (4.9), (4.10), (4.11)
e (4.12).
Na versão três deste modelo, acrescenta-se na função de custo o consumo de eletricidade da
iluminação na parcela de cima da equação e na parcela de baixo o consumo máximo da iluminação
(4.9), (4.11) e (4.12).
4.2.3 Constrangimentos
Os constrangimentos que se impõem a este problema de otimização dizem apenas respeito
à iluminância da sala e ao estado da bateria. A iluminância no interior da sala tem de ser superior a
100 Lux, ou seja a soma da iluminância proveniente da iluminação natural e artificial tem de ser igual
ou superior a este valor. Como o sensor de iluminância se encontra instalado na parte superior da
parede, atrás de experimentação, verificou-se que os 300 Lux, valor indicado pela norma, que devem
ser medidos na bancada de trabalho correspondem a 100 Lux na localização do sensor. O
constrangimento da bateria é idêntico ao modelo EnergyBox, equação (4.5).
42
5 Resultados
No presente capítulo, procede-se à análise dos resultados obtidos das várias simulações
realizadas em cada modelo. O primeiro subcapítulo destina-se à comparação do modelo Energy Box
com a versão um do modelo Algoritmo Genético. No segundo subcapítulo compara-se a utilização do
modelo térmico simplificado com o software EnergyPlus, ambos implementados no modelo
Algoritmo Genético. Por último, analisam-se os resultados obtidos da implementação da versão três
do Algoritmo Genético.
5.1 EnergyBox VS Versão 1 Modelo Algoritmo Genético (Simulação)
Para a elaboração das simulações escolheu-se um dia típico de verão e registaram-se as
previsões meteorológicas para esse dia, bem como as medições das condições interiores reais de
temperatura e humidade. Os dados recolhidos no interior da sala foram registados sem a presença
de pessoas no seu interior e garantiu-se que os ventilo-convetores se encontravam desligados. Este
procedimento garante as mesmas condições para todas as simulações elaboradas quer pelo modelo
EnergyBox quer pelo modelo Algoritmo Genético.
Decidiu-se alterar, para estes ensaios, o valor da energia que a bateria acumula, uma vez que
o seu valor real é muito elevado e com a utilização apenas do ar condicionado, esta nunca chega a
descarregar completamente. Assim, como o objetivo dos ensaios é compreender como é que os
modelos gerem a disponibilidade de energia na bateria, produção de energia e preços praticados
naqueles instantes é necessário que o valor da bateria esteja na mesma ordem de grandeza que a
energia consumida pelo ar condicionado. Assim o valor da bateria passou para para 17,3kWh.
Uma vez que estes modelos utilizam o modelo térmico simplificado para a previsão da
temperatura no interior da sala, este modelo apresenta erros médios de três a quatro graus Celcius,
existe a necessidade de evidenciar essa diferença substancial graficamente. O Gráfico 5.1 mostra a
evolução da temperatura real no interior da sala com a simulação das condições de recolha de dados
obtida através do modelo térmico simplificado, ou seja sem o uso de ventilo-convetor e sem a
presença de pessoas no seu interior.
43
Temperatura no interior da sala
Temperatura [C⁰]
32
30
28
26
24
22
20
21:36
2:24
7:12
12:00
16:48
21:36
Horas
Temperatura Sala durante a recolha de dados
Modelo Simplificado
Gráfico 5.1 – Temperatura real e simulada no interior da sala sem a presença de pessoas e sem o VC ligado.
Realizaram-se inicialmente cinco tipos de simulações, em que se variou o parâmetro que dita
a influência a dar ao conforto ou ao custo monetário,
. Na tabela seguinte (Tabela 5.1)
encontram-se ilustrados os vários tipos de ensaios realizados.
Tabela 5.1 – Parâmetros utilizados nos vários ensaios.
Ensaio
1
2
3
4
5
0
1
0,3
1
0,5
1
0,7
1
1
Horário
9:00 – 12:00 e 13:00 – 19:00
Restantes horas
9:00 – 12:00 e 13:00 – 19:00
Restantes horas
9:00 – 12:00 e 13:00 – 19:00
Restantes horas
9:00 – 12:00 e 13:00 – 19:00
Restantes horas
Tempo inteiro
Para o modelo Energy Box, uma vez que este utiliza a programação dinâmica e este garante o
valor ótimo, apenas se recolheram dados de uma simulação. Para o modelo Algoritmo Genético, uma
vez que este não garante o valor ótimo, repetiram-se três vezes cada ensaio, utilizando-se uma
população de 40 elementos e 40 gerações. Estes valores de população e gerações foram escolhidos
após uma pequena afinação do algoritmo.
Nas tabelas seguintes encontram-se os resultados obtidos das várias simulações dos dois
modelos. Em cada tabela apresenta-se a média dos valores da função objetivo, representada pela
sigla FO em percentagem, conforto em percentagem, custo em percentagem e em euros verificados
nas 24 horas otimizadas.
44
Tabela 5.2 – Resultados do ensaio 1,
Ensaio
FO [%]
96,4
96,2
Ótimo
97,1
Tabela 5.3 – Resultados do ensaio 2,
FO [%]
94,4
93,2
Ótimo
95,1
Tabela 5.4 - Resultados do ensaio 3,
FO [%]
Melhor
Média
96,3
96,2
Ótimo
94,4
Tabela 5.5 - Resultados do ensaio 4,
Ensaio
FO [%]
Melhor
Média
96,1
96,2
Ótimo
93,6
Tabela 5.6 - Resultados do ensaio 5,
Ensaio
Melhor
Média
Conforto [%]
Custo [%]
Modelo Algoritmo Genético V1
90,9
100
90,8
100
Modelo EnergyBox
92,4
=0,3 ou
100
Custo [€]
6,50
6,47
6,61
=1
2
Melhor
Média
Ensaio
=1, FO – função objetivo.
1
Melhor
Média
Ensaio
=0 ou
FO [%]
96,1
96,2
Conforto [%]
Custo [%]
Modelo Algoritmo Genético V1
89,1
92,5
90,1
91,7
Modelo EnergyBox
91,34
92,5
=0,5 ou
3,00
Custo [€]
1,52
1,52
3,09
=1
4
Conforto [%]
Custo [%]
Modelo Algoritmo Genético V1
77,6
100
77,8
100
Modelo EnergyBox
91,34
92,5
=1 ou
3,08
2,89
=1
3
Conforto [%]
Custo [%]
Modelo Algoritmo Genético V1
84,7
96,3
84,5
96,7
Modelo EnergyBox
91,2
92,5
=0,7 ou
Custo [€]
Custo [€]
0,00
0,00
3,20
=1
5
Conforto [%]
Custo [%]
Modelo Algoritmo Genético V1
77,6
96,1
77,8
96,2
Modelo EnergyBox
Custo [€]
0,00
0,00
45
Ótimo
95,7
88,7,4
95,7
1,52
Observando os resultados das tabelas anteriores e o Gráfico 5.2, verifica-se que com o
aumento do valor de
(importância a dar ao custo) a percentagem de conforto diminui e a
percentagem de custo aumenta, o que significa que estes resultados estão de acordo com o
esperado. Os valores obtidos da função de objetivo nos vários ensaios são semelhantes, mas o
modelo Algoritmo Genético obtém melhores resultados, com exceção nos ensaios 1 e 2. Este facto
pode ser explicado, pela natureza do modelo de programação dinâmica, uma vez que a variável de
decisão de temperatura só pode assumir valores inteiros ou com a casa das dezenas igual a 0,5. Esta
mudança brusca dos valores da temperatura de um estado para o estado seguinte poderá influenciar
a escolha do melhor caminho, sendo mais notória quando a importância a dar ao custo é maior, e
que leva a escolher caminhos com o custo superior.
Os Gráficos, Gráfico 5.4 e Gráfico 5.5 comparam a evolução da função de objetivo, a
percentagem de conforto e a percentagem de custo ao longo das 24 horas entre os dois modelos
para o ensaio 3. Analisando o gráfico da função objetivo (Gráfico 5.5), depreende-se que esta é
máxima para os instantes em que o valor
é igual à unidade, uma vez que a percentagem de
conforto não se encontra em consideração e o valor da percentagem de custo é máximo, este
resultado vai de encontro aos resultados esperados.
Percentagem de conforto VS λ cost
Conforto [%]
110
90
70
50
30
21:36
2:24
7:12
12:00
16:48
21:36
Horas
0,5
0,3
0,7
1
0
Gráfico 5.2 – Comparação dos valores da percentagem de conforto para diferentes valores de
Percentagem de Conforto
Conforto [%]
100
1
90
0,8
80
0,6
70
0,4
60
0,2
50
21:36
.
0
2:24
7:12
12:00
16:48
21:36
Horas
λ cost
AG
EB
46
Gráfico 5.3 – Comparação da percentagem de conforto entre o modelo EnergyBox e Algoritmo Genético.
Percentagem de Custo
Custo [%]
100
1
80
60
40
20
0
21:36
0
2:24
7:12
λ cost
12:00
Horas
16:48
EB
21:36
AG
Gráfico 5.4 - Comparação da percentagem de conforto entre o modelo EnergyBox e Algoritmo Genético.
Funçao de Objectivo
Função Objectivo [%]
100
1
80
60
40
21:36
0
2:24
7:12
λ cost
12:00
Horas
16:48
EB
21:36
AG
Gráfico 5.5 - Comparação da função objetivo entre o modelo EnergyBox e Algoritmo Genético.
Um fator de diferenciação nos métodos de otimização é o tempo de simulação. O modelo
EnergyBox em média demora 12 segundos a obter o valor ótimo, enquanto que o modelo Algoritmo
Genético demora em média 44 segundos.
Apesar de o modelo EnergyBox ter tempos de simulação menores e os valores das funções
objetivos estarem na mesma gama de valores do modelo Algoritmo Genético, este método
apresenta demasiadas limitações. Mas para além das limitações, o facto de no modelo EnergyBox as
soluções serem opimas do ponto de vista matemático, às vezes as soluções menos boas do algoritmo
genético parecem melhores. Uma das grandes limitações do modelo EnergyBox prende-se pelo facto
de no método de programação dinâmica não existir um código genérico de fácil implementação, é
necessário desenvolver um código de raiz personalizado ao problema a otimizar. Outra grande
limitação diz respeito às variáveis de decisão, pois é necessário evidenciar quais os valores exatos
que estas podem assumir, sendo que no caso da variável de decisão da temperatura estas podiam
assumir 13 valores distintos. Por último, como se trata de um modelo que traça o caminho do
resultado ótimo do instante final para o inicial, a influência da inércia térmica do edifício quando o
ventilo conector é solicitado em instantes iniciais não é contabilizada, o que torna a implementação
do EnergyPlus na regra de transição da temperatura inviável, uma vez que desperdiça as
potencialidades deste software.
47
5.2 Versão 2 Modelo Algoritmo Genético (Simulação)
As simulações produzidas para a versão dois do modelo Algoritmo Genético ocorreram nas
mesmas condições que as simulações do subcapítulo anterior. A versão deste modelo utiliza o
EnergyPlus para a simulação da temperatura no interior da sala. No gráfico seguinte (Gráfico 5.6)
apresentam-se as evoluções das temperaturas obtidas no interior da sala e simuladas pelo
Temperatura [⁰C]
EnergyPlus.
Temperatura da Sala
29
28,5
28
27,5
27
26,5
26
21:36
2:24
7:12 Horas
EP
12:00
16:48
21:36
Sala
Gráfico 5.6 - Temperatura real e simulada no interior da sala sem a presença de pessoas e sem o VC ligado.
5.2.1 Ensaios 1 a 5 com 40 elementos e 40 gerações
Tal como no subcapítulo anterior realizaram-se cinco tipos de simulações, em que se variou o
parâmetro
. Na Tabela 5.1 encontram-se esquematizados os vários tipos de ensaios. Realizaram-
se três simulações para cada tipo de ensaio com uma população de 40 elementos e 40 gerações.
Nas tabelas seguintes (Tabela 5.7 a Tabela 5.11) encontram-se os resultados obtidos das
várias simulações das duas versões do modelo Algoritmo Genético. Em cada ensaio apresenta-se a
média dos valores da função de custo em percentagem, conforto em percentagem, custo em
percentagem e em euros verificados nos instantes otimizados. Esta versão 2 realizou otimizações de
10 em 10 minutos durante 24 horas.
Tabela 5.7 - Resultados do ensaio 1,
Ensaio
=0 ou
=1
1
FO [%]
Conforto [%]
Custo [%]
Modelo Algoritmo Genético V1
90,9
92,7
90,8
92,8
Modelo Algoritmo Genético V2
Melhor
Média
96,4
96,2
Melhor
87,3
92,9
93,0
Média
85,9
89,9
95,7
Custo [€]
6,50
6,47
9,97
10,31
48
Tabela 5.8 - Resultados do ensaio 2,
Ensaio
FO [%]
=0,3 ou
=1
2
Conforto [%]
Custo [%]
Modelo Algoritmo Genético V1
Melhor
94,4
89,1
92,5
Média
93,2
90,1
91,7
Custo [€]
3,08
2,89
Modelo Algoritmo Genético V2
Melhor
89,89
89,3
83,90
Média
87,56
88,2
91,23
Tabela 5.9 - Resultados do ensaio 3,
Ensaio
=0,5 ou
3
FO [%]
Conforto [%]
Custo [%]
Modelo Algoritmo Genético V1
84,7
96,3
84,5
96,7
Modelo Algoritmo Genético V2
96,3
96,2
Melhor
88,2
91,3
86,8
Média
88,1
91,3
86,6
Tabela 5.10 - Resultados do ensaio 4,
FO [%]
=0,7 ou
4
Conforto [%]
Custo [%]
Modelo Algoritmo Genético V1
77,6
100
77,8
100
Modelo Algoritmo Genético V2
96,1
96,2
Melhor
90,2
89,3
89,0
Média
89,3
90,1
88,8
Tabela 5.11 - Resultados do ensaio 5,
Melhor
Média
FO [%]
96,1
96,2
=1 ou
Custo [€]
1,52
1,52
5,48
5,95
=1
Melhor
Média
Ensaio
7,12
=1
Melhor
Média
Ensaio
6,82
Custo [€]
0,00
0,00
5,12
5,32
=1
5
Conforto [%]
Custo [%]
Modelo Algoritmo Genético V1
77,6
96,1
77,8
96,2
Custo [€]
0,00
0,00
49
Modelo Algoritmo Genético V2
Melhor
95,49
86,94
95,49
Média
94,87
87,24
94,87
1,11
1,20
Observando os valores da função objetivo das duas versões nos vários ensaios realizados,
verifica-se que os valores da segunda versão obtêm resultados ligeiramente inferiores. Este resultado
pode ser explicado, uma vez que os instantes a otimizar passam de 24 (24 horas) para 144 (10 em 10
min durante 24 horas), 6 vezes mais instantes e os parâmetros de otimização utilizados no algoritmo
genético das duas versões os mesmos. Este aumento de número de instantes a otimizar torna o
campo de pesquisa consideravelmente maior. O tempo de convergência passa de 44 segundos,
versão 1, para 4 horas, versão 2. A utilização do software EnergyPlus também contribui para este
aumento substancial do tempo de convergência, uma vez que cada simulação deste software
demora em média 4 segundos.
Os gráficos seguintes comparam a evolução da função objetivo, percentagem de conforto e
custo dos vários ensaios ao longo das 24 horas simuladas. No anexo A encontram-se todos os
gráficos.
Gráfico 5.7 – Percentagem de conforto para os cinco ensaios.
Gráfico 5.8 – Função objetivo para os cinco ensaios.
50
Gráfico 5.9 – Percentagem de custo para os cinco ensaios
Gráfico 5.10 – Estado da bateria para os cinco ensaios
Em relação ao Gráfico 5.7, este exibe a evolução de conforto durante as 24 horas para os
cinco ensaios. Verifica-se que no primeiro período onde
=1, as percentagens de conforto dos
cinco ensaios permanecem aproximadamente na mesma gama de valores e que no período das 9:00
– 12:00 horas as evoluções dispersam-se. Na pausa do almoço, onde
volta a assumir o valor
um, a percentagem de conforto em todos os ensaios decresce e quando se atinge as 13:00 horas os
ensaios com valores de
mais baixos aumentam a percentagem de conforto proporcionalmente
a este. Por último, no período final onde
=1, a evolução de conforto permanece constante em
todos os ensaios.
O Gráfico 5.10 apresenta a evolução do estado da bateria durante os 144 instantes de
otimização. Optou-se por exibir o estado da bateria de forma adimensional, em que o valor quatro
corresponde à bateria totalmente carregada e zero totalmente descarregada, por ser mais fácil a
perceção desta evolução. Verifica-se que no período da noite esta nunca carrega, uma vez que não
existe produção de energia proveniente dos painéis solares e que no período diurno esta é capaz de
carregar. Esta verificação vai de encontro ao esperado.
Comparando o gráfico do estado da bateria (Gráfico 5.10) com o gráfico da evolução da
percentagem de custo (Gráfico 5.9), a função de custo assume valores inferiores nos instantes onde o
estado da bateria não se encontra totalmente carregada, isto é, quando se utiliza o ventilo convetor
51
e a bateria não está totalmente carregada, é necessário recorrer à energia da rede, fazendo com que
a percentagem de custo assuma valores inferiores a 100%. Esta comparação de resultados está de
acordo com o esperado. Outra constatação que vai de encontro ao previsto, é de que o estado da
bateria nos ensaios onde
é inferior à unidade, verificando-se um maior uso da bateria. Uma vez
que a importância a dar ao conforto é maior, existe a maior necessidade de utilizar mais vezes a
ventilação forçada, o que faz com que a energia utilizada seja maior.
5.2.1 Ensaios 3 e 5 com 100 elementos e 100 gerações
Realizaram-se duas simulações adicionais dos ensaios três e cinco com uma população de
100 elementos e 100 gerações, para averiguar a influência que estes parâmetros têm na obtenção da
solução. Nas tabelas seguintes (Tabela 5.12 e Tabela 5.13) encontram-se os resultados obtidos:
Tabela 5.12 - Resultados do ensaio 3,
Ensaio
Melhor
Média
Melhor
Melhor
Média
Melhor
=1
3
FO [%]
Conforto [%]
Custo [%]
Modelo Algoritmo Genético V2 População:40 Gerações:40
88,2
91,3
86,8
88,1
91,3
86,6
Modelo Algoritmo Genético V2 População:100 Gerações:100
95,28
85,12
98,94
Tabela 5.13 - Resultados do ensaio 5,
Ensaio
=0,5 ou
=1 ou
Custo [€]
5,48
5,95
0,97
=1
5
FO [%]
Conforto [%]
Custo [%]
Modelo Algoritmo Genético V2 População:40 Gerações:40
95,49
86,94
95,49
94,87
87,24
94,87
Modelo Algoritmo Genético V2 População:100 Gerações:100
100
69,77
100
Custo [€]
1,11
1,20
0,00
Verifica-se que com o aumento de população e o número de gerações, o valor da função
objetivo aumenta substancialmente, assim como o tempo de convergência, que demorou 13 horas a
completar a simulação. Os gráficos seguintes dizem respeito aos resultados obtidos do modelo
Algoritmo Genético V2 com uma população de 100 elementos e uma geração de 100 com
=0,5.
52
Função Objectivo
100
1
90
Percentagem
80
70
60
0,5
50
40
30
20
21:50
0:14
2:38
5:02
7:26
9:50
Horas
Alfa
Conforto
12:14
14:38
Custo
17:02
19:26
0
21:50
FO
Gráfico 5.11 – Gráfico da função objetivo, percentagem de conforto e de custo para o modelo Algoritmo Genético V2 com
uma população de 100 elementos e uma geração de 100 com
=0,5.
Gráfico 5.12 - Gráfico da percentagem da custo, preços da eletricidade e das velocidades do VC para o modelo Algoritmo
Genético V2 com uma população de 100 elementos e uma geração de 100 com
=0,5.
4
3
2
Bateria
Produção [W]
Estado da Bateria
450
400
350
300
250
200
150
100
50
0
21:50
1
0:14
2:38
5:02
7:26
9:50
Bateria Horas
12:14
14:38
17:02
19:26
0
21:50
Produção
Gráfico 5.13 - Gráfico do estado da bateria e da produção de energia elétrica para o modelo Algoritmo Genético V2 com
uma população de 100 elementos e uma geração de 100 com
=0,5.
53
Temperatura
30
3
2
VC
Temperatura [⁰C]
25
20
1
15
10
21:50
0:14
VC
2:38
5:02
7:26
Temperatura Exterior
9:50
12:14
14:38
17:02
Horas
Temperatura Sala AG
19:26
0
21:50
Temperatura Sala Real
Gráfico 5.14 - Gráfico da temperatura exterior, temperatura da sala e velocidade do VC para o modelo Algoritmo Genético
V2 com uma população de 100 elementos e uma geração de 100 com
=0,5.
O Gráfico 5.11 compara a evolução da função objetivo, percentagem de conforto e de custo
durante as 24 horas. Através da observação desse gráfico percebe-se a influencia que
tem na
função de custo: nos três primeiros instantes em que se utiliza o ventilo convetor (23:50; 00:50 e
6:30), o valor de
é igual a 1, o que significa que é dada total importância ao custo, a função
objetivo é severamente castigada nesses instantes, atingindo o seu valor mais baixo, 30%, nos dois
primeiros instantes. Nos instantes onde
=0,5, observa-se um compromisso entre a velocidade a
escolher o respetivo aumento de conforto. A título de exemplo, no instante 13:40 a função objetivo
decresce de 91% para o valor de 74%, uma vez que utiliza a velocidade 3, o aumento de conforto
provocada pela utilização desta velocidade não compensa o custo desta, e por isso a percentagem da
função objetivo diminui.
No Gráfico 5.12 evidencia-se a importância que o preço de eletricidade praticado em cada
instante tem na escolha da velocidade do ventilo convetor. O único período onde se utiliza a
velocidade três é no período vazio; a velocidade dois no cheia e a velocidade um em todos os
períodos. Uma escolha curiosa, é a utilização da velocidade um às 06:40, o
nesse instante ainda
é igual a um, mas por a tarifa se encontrar no período de vazio, o algoritmo determinou que para
compensar o conforto nos futuros instantes seria uma boa opção utilizar a velocidade um
prematuramente, assim como a velocidade três nos instantes 23:50 e 00:50.
O Gráfico 5.13 mostra a evolução do estado da bateria com a produção de energia através do
painel fotovoltaico. Este gráfico evidencia a grande simplificação que se adotou no uso da bateria,
uma vez que ela é capaz de descarregar e carregar de um instante para o outro, o que fisicamente
isso não é possível.
54
Por último, no Gráfico 5.14 exibe a evolução da temperatura no interior da sala, com as
várias velocidades do ventilo convetor e a temperatura exterior. Neste gráfico confirma-se que as
três velocidades funcionam de acordo com o esperado, uma vez que a velocidade três é capaz de
diminuir mais a temperatura do que a velocidade dois e por conseguinte a um.
5.3 Versão 2 Modelo Algoritmo Genético (Ensaio real)
Houve a oportunidade de implementar a versão dois do modelo do Algoritmo Genético em
tempo real no laboratório de energias (3.1.1) mas com algumas limitações. Em primeiro lugar, antes
de se proceder à realização do ensaio foi necessário iniciar o algoritmo quatro horas antes do
instante inicial a otimizar, uma vez que este modelo demora quatro horas a obter a solução
(população: 40 gerações: 40). Os valores de
atribuídos para este ensaio encontram-se na
tabela seguinte, assim como o horário de todas as atividades realizadas para a elaboração deste
ensaio:
Tabela 5.14 - Horário de todas as atividades realizadas.
Horário
4:00 – 8:00
8:00 – 9:00
9:00 – 12:00
12:00 – 13:00
13:00 – 19:00
19:00 – 22:30
Etapa
Otimização
Implementação das
velocidades do VC
1
0,5
1
0,5
1
Infelizmente não foi possível realizar o controlo e registo do uso da bateria assim como o
registo do consumo de energia no interior da sala, sendo apenas possível registar as alterações da
temperatura no interior da sala. Desta forma os resultados que se apresentam de seguida dizem
apenas respeito à percentagem de conforto, utilização do ventilo convetor e temperatura no interior
da sala.
55
Temperatura no interior da sala
28
1
Temperatura [C⁰]
27
26
25
0,5
24
23
22
0
8:00
10:24
12:48
15:12
17:36
Horas
alfa
Ag
20:00
22:24
Sala
Gráfico 5.15 – Comparação da evolução da temperatura no interior da sala com modelo.
Percentagem de Conforto
100
3
Conforto [%]
90
2
85
80
1
75
Velocidade VC
95
70
65
0
8:00
10:24
12:48
AC
15:12
17:36
Horas
Sala
20:00
22:24
AG
Gráfico 5.16 - Comparação da percentagem de conforto no interior da sala com modelo.
Através da analise dos gráficos anteriores (Gráfico 5.15 e Gráfico 5.16), depreende-se que o
funcionamento do ventilo convetor no interior da sala tem uma influencia mais marcante na
alteração da temperatura do que a alteração simulada através do EnergyPlus. Apesar desta diferença
de resultados simulados e reais, quer o algoritmo quer a resposta no interior da sala à
implementação do algoritmo corresponderam às espectativas. O erro absoluto médio entre as
temperaturas foi de 0,5 °C com um desvio padrão de 0,4 °C.
Através da realização de todos estes ensaios, pode-se concluir que o software EnergyPlus
obtém resultados muito mais próximos da realidade do que o modelo térmico simplificado, o que faz
com que a versão dois do modelo Algoritmo Genético obtenha resultados com um menor erro em
relação à realidade. Mas, por outro, a versão um obtém melhores resultados em menos tempo (44
segundos) que a versão dois (4 horas), para os mesmos parâmetros de otimização (população e
gerações de 40). Para a versão dois obter melhores resultados, esta necessita de utilizar uma
56
população de 100 elementos e 100 gerações, mas esta alteração de parâmetros influência
enormemente o tempo de obtenção da solução, que passa de 4 horas para 13 horas. Existe aqui um
compromisso entre tempo de obtenção de resultados e qualidade de resultados. Um aspeto que não
foi estudado, foi a influência da qualidade dos dados de previsão meteorológica com a distância
desta previsão. Uma vez que a versão dois com os melhores parâmetros de otimização demora 13
horas a obter resultados a influencia dos dados de previsão pode ser determinante no compromisso
entre tempo e qualidade de resultados.
5.4 Versão 3 Modelo Algoritmo Genético
Esta versão três do modelo Algoritmo Genético tem em consideração o conforto visual, desta
forma a intensidade luminosa a aplicar às lâmpadas constitui mais uma variável de decisão. Efetuouse o ensaio três (Tabela 5.1) para se realizar o estudo deste modelo. Como se acrescentou mais uma
variável de decisão, foi necessário aumentar o número de população e geração para 200 unidades.
Os gráficos seguintes dizem respeito aos resultados obtidos. Através da observação do Gráfico 5.17,
que representa a evolução da iluminação natural no interior da sala, a iluminação artificial imposta
pela percentagem de iluminância imposta às lâmpadas e a iluminação total no interior da sala. É
possível verificar que só se utiliza iluminação nos instantes onde existem ocupantes,
=0,5 e que
a intensidade luminosa é maior no nascer e no por do sol. Este resultado está de acordo com o
esperado.
No Gráfico 5.18, que representa a evolução da função de custo e de conforto apenas
térmico, e Gráfico 5.19, que representa a evolução da função de custo e da velocidade do ventilo
convetor, é possível visualizar a influência que a utilização de iluminação provoca na função de
custo, pois nos instantes onde é utilizado iluminação a função de custo diminui drasticamente.
Iluminação
1
Iluminância [Lux]
500
0,8
400
0,6
300
0,4
200
0,2
100
0
21:36
Iluminação natural
Intensidade Luminosa
600
0
2:24
7:12
Iluminação artificial
12:00
Horas
16:48
Iluminação no interior da sala
21:36
Intensidade Luminosa
Gráfico 5.17 – Comparação entre a iluminação artificial, iluminação natural, iluminação no interior da sala e a intensidade
luminosa imposta às lâmpadas.
57
Função de Objectivo, Custo e Conforto
100
90
80
70
60
50
40
30
20
10
0
21:36
1
%
0,5
0
2:24
7:12
Horas
Função de Custo
Alfa
12:00
16:48
Conforto Térmico
21:36
Gráfico 5.18 - Comparação entre a função objetivo, função de custo e função de conforto, dividida entre conforto visual e
conforto térmico.
Função de Custo
120
3
80
2
60
40
1
Velocidade
Função de Custo
100
20
0
21:36
0
2:24
7:12
VC
Horas
12:00
16:48
21:36
Função de Custo
Gráfico 5.19 – Função de custo e velocidade do VC.
A introdução de mais uma variável de decisão neste algoritmo fez com que os resultados
obtidos piorassem, mesmo tendo aumentado para o dobro o número de população e gerações (200),
pois nos instantes onde a importância a dar ao custo é máxima
=1, verifica-se a utilização de
ventilação forçada.
Na tabela seguinte compara-se os resultados obtidos com esta versão três do algoritmo
genético com os resultados obtidos em 5.2.1 para o ensaio três.
Tabela 5.15 – Comparação entre a versão três e a versão dois do modelo algoritmo genético.
Ensaio
3
FO [%]
Conforto [%]
Custo [%]
Modelo Algoritmo Genético V2 População:100 Gerações:100
95,28
85,12
98,94
Modelo Algoritmo Genético V3 População:200 Gerações:200
72,88
89,85
65,54
Custo [€]
0,97
26,32
58
A função de custo diminuiu acentuadamente, o que significa que para se obter valores
próximo aos da versão 2, teria que se aumentar acentuadamente o número de gerações e
populações e aumentaria o tempo de convergência, que neste caso demorou 14 horas para valores
superiores.
59
6 Conclusão
Após implementação dos vários modelos, recolha de dados e análise dos resultados pode-se
concluir que, em todos os modelos, com o aumento do valor de
(importância a dar ao custo) a
percentagem de conforto diminui e a percentagem de custo aumenta.
Em relação aos primeiros resultados (5.1), o modelo EnergyBox, apesar de ter tempos de
simulação menores e os valores das funções objetivos estarem na mesma gama de valores do
modelo Algoritmo Genético, este método apresenta demasiadas limitações. Uma das grandes
limitações do modelo EnergyBox prende-se pelo facto de no método de programação dinâmica não
existir um código genérico de fácil implementação. Outra grande limitação diz respeito às variáveis
de decisão. É necessário evidenciar quais os valores exatos que estas podem assumir. Por último,
como se trata de um modelo que traça o caminho do resultado ótimo do instante final para o inicial,
a influencia da inércia térmica do edifício quando o ventilo-conector é solicitado em instantes iniciais
não é contabilizada, o que torna a implementação do EnergyPlus na regra de transição da
temperatura inviável, uma vez que desperdiça as potencialidades deste software. Todas estas
limitações fazem com que o modelo Algoritmo Genético seja uma escolha mais assertiva neste tipo
de problemas de otimização.
Pode-se concluir também que o software EnergyPlus obtém resultados mais próximos da
realidade do que o modelo térmico simplificado, o que faz com que a versão dois do modelo
Algoritmo Genético obtenha resultados com um menor erro em relação à realidade que a versão um
deste modelo. Um aspeto importante é de que o funcionamento do ventilo convetor no interior da
sala tem uma influência mais marcante na alteração da temperatura do que a alteração simulada
através do EnergyPlus.
Analisando a versão um com a versão dois do modelo do Algoritmo Genético, a primeira
versão obtém melhores resultados em menos tempo, para os mesmos parâmetros. Para a versão
dois obter melhores resultados, esta necessita de utilizar uma população de 100 elementos e 100
gerações, mas esta alteração de parâmetros aumenta o tempo de obtenção de resultados de 4 horas
para 13 horas. Um aspeto que não foi estudado, foi a influência da qualidade dos dados de previsão
meteorológica com a distância desta previsão. Uma vez que a versão dois com os melhores
parâmetros de otimização demora 13 horas a obter resultados a influência dos dados de previsão
pode ser determinante no compromisso entre tempo e qualidade de resultados.
Analisando os resultados obtidos através da versão três do algoritmo Genético, conclui-se
que este é capaz de gerir com eficácia o uso da iluminação, uma vez que nos períodos onde a sala se
60
encontra ocupada este é capaz de garantir o número mínimo de Lux para garantir o conforto visual.
Mas em relação à administração das velocidades e o uso do ventilo convetor, o seu comportamento
é muitíssimo inferior ao da versão dois deste modelo. Apesar de se ter aumentado o número de
população e de gerações para o dobro, este aumento não foi suficiente para garantir uma boa
solução.
Com base nos resultados obtidos, seria recomendado a elaboração de um estudo dos
parâmetros ótimos a utilizar em cada versão do Modelo Algoritmo Genético, desta forma poderia-se
averiguar com mais exatidão quais as melhores versões. Tal como foi referido anteriormente um
estudo da influência da distância da previsão meteorológica com os resultados obtidos através da
simulação, também seria interessante na escolha da melhor versão.
Seria interessante analisar todas estas simulações em tempo real na sala do laboratório de
energias, tal como foi feito para apenas um caso, e elaborar questionários de conforto térmico para
garantir que as percentagens de conforto obtidas correspondem à realidade.
Um grande melhoramento, que seria recomendado realizar, diz respeito ao uso das baterias.
Seria importante a introdução de um modelo mais real para gerir a energia armazenada nas baterias.
Por último, o melhoramento do modelo EnergyPlus seria vital obter resultados das
simulações mais próximas da realidade.
61
REFERÊNCIAS
[1]
R. P. Load and D. S. Management, “Managing energy,” no. October, pp. 53–55, 2005.
[2]
L. Klein, J. Kwak, G. Kavulya, F. Jazizadeh, B. Becerik-Gerber, P. Varakantham, and M. Tambe,
“Coordinating occupant behavior for building energy and comfort management using multiagent systems,” Autom. Constr., vol. 22, pp. 525–536, Mar. 2012.
[3]
“European Commission, Europe 2020, The targets, Europe 2020 Targets.” [Online]. Available:
http://ec.europa.eu/europe2020/targets/eu-targets/ . Accessed: 28-Aug-2014.
[4]
I. Richardson, M. Thomson, D. Infield, and C. Clifford, “Domestic electricity use: A highresolution energy demand model,” Energy Build., vol. 42, no. 10, pp. 1878–1887, Oct. 2010.
[5]
D. Livengood and R. Larson, “The Energy Box: Locally Automated Optimal Control of
Residential Electricity Usage,” Serv. Sci., vol. 1, no. 1, pp. 1–16, Mar. 2009.
[6]
IEA, “Energy Use in the New Millennium ENERGY,” 2007.
[7]
ADENE, “Energia (dgge)(2004), Eficiência energética em equipamentos e sistemas eléctricos
no sector residencial,” 2004.
[8]
A. Soares, A. Gomes, and C. H. Antunes, “Integrated Management of Residential Energy
Resources,” EPJ Web Conf., vol. 33, p. 05005, Oct. 2012.
[9]
EDP, “Viva a sua casa com uma energia mais sustentável.”2012
[10]
A. Soares, A. Gomes, and C. H. Antunes, “Domestic load characterization for demandresponsive energy management systems,” 2012 IEEE Int. Symp. Sustain. Syst. Technol., pp. 1–
6, May 2012.
[11]
M. a. R. Lopes, C. H. Antunes, and N. Martins, “Energy behaviours as promoters of energy
efficiency: A 21st century review,” Renew. Sustain. Energy Rev., vol. 16, no. 6, pp. 4095–4104,
Aug. 2012.
[12]
W. A. Dunn, G. S. Brager, K. A. Brown, D. R. Clark, J. J. Deringer, J. J. Hogeling, D. Int-hout, B.
W. Jones, J. N. Knapp, A. G. Kwok, H. Levin, A. K. Melikov, P. Simmonds, J. M. Sipes, E. M.
Sterling, and B. P. Sun, “ASHRAE STANDARD Thermal Environmental Conditions for Human
Occupancy,” vol. 2004, 2004.
[13]
R. Dear, G.S. Brager, “Developing an Adaptive Model of Thermal Comfort and Preference,” U.
C. Berkeley, 1998.
[14]
J. F. Nicol and M. a. Humphreys, “Adaptive thermal comfort and sustainable thermal
standards for buildings,” Energy Build., vol. 34, no. 6, pp. 563–572, Jul. 2002.
[15]
N. Martins “Compatibilização de Exigências Relativas a Habitação," Faculdade de Ciências e
Tecnologia, 2010.
62
[16]
J. T. Azevedo, “Thermal Confort and Other aspects of confort: Ilumination, Sound level, Air
quality,” in Aulas de Climatização de Edifícios, 2013.
[17]
“2468,” pp. 2468–2513, 2006.
[18]
J.Y Boivin, “Demande Side Management - The Role of Power Utility” Pergamon, vol. 28, no.
10, 1995.
[19]
L. M. Monteiro, “Gestão Activa da Procura,” Faculdade de Engenharia da Universidade do
Porto, 2011.
[20]
G. Strbac, “Demand side management: Benefits and challenges,” Energy Policy, vol. 36, no. 12,
pp. 4419–4426, Dec. 2008.
[21]
S. Gottwalt, W. Ketter, C. Block, J. Collins, and C. Weinhardt, “Demand side management—A
simulation of household behavior under variable prices,” Energy Policy, vol. 39, no. 12, pp.
8163–8174, Dec. 2011.
[22]
F. Hillier, Introduction to operations research, 7th ed. McGraw-Hill, 1995.
[23]
A. J. Conejo, J. M. Morales, S. Member, and L. Baringo, “Real-Time Demand Response Model,”
vol. 1, no. 3, pp. 236–242, 2010.
[24]
J. Sousa, “Notas de apoio à unidade curricular: Optimização e Decisão,” IST, 2010.
[25]
Á. Gomes, C. H. Antunes, J. Martinho, and E. Oliveira, “Otimização multiobjectivo com
algoritmos evolutivos - uma aplicação no sector elétrico.”
[26]
V. W. S. Wong, S. Member, J. Jatskevich, R. Schober, and A. Leon-garcia, “Autonomous
Demand-Side Management Based on Game-Theoretic Energy Consumption Scheduling for the
Future Smart Grid,” vol. 1, no. 3, pp. 320–331, 2010.
[27]
P. Lourenço, “Gestão inteligente da procura no IST – TagusPark,” Instituto Superior Tecnico,
2012.
[28]
Carrier, General catalogue 2011 - Heating and air conditioning systems. 2011.
[29]
“Meteorologia” [Online]. Available:
http://meteo.ist.utl.pt/private/taguspark/M7/previsoes/MM5_M7.dat. Junho 2014
[30]
W. H. Y. Ldk and S. Modules, “POLYCRYSTALLINE MODULES LDK-230P-235P-20 WHY LDK,” no.
February, 2012.
[31]
S. Windpower, “Owner ’ s Manual,” no. October, 2011.
[32]
Steca, Steca PR 2020 IP - Solar charge controllers. 2013.
[33]
A. Hadi, “Algorithm for Demand Response to Maximize the Penetration of Renewable
Energy,” Instituto Superior Tecnico, 2013.
63
[34]
EnergyPlus, “EnergyPlus Engineering Reference - the reference to EnergyPlus Calculations”
Outubro 2013.
[35]
R. Castro, Uma Introdução às Energias Renováveis , Eólica, Fotovoltaica e Mini-Hídrica, 1st ed.
2011.
[36]
T. Soares, “Análise da produtividade de sistemas fotovoltaicos para diferentes condições
atmosféricas,” Instituto Superior Técnico, 2014.
64
APÊNDICES
A – Gráficos dos ensaios 1 a 5 com 40 elementos e 40 gerações
Ensaio 1
Percentagem de Conforto
Conforto [%]
100
1
90
0,5
80
70
21:50
0:50
3:50
6:50
9:50
alfa
horas
15:50
1 - 0,0
18:50
0
21:50
Percentagem de Custo
100
Custo [%]
12:50
1
80
0,8
60
0,6
40
0,4
20
0,2
0
21:50
0:14
2:38
5:02
7:26
9:50
Horas
alfa
14:38
1 - 0,0
17:02
19:26
0
21:50
Estado da Bateria
4
1
3
2
0,5
1
0
0
22:00
22:20
22:40
23:00
23:20
23:40
0:00
0:20
0:40
1:00
1:20
1:40
2:00
2:20
2:40
3:00
3:20
3:40
4:00
4:20
4:40
5:00
5:20
5:40
6:00
6:20
6:40
7:00
7:20
7:40
8:00
8:20
8:40
9:00
9:20
9:40
10:00
10:20
10:40
11:00
11:20
11:40
12:00
12:20
12:40
13:00
13:20
13:40
14:00
14:20
14:40
15:00
15:20
15:40
16:00
16:20
16:40
17:00
17:20
17:40
18:00
18:20
18:40
19:00
19:20
19:40
20:00
20:20
20:40
21:00
21:20
21:40
Bateria [C/4]
12:14
Horas
1 - 0,0
Função Objectivo
100
Função Objectivo [%]
alfa
1
80
60
0,5
40
20
0
21:50
0:50
3:50
6:50
9:50
alfa
horas
12:50
15:50
18:50
0
21:50
1 - 0,0
a
Função Objectivo [%]
Custo [%]
22:00
22:20
22:40
23:00
23:20
23:40
0:00
0:20
0:40
1:00
1:20
1:40
2:00
2:20
2:40
3:00
3:20
3:40
4:00
4:20
4:40
5:00
5:20
5:40
6:00
6:20
6:40
7:00
7:20
7:40
8:00
8:20
8:40
9:00
9:20
9:40
10:00
10:20
10:40
11:00
11:20
11:40
12:00
12:20
12:40
13:00
13:20
13:40
14:00
14:20
14:40
15:00
15:20
15:40
16:00
16:20
16:40
17:00
17:20
17:40
18:00
18:20
18:40
19:00
19:20
19:40
20:00
20:20
20:40
21:00
21:20
21:40
Bateria [C/4]
Conforto [%]
Ensaio 2
100
Percentagem de Conforto
70
21:50
100
80
60
40
20
0
21:50
0
21:50
0:50
0:14
0:50
3:50
2:38
100
3:50
6:50
4
5:02
9:50
alfa
horas
1 - 0,3
7:26
Horas
alfa
9:50
6:50
9:50
alfa
horas
12:50
Horas
12:14
14:38
12:50
1
90
80
0,5
15:50
17:02
15:50
18:50
19:26
Função Objectivo
60
40
18:50
0
21:50
1 - 0,3
Estado da Bateria
1
3
2
0,5
1
0
0
alfa
Percentagem de Custo
1
0,8
0,6
0,4
0,2
0
21:50
1 - 0,3
80
1
0,5
20
0
21:50
1 - 0,3
b
Função Objectivo [%]
22:00
22:20
22:40
23:00
23:20
23:40
0:00
0:20
0:40
1:00
1:20
1:40
2:00
2:20
2:40
3:00
3:20
3:40
4:00
4:20
4:40
5:00
5:20
5:40
6:00
6:20
6:40
7:00
7:20
7:40
8:00
8:20
8:40
9:00
9:20
9:40
10:00
10:20
10:40
11:00
11:20
11:40
12:00
12:20
12:40
13:00
13:20
13:40
14:00
14:20
14:40
15:00
15:20
15:40
16:00
16:20
16:40
17:00
17:20
17:40
18:00
18:20
18:40
19:00
19:20
19:40
20:00
20:20
20:40
21:00
21:20
21:40
Bateria [C/4]
Custo [%]
Conforto [%]
Ensaio 3
100
Percentagem de Conforto
70
21:50
0
21:50
0
21:50
0:50
0:14
0:50
3:50
2:38
3:50
6:50
100
5:02
9:50
alfa
4
horas
7:26
9:50
Horas
alfa
1 - 0,5
6:50
9:50
alfa
horas
12:50
12:14
14:38
1 - 0,5
Horas
12:50
1
90
80
0,5
15:50
17:02
15:50
18:50
19:26
100
60
40
18:50
0
21:50
1 - 0,5
Percentagem de Custo
1
80
0,8
60
0,6
40
0,4
20
0,2
0
21:50
Estado da Bateria
1
3
2
0,5
1
0
0
alfa
Função Objectivo
1
80
0,5
20
0
21:50
1 - 0,5
c
Função Objectivo [%]
22:00
22:20
22:40
23:00
23:20
23:40
0:00
0:20
0:40
1:00
1:20
1:40
2:00
2:20
2:40
3:00
3:20
3:40
4:00
4:20
4:40
5:00
5:20
5:40
6:00
6:20
6:40
7:00
7:20
7:40
8:00
8:20
8:40
9:00
9:20
9:40
10:00
10:20
10:40
11:00
11:20
11:40
12:00
12:20
12:40
13:00
13:20
13:40
14:00
14:20
14:40
15:00
15:20
15:40
16:00
16:20
16:40
17:00
17:20
17:40
18:00
18:20
18:40
19:00
19:20
19:40
20:00
20:20
20:40
21:00
21:20
21:40
Bateria [C/4]
Custo [%]
Conforto [%]
Ensaio 4
100
Percentagem de Conforto
70
21:50
100
80
60
40
20
0
21:50
0
21:50
0:50
0:14
0:50
3:50
2:38
6:50
5:02
3:50
9:50
7:26
4
100
9:50
1 - 0,7
6:50
9:50
alfa
horas
12:50
alfa
horas
Horas
alfa
12:14
12:50
15:50
14:38
Horas
17:02
15:50
1
90
80
0,5
18:50
Percentagem de Custo
19:26
Função Objectivo
60
40
18:50
0
21:50
1 - 0,7
1
0,8
0,6
0,4
0,2
0
21:50
1 - 0,7
Estado da Bateria
1
3
2
0,5
1
0
0
alfa
80
1
0,5
20
0
21:50
1 - 0,7
d
Ensaio 5
Percentagem de Conforto
Conforto [%]
100
1
90
0,5
80
70
21:50
0:50
3:50
6:50
9:50
12:50
1 - 1,0
horas
alfa
15:50
18:50
0
21:50
Percentagem de Custo
Custo [%]
100
1
80
0,8
60
0,6
40
0,4
20
0,2
0
21:50
0:14
2:38
5:02
7:26
alfa
9:50
Horas
12:14
14:38
17:02
19:26
0
21:50
1 - 1,0
Estado da Bateria
4
1
2
0,5
1
0
0
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
0:00
Bateria [C/4]
3
Horas
1 - 1,0
Função Objectivo
100
Função Objectivo [%]
alfa
1
80
60
0,5
40
20
0
21:50
0:50
3:50
6:50
alfa
9:50
horas
12:50
15:50
18:50
0
21:50
1 - 1,0
e
B – Código do modelo Energy Box
clear all
%----- inicializaçao de variáveis -------------tic
data1=2014*10000000000+8*100000000+20*1000000+22*
10000;
T_ext=zeros(24,1);
Rad=zeros(24,1);
MONTH=zeros(24,1);
DAY=zeros(24,1);
HOUR=zeros(24,1);
G=zeros(24,1);
preco=zeros(24,1);
alfa=zeros(24,1);
Producao=zeros(24,1);
tarifa_data=zeros(24,3);
Data=zeros(4,157);
Dados=zeros(157,11);
Previsao=zeros(156,15);
Si1_temp=zeros(4,65);
u_conf=zeros(4,65);
u_conf1=zeros(4,3);
Si1_store=zeros(3,65);
Si1_store1=zeros(3,65);
tarifaHoraria=3;
AC0=0;
AC1=0.048*2; %KWh
AC2=0.161*2; %KWh
AC3=0.290*2; %KWh
C=0.5; %KWh
s_min=0;
s_max=0;
T_int=27;
Store=4;
%----------------- matriz de tarifas ---------a=datenum(2014,8,20,22,0,0);
for i=1:25
b=addtodate(a, i-1, 'hour');
c=datevec(b);
tarifa_data(i,1)=c(1,2);
tarifa_data(i,2)=c(1,3);
if c(1,4)==0
tarifa_data(i,3)=24;
else
tarifa_data(i,3)=c(1,4);
end
preco(i,:)=Tarifa(tarifa_data,i,tarifaHoraria);
end
% ------inicialização das matrizes das soluçõesM0=zeros(67,70);
ii=3;
for i=0:4
for j=21:0.5:27
while ischar(tline)
i = i+1;
tline = fgetl(fid);
B{i} = tline;
end
fclose(fid);
%_____colocaçao dos dados em matrizes_
j=1;
for i=5:161
Data(:,j)= abs(sscanf(B{i},'%f %*c %f'));
Dados(j,:)=str2num(B{i});
j=j+1;
end
for i=1:156
Previsao(i,:)=[Data(1,i) Data(2,i)
Data(3,i) Data(4,i) Dados(i,:)];
end
i=1;
while
(Previsao(i,1)*10000000000+Previsao(i,2)*10000000
0+Previsao(i,3)*1000000+Previsao(i,4)*10000)<data
1
i=i+1;
end
for j=1:24
T_ext(j,:)=Previsao(i,5);
Rad(j,:)=Previsao(i,9);
MONTH(j,:)=Previsao(i,2);
DAY(j,:)=Previsao(i,3);
HOUR(j,:)=Previsao(i,4);
G(j,:)= solar1( MONTH(j,:), DAY(j,:),
HOUR(j,:), 0, Rad(j,:),T_ext(j,:));
i=i+1;
Producao(j,:)=(10^-3)*solar(
MONTH(j,:),DAY(j,:),HOUR(j,:),0,Rad(j,:),T_ext(j,
:));
if HOUR(j,:)>=7 && HOUR(j,:)<12
alfa(j,:)=0.5;
elseif HOUR(j,:)>=13 && HOUR(j,:)<19
alfa(j,:)=0.5;
else
alfa(j,:)=0.5;
end
end
% ------ calculo da Matriz soluçao do intante
final i=24 ------for i=3 : 65
% ------- Temperatura ------
M0(ii,1)=i;
M0(ii,2)=j;
M0(1,ii)=i;
M0(2,ii)=j;
ii=ii+1;
end
end
M0_resultados=M0;
S_bill=M0;
M0_AC=M0;
M0_ACP=M0;
M0_store=M0;
M1(1,:)=M0(1,:);
M1(2,:)=M0(2,:);
M1(3,1)=Store;
M1(3,2)=T_int;
M1_AC=M1;
M1_ACP=M1;
M1_store1=M1;
S_bill1=M1;
M1_resultados=M1;
%-------- recolha dos dados do site de dados do
tecnico -----------------------fid=fopen('weather1.txt');
i = 1;
tline = fgetl(fid);
B{i} = tline;
S_temp=M0(i,2);
Si1_temp(4,i)=TemperaturaSala(G(24),
T_ext(24), S_temp, 60,0,alfa(24));
Si1_temp(4,i)= roundToDP(Si1_temp(4,i));
if Si1_temp(4,i)<21
Si1_temp(4,i)=21;
elseif Si1_temp(4,i)>27
Si1_temp(4,i)=27;
end
Si1_temp(3,i)=TemperaturaSala(G(24),
T_ext(24), S_temp, 60,1,alfa(24));
Si1_temp(3,i)= roundToDP(Si1_temp(3,i));
if Si1_temp(3,i)<21
Si1_temp(3,i)=21;
elseif Si1_temp(3,i)>27
Si1_temp(3,i)=27;
end
Si1_temp(2,i)=TemperaturaSala(G(24),
T_ext(24), S_temp, 60,2,alfa(24));
Si1_temp(2,i)= roundToDP(Si1_temp(2,i));
if Si1_temp(2,i)<21
f
Si1_temp(2,i)=21;
elseif Si1_temp(2,i)>27
Si1_temp(2,i)=27;
end
Si1_temp(1,i)=TemperaturaSala(G(24),
T_ext(24), S_temp, 60,3,alfa(24));
Si1_temp(1,i)= roundToDP(Si1_temp(1,i));
if Si1_temp(1,i)<21
Si1_temp(1,i)=21;
elseif Si1_temp(1,i)>27
Si1_temp(1,i)=27;
end
for j=1:4
u_conf(j,i)=100confortotermicoPMV(Si1_temp(j,i),Si1_temp(j,i),1,
1,0,0.002,50);
end
% -------------- Energia -----------end
% Energia utilizada pelo AC
for k=1:4
for j=3:65
for i=3:65
if Si1_temp(k,i)==M0(2,j)
if k==4
c=1;
d=0;
elseif k==3
c=2;
d=AC1;
elseif k==2
c=3;
d=AC2;
elseif k==1
c=4;
d=AC3;
end
M0_AC(i,j)=c;
M0_ACP(i,j)=d;
end
end
end
end
for j=3:65
for i=3:65
S_store=M0(i,1);
if M0_AC(i,j)==1
Si1_storee=(S_store*(C/4))+Producao(24);
if Si1_storee<=0
Si1_storer=-1;
Si1_storee=0;
elseif Si1_storee>C
Si1_storer=4;
Si1_storee=4;
elseif Si1_storee<=C/4 &&
Si1_storee>0
Si1_storer=1;
Si1_storee=1;
elseif
Si1_storee<=(2*C)/4 && Si1_storee>C/4
Si1_storer=2;
Si1_storee=2;
elseif
Si1_storee<=(3*C)/4 && Si1_storee>(2*C)/4
Si1_storer=3;
Si1_storee=3;
elseif Si1_storee<=C &&
Si1_storee>(3*C)/4
Si1_storer=4;
Si1_storee=4;
end
if Si1_storee==M0(1,j)
M0_store(i,j)=Si1_storer;
Si1_store(i,j)=Si1_storee;
end
elseif M0_AC(i,j)==2
Si1_storee=(S_store*(C/4))+Producao(24)-AC1;
if Si1_storee<=0
Si1_storer=-1;
Si1_storee=0;
elseif Si1_storee>C
Si1_storer=4;
Si1_storee=4;
elseif Si1_storee<=C/4 &&
Si1_storee>0
Si1_storer=1;
Si1_storee=1;
elseif
Si1_storee<=(2*C)/4 && Si1_storee>C/4
Si1_storer=2;
Si1_storee=2;
elseif
Si1_storee<=(3*C)/4 && Si1_storee>(2*C)/4
Si1_storer=3;
Si1_storee=3;
elseif Si1_storee<=C &&
Si1_storee>(3*C)/4
Si1_storer=4;
Si1_storee=4;
end
if Si1_storee==M0(1,j)
M0_store(i,j)=Si1_storer;
Si1_store(i,j)=Si1_storee;
end
elseif M0_AC(i,j)==3
Si1_storee=(S_store*(C/4))+Producao(24)-AC2;
if Si1_storee<=0
Si1_storer=-1;
Si1_storee=0;
elseif Si1_storee>C
Si1_storer=4;
Si1_storee=4;
elseif Si1_storee<=C/4 &&
Si1_storee>0
Si1_storer=1;
Si1_storee=1;
elseif
Si1_storee<=(2*C)/4 && Si1_storee>C/4
Si1_storer=2;
Si1_storee=2;
elseif
Si1_storee<=(3*C)/4 && Si1_storee>(2*C)/4
Si1_storer=3;
Si1_storee=3;
elseif Si1_storee<=C &&
Si1_storee>(3*C)/4
Si1_storer=4;
Si1_storee=4;
end
if Si1_storee==M0(1,j)
M0_store(i,j)=Si1_storer;
Si1_store(i,j)=Si1_storee;
end
elseif M0_AC(i,j)==4
Si1_storee=(S_store*(C/4))+Producao(24)-AC3;
if Si1_storee<=0
Si1_storer=-1;
Si1_storee=0;
elseif Si1_storee>C
Si1_storer=4;
Si1_storee=4;
elseif Si1_storee<=C/4 &&
Si1_storee>0
Si1_storer=1;
Si1_storee=1;
elseif
Si1_storee<=(2*C)/4 && Si1_storee>C/4
Si1_storer=2;
g
Si1_storee=2;
elseif
Si1_storee<=(3*C)/4 && Si1_storee>(2*C)/4
Si1_storer=3;
Si1_storee=3;
elseif Si1_storee<=C &&
Si1_storee>(3*C)/4
Si1_storer=4;
Si1_storee=4;
end
if Si1_storee==M0(1,j)
end
end
end
f_i=0;
for i=3:65
for j=3:65
if M0_resultados(i,j)>f_i
M0_resultados(i,68)=M0_resultados(i,j);
M0_store(i,j)=Si1_storer;
M0_resultados(i,69)=M0_resultados(1,j);
Si1_store(i,j)=Si1_storee;
end
end
end
end
M0_resultados(i,70)=M0_resultados(2,j);
f_i=M0_resultados(i,j);
end
end
f_i=0;
end
for k=1:4
for j=3:65
for i=3:65
if Si1_temp(k,i)==M0(2,j)
if Si1_store(i,j)==M0(1,j)
if Si1_store(i,j)==0
if M0_store(i,j)~=0
if
ii=0;
for i=3:65
for j=3:65
if
M0_resultados(i,j)==M0_resultados(i,68)
M0_resultados(i,68+ii*3)=M0_resultados(i,j);
M0(i,1)>M0(1,j)
M0_resultados(i,69+ii*3)=M0_resultados(1,j);
u_cost(i,j)=100-(((M0_ACP(i,j)-(0.5/4)*(M0(i,1)M0(1,j)))*preco(24))/((0.290*2-(0.5/4)*(M0(i,1)M0(1,j)))*0.1))*100;
M0_resultados(i,70+ii*3)=M0_resultados(2,j);
ii=ii+1;
else
u_cost(i,j)=100(((M0_ACP(i,j))*preco(24))/((0.290(0.5/4)*(M0(i,1)-M0(1,j)))*0.1))*100;
end
end
ii=0;
end
%armazenar o do 24
end
M_caminho(:,1)=M0_resultados(:,1);
M_caminho(:,2)=M0_resultados(:,2);
end
else
if (M0_ACP(i,j)(0.5/4)*(M0(i,1)-M0(1,j)))*preco(24)<0
u_cost(i,j)=0;
else
if
j=3;
k=68;
for i=1: size(M0_resultados,2)-67
M_caminho(:,j)=M0_resultados(:,k);
k=k+1;
j=j+1;
end
M0(i,1)>M0(1,j)
u_cost(i,j)=100-(((M0_ACP(i,j)-(0.5/4)*(M0(i,1)M0(1,j)))*preco(24))/((0.290*2-(0.5/4)*(M0(i,1)M0(1,j)))*0.1))*100;
else
%fazer de 23 a 2
horas=23;
for i=1 : 22
[Mi_resultados1,M1n_AC] =
estados(M0_resultados,M0,preco,T_ext,C,horas,alfa
,G,Producao);
horas=horas-1;
u_cost(i,j)=100(((M0_ACP(i,j))*preco(24))/((0.290(0.5/4)*(M0(i,1)-M0(1,j)))*0.1))*100;
for jj=1:67
end
end
end
end
end
end
end
M_caminho(i*67+jj,1)=Mi_resultados1(jj,1);
M_caminho(i*67+jj,2)=Mi_resultados1(jj,2);
M_acTotal(i*67+jj,:)=M1n_AC(jj,:);
j=3;
k=68;
end
for ii=1: size(Mi_resultados1,2)-67
for k=1:4
for j=3:65
for i=3:65
if Si1_temp(k,i)==M0(2,j)
if Si1_store(i,j)==M0(1,j)
if M0_store(i,j)~=0
M0_resultados(i,j)=(1alfa(24))*u_conf(k,i)+alfa(24)*u_cost(i,j);
end
end
end
M_caminho(i*67+jj,j)=Mi_resultados1(jj,k);
k=k+1;
j=j+1;
end
end
M0_resultados=Mi_resultados1;
end
horas=1;
h
fprintf('hora 23 a 2 calculada/n')
%fazer para o 1, com os instantes atuais
for j=3:65
% ------- Temperatura ------
S_store=M1(3,1);
if M1_AC(3,j)==1
S_temp=M1(3,2);
Si1_temp1(4,3)=TemperaturaSala(G(1),
T_ext(1), S_temp, 60,0,alfa(1));
Si1_temp1(4,3)=
roundToDP(Si1_temp1(4,3));
if Si1_temp1(4,3)<21
Si1_temp1(4,3)=21;
elseif Si1_temp1(4,3)>27
Si1_temp1(4,3)=27;
end
Si1_temp1(3,3)=TemperaturaSala(G(1),
T_ext(1), S_temp, 60,1,alfa(1));
Si1_temp1(3,3)=
roundToDP(Si1_temp1(3,3));
if Si1_temp1(3,3)<21
Si1_temp1(3,3)=21;
elseif Si1_temp1(3,3)>27
Si1_temp1(3,3)=27;
end
Si1_temp1(2,3)=TemperaturaSala(G(1),
T_ext(1), S_temp, 60,2,alfa(1));
Si1_temp1(2,3)=
roundToDP(Si1_temp1(2,3));
Si1_storee=(S_store*(C/4))+Producao(1);
if Si1_storee<=0
Si1_storer=-1;
Si1_storee=0;
elseif Si1_storee>C
Si1_storer=4;
Si1_storee=4;
elseif Si1_storee<=C/4 &&
Si1_storee>0
Si1_storer=1;
Si1_storee=1;
elseif
Si1_storee<=(2*C)/4 && Si1_storee>C/4
Si1_storer=2;
Si1_storee=2;
elseif
Si1_storee<=(3*C)/4 && Si1_storee>(2*C)/4
Si1_storer=3;
Si1_storee=3;
elseif Si1_storee<=C &&
Si1_storee>(3*C)/4
Si1_storer=4;
Si1_storee=4;
end
if Si1_storee==M1(1,j)
M1_store1(3,j)=Si1_storer;
if Si1_temp1(2,3)<21
Si1_temp1(2,3)=21;
elseif Si1_temp1(2,3)>27
Si1_temp1(2,3)=27;
end
Si1_temp1(1,3)=TemperaturaSala(G(1),
T_ext(1), S_temp, 60,3,alfa(1));
Si1_temp1(1,3)=
roundToDP(Si1_temp1(1,3));
if Si1_temp1(1,3)<21
Si1_temp1(1,3)=21;
elseif Si1_temp1(1,3)>27
Si1_temp1(1,3)=27;
end
for j=1:4
u_conf1(j,3)=100confortotermicoPMV(Si1_temp1(j,3),Si1_temp1(j,3),
1,1,0,0.002,50);
end
% -------------- Energia -----------%
Energia utilizada pelo AC
for k=1:4
for j=3:65
if Si1_temp1(k,3)==M1(2,j)
if k==4
c=1;
d=0;
elseif k==3
c=2;
d=AC1;
elseif k==2
c=3;
d=AC2;
elseif k==1
c=4;
d=AC3;
end
M1_AC(3,j)=c;
M1_ACP(3,j)=d;
end
end
end
Si1_store1(3,j)=Si1_storee;
end
elseif M1_AC(3,j)==2
Si1_storee=(S_store*(C/4))+Producao(1)-AC1;
if Si1_storee<=0
Si1_storer=-1;
Si1_storee=0;
elseif Si1_storee>C
Si1_storer=4;
Si1_storee=4;
elseif Si1_storee<=C/4 &&
Si1_storee>0
Si1_storer=1;
Si1_storee=1;
elseif
Si1_storee<=(2*C)/4 && Si1_storee>C/4
Si1_storer=2;
Si1_storee=2;
elseif
Si1_storee<=(3*C)/4 && Si1_storee>(2*C)/4
Si1_storer=3;
Si1_storee=3;
elseif Si1_storee<=C &&
Si1_storee>(3*C)/4
Si1_storer=4;
Si1_storee=4;
end
if Si1_storee==M1(1,j)
M1_store1(3,j)=Si1_storer;
Si1_store1(3,j)=Si1_storee;
end
elseif M1_AC(3,j)==3
Si1_storee=(S_store*(C/4))+Producao(1)-AC2;
if Si1_storee<=0
Si1_storer=-1;
Si1_storee=0;
elseif Si1_storee>C
Si1_storer=4;
Si1_storee=4;
elseif Si1_storee<=C/4 &&
Si1_storee>0
Si1_storer=1;
Si1_storee=1;
i
elseif
Si1_storee<=(2*C)/4 && Si1_storee>C/4
Si1_storer=2;
Si1_storee=2;
elseif
Si1_storee<=(3*C)/4 && Si1_storee>(2*C)/4
Si1_storer=3;
Si1_storee=3;
elseif Si1_storee<=C &&
Si1_storee>(3*C)/4
Si1_storer=4;
Si1_storee=4;
end
if (M1_ACP(3,j)(0.5/4)*(M1(3,1)-M1(1,j)))*preco(1)<0
u_cost1(3,j)=0;
else
if
M1(3,1)>M1(1,j)
u_cost1(3,j)=100-(((M1_ACP(3,j)-(0.5/4)*(M1(3,1)M1(1,j)))*preco(1))/((0.290*2-(0.5/4)*(M1(3,1)M1(1,j)))*0.1))*100;
else
if Si1_storee==M1(1,j)
M1_store1(3,j)=Si1_storer;
u_cost1(3,j)=100(((M1_ACP(3,j))*preco(1))/((0.290*2(0.5/4)*(M1(3,1)-M1(1,j)))*0.1))*100;
Si1_store1(3,j)=Si1_storee;
end
end
elseif M1_AC(3,j)==4
end
end
Si1_storee=(S_store*(C/4))+Producao(1)-AC3;
if Si1_storee<=0
Si1_storer=-1;
Si1_storee=0;
elseif Si1_storee>C
Si1_storer=4;
Si1_storee=4;
elseif Si1_storee<=C/4 &&
Si1_storee>0
Si1_storer=1;
Si1_storee=1;
elseif
Si1_storee<=(2*C)/4 && Si1_storee>C/4
Si1_storer=2;
Si1_storee=2;
elseif
Si1_storee<=(3*C)/4 && Si1_storee>(2*C)/4
Si1_storer=3;
Si1_storee=3;
elseif Si1_storee<=C &&
Si1_storee>(3*C)/4
Si1_storer=4;
Si1_storee=4;
end
if Si1_storee==M1(1,j)
end
end
end
end
for k=1:4
for j=3:65
if Si1_temp1(k,3)==M1(2,j)
if Si1_store1(3,j)==M1(1,j)
if M1_store1(3,j)~=0
M1_resultados(3,j)=(1alfa(horas))*u_conf1(k,3)+alfa(horas)*u_cost1(3,j
)+Mi_resultados1(j,68);
end
end
end
end
end
f1_i=0;
for j=3:65
if M1_resultados(3,j)>f1_i
M1_store1(3,j)=Si1_storer;
M1_resultados(3,68)=M1_resultados(3,j);
Si1_store1(3,j)=Si1_storee;
end
end
end
M1_resultados(3,69)=M1_resultados(3,j);
M1_resultados(3,70)=M1_resultados(3,j);
f1_i=M1_resultados(3,j);
end
end
for k=1:4
for j=3:65
if Si1_temp1(k,3)==M1(2,j)
if Si1_store1(3,j)==M1(1,j)
if Si1_store1(3,j)==0
if M1_store1(3,j) ~=0
for j=3:65
if
M1_resultados(3,j)==M1_resultados(3,68)
M1_resultados(3,68)=M1_resultados(3,j);
%
M1_resultados(3,69)=M1_resultados(1,j);
if
M0(3,1)>M0(1,j)
M1_resultados(3,70)=M1_resultados(2,j);
u_cost1(3,j)=100-(((M1_ACP(3,j)-(0.5/4)*(M1(3,1)M1(1,j)))*preco(1))/((0.290*2-(0.5/4)*(M1(3,1)M1(1,j)))*0.1))*100;
else
u_cost1(3,j)=100(((M1_ACP(3,j))*preco(1))/((0.290*2(0.5/4)*(M1(3,1)-M1(1,j)))*0.1))*100;
end
end
else
end
end
M_caminho(1542,1)=M1_resultados(1,1);
M_caminho(1542,2)=M1_resultados(1,2);
M_caminho(1543,1)=M1_resultados(2,1);
M_caminho(1543,2)=M1_resultados(2,2);
M_caminho(1544,1)=M1_resultados(3,1);
M_caminho(1544,2)=M1_resultados(3,2);
j=3;
k=68;
for i=1: size(M1_resultados,2)-67
M_caminho(1544,j)=M1_resultados(3,k);
k=k+1;
j=j+1;
j
end
end
%------Calcular o melhor caminho
Caminho(1,1)=M_caminho(1544,4);
Caminho(1,2)=M_caminho(1544,5);
j=1;
for c = 1:23
b=23-c;
for i= b*67+1: (b+1)*67
if Caminho(j,1)==M_caminho(i,1)
if Caminho(j,2)==M_caminho(i,2)
j=j+1;
Caminho(j,1)=M_caminho(i,4);
Caminho(j,2)=M_caminho(i,5);
Caminho(j,4)=b;
Caminho(j,3)=M_caminho(i,3);
break
end
end
end
end
toc
for i=1:24
Conforto(i,:)=100confortotermicoPMV(Caminho(i,2),Caminho(i,2),1,1,
0,0.002,50);
end
for i=3:67
if Caminho(1,1)==M1_AC(1,i) &&
Caminho(1,2)==M1_AC(2,i)
AC(1,1)=M1_AC(3,i);
end
end
function
[Mi_resultados1,M01_AC1]=estados(M01_resultados,M
01,preco,T_ext,C,horas, alfa,G,Producao)
Si1_temp1=zeros(4,65);
u_conf1=zeros(4,65);
Mi_resultados1=M01;
M01_AC1=M01;
M01_ACP1=M01;
S_bill1=M01;
M01_store1=M01;
Si1_store1=M01;
s_min1=0;
s_max1=0;
AC1=0.048*2;
AC2=0.161*2;
AC3=0.290*2;
%----- calculo da Matriz solução dos instantes i
-----for i=3 : 65
% ------- Temperatura -----S_temp1=M01(i,2);
Si1_temp1(4,i)=TemperaturaSala(G(horas),
T_ext(horas), S_temp1, 60,0,alfa(horas));
Si1_temp1(4,i)=
roundToDP(Si1_temp1(4,i));
if Si1_temp1(4,i)<21
Si1_temp1(4,i)=21;
elseif Si1_temp1(4,i)>27
Si1_temp1(4,i)=27;
end
Si1_temp1(3,i)=TemperaturaSala(G(horas),
T_ext(horas), S_temp1, 60,1,alfa(horas));
Si1_temp1(3,i)=
roundToDP(Si1_temp1(3,i));
if Si1_temp1(3,i)<21
Si1_temp1(3,i)=21;
elseif Si1_temp1(3,i)>27
Si1_temp1(3,i)=27;
Si1_temp1(2,i)=TemperaturaSala(G(horas),
T_ext(horas), S_temp1, 60,2,alfa(horas));
Si1_temp1(2,i)=
roundToDP(Si1_temp1(2,i));
if Si1_temp1(2,i)<21
Si1_temp1(2,i)=21;
elseif Si1_temp1(2,i)>27
Si1_temp1(2,i)=27;
end
Si1_temp1(1,i)=TemperaturaSala(G(horas),
T_ext(horas), S_temp1, 60,3,alfa(horas));
Si1_temp1(1,i)=
roundToDP(Si1_temp1(1,i));
if Si1_temp1(1,i)<21
Si1_temp1(1,i)=21;
elseif Si1_temp1(1,i)>27
Si1_temp1(1,i)=27;
end
for j=1:4
u_conf1(j,i)=100confortotermicoPMV(Si1_temp1(j,i),Si1_temp1(j,i),
1,1,0,0.002,50);
end
end
% -------------- Energia -----------%
%
Energia utilizada pelo AC
for k=1:4
for j=3:65
for i=3:65
if Si1_temp1(k,i)==M01(2,j)
if k==4
c=1;
d=0;
elseif k==3
c=2;
d=AC1;
elseif k==2
c=3;
d=AC2;
elseif k==1
c=4;
d=AC3;
end
M01_AC1(i,j)=c;
M01_ACP1(i,j)=d;
end
end
end
end
for j=3:65
for i=3:65
S_store=M01(i,1);
if M01_AC1(i,j)==1
Si1_storee=(S_store*(C/4))+Producao(horas);
if Si1_storee<=0
Si1_storer=-1;
Si1_storee=0;
elseif Si1_storee>C
Si1_storer=4;
Si1_storee=4;
elseif Si1_storee<=C/4 &&
Si1_storee>0
Si1_storer=1;
Si1_storee=1;
elseif
Si1_storee<=(2*C)/4 && Si1_storee>C/4
Si1_storer=2;
Si1_storee=2;
elseif
Si1_storee<=(3*C)/4 && Si1_storee>(2*C)/4
Si1_storer=3;
Si1_storee=3;
elseif Si1_storee<=C &&
Si1_storee>(3*C)/4
Si1_storer=4;
Si1_storee=4;
end
k
elseif Si1_storee<=C/4 &&
if Si1_storee==M01(1,j)
M01_store1(i,j)=Si1_storer;
Si1_store1(i,j)=Si1_storee;
end
elseif M01_AC1(i,j)==2
Si1_storee=(S_store*(C/4))+Producao(horas)-AC1;
if Si1_storee<=0
Si1_storer=-1;
Si1_storee=0;
elseif Si1_storee>C
Si1_storer=4;
Si1_storee=4;
elseif Si1_storee<=C/4 &&
Si1_storee>0
Si1_storer=1;
Si1_storee=1;
elseif
Si1_storee<=(2*C)/4 && Si1_storee>C/4
Si1_storer=2;
Si1_storee=2;
elseif
Si1_storee<=(3*C)/4 && Si1_storee>(2*C)/4
Si1_storer=3;
Si1_storee=3;
elseif Si1_storee<=C &&
Si1_storee>(3*C)/4
Si1_storer=4;
Si1_storee=4;
end
Si1_storee>0
Si1_storer=1;
Si1_storee=1;
elseif
Si1_storee<=(2*C)/4 && Si1_storee>C/4
Si1_storer=2;
Si1_storee=2;
elseif
Si1_storee<=(3*C)/4 && Si1_storee>(2*C)/4
Si1_storer=3;
Si1_storee=3;
elseif Si1_storee<=C &&
Si1_storee>(3*C)/4
Si1_storer=4;
Si1_storee=4;
end
if Si1_storee==M01(1,j)
M01_store1(i,j)=Si1_storer;
Si1_store1(i,j)=Si1_storee;
end
end
end
end
for k=1:4
for j=3:65
for i=3:65
if Si1_temp1(k,i)==M01(2,j)
if Si1_store1(i,j)==M01(1,j)
if Si1_store1(i,j)==0
if M01_store1(i,j)~=0
if Si1_storee==M01(1,j)
if
M01_store1(i,j)=Si1_storer;
M01(i,1)>M01(1,j)
Si1_store1(i,j)=Si1_storee;
end
u_cost(i,j)=100-(((M01_ACP1(i,j)(0.5/4)*(M01(i,1)M01(1,j)))*preco(horas))/((0.290*2(0.5/4)*(M01(i,1)-M01(1,j)))*0.1))*100;
elseif M01_AC1(i,j)==3
else
Si1_storee=(S_store*(C/4))+Producao(horas)-AC2;
if Si1_storee<=0
Si1_storer=-1;
Si1_storee=0;
elseif Si1_storee>C
Si1_storer=4;
Si1_storee=4;
elseif Si1_storee<=C/4 &&
Si1_storee>0
Si1_storer=1;
Si1_storee=1;
elseif
Si1_storee<=(2*C)/4 && Si1_storee>C/4
Si1_storer=2;
Si1_storee=2;
elseif
Si1_storee<=(3*C)/4 && Si1_storee>(2*C)/4
Si1_storer=3;
Si1_storee=3;
elseif Si1_storee<=C &&
Si1_storee>(3*C)/4
Si1_storer=4;
Si1_storee=4;
end
u_cost(i,j)=100(((M01_ACP1(i,j))*preco(horas))/((0.290*2(0.5/4)*(M01(i,1)-M01(1,j)))*0.1))*100;
end
end
else
if (M01_ACP1(i,j)(0.5/4)*(M01(i,1)-M01(1,j)))*preco(horas)<0
u_cost(i,j)=0;
else
if
M01(i,1)>M01(1,j)
u_cost(i,j)=100-(((M01_ACP1(i,j)(0.5/4)*(M01(i,1)M01(1,j)))*preco(horas))/((0.290*2(0.5/4)*(M01(i,1)-M01(1,j)))*0.1))*100;
if Si1_storee==M01(1,j)
else
M01_store1(i,j)=Si1_storer;
Si1_store1(i,j)=Si1_storee;
end
u_cost(i,j)=100(((M01_ACP1(i,j))*preco(horas))/((0.290*2(0.5/4)*(M01(i,1)-M01(1,j)))*0.1))*100;
elseif M01_AC1(i,j)==4
end
end
end
Si1_storee=(S_store*(C/4))+Producao(horas)-AC3;
if Si1_storee<=0
Si1_storer=-1;
Si1_storee=0;
elseif Si1_storee>C
Si1_storer=4;
Si1_storee=4;
end
end
end
end
end
l
for k=1:4
for j=3:65
for i=3:65
if Si1_temp1(k,i)==M01(2,j)
if Si1_store1(i,j)==M01(1,j)
if M01_store1(i,j) ~=0
Mi_resultados1(i,70)=Mi_resultados1(2,j);
f_i=Mi_resultados1(i,j);
end
end
f_i=0;
end
ii=0;
Mi_resultados1(i,j)=(1alfa(horas))*u_conf1(k,i)+alfa(horas)*u_cost(i,j)
+M01_resultados(j,68);
end
end
end
end
end
end
for i=3:65
for j=3:65
if
Mi_resultados1(i,j)==Mi_resultados1(i,68)
f_i=0;
Mi_resultados1(i,70+ii*3)=Mi_resultados1(2,j);
Mi_resultados1(i,68+ii*3)=Mi_resultados1(i,j);
Mi_resultados1(i,69+ii*3)=Mi_resultados1(1,j);
for i=3:65
for j=3:65
if Mi_resultados1(i,j)>f_i
Mi_resultados1(i,68)=Mi_resultados1(i,j);
ii=ii+1;
end
end
ii=0;
end
Mi_resultados1(i,69)=Mi_resultados1(1,j);
m
C – Código do Modelo Algoritmo Genético
clear all
%############################
% inicialização de variáveis
LimitedeConforto=10;
Data=zeros(4,157);
Dados=zeros(157,11);
PrevisaoDia=zeros(156,15);
PrevisaoAnterior=zeros(156,15);
%##############################
%##############################
% recolha de dados
%
- Dados de Previsão
%
- Dados atuais exteriores
%
%------------------ Recolha de dados no site de
dados do técnico -----------------------fid=fopen('Ficheiro11.txt');
i = 1;
tline = fgetl(fid);
B{i} = tline;
while ischar(tline)
i = i+1;
tline = fgetl(fid);
B{i} = tline;
end
fclose(fid);
%_________colocação dos dados em
matrizes____________________
j=1;
for i=5:161
Data(:,j)= abs(sscanf(B{i},'%f %*c %f'));
Dados(j,:)=str2num(B{i});
j=j+1;
end
for i=1:156
PrevisaoDia(i,:)=[Data(1,i) Data(2,i)
Data(3,i) Data(4,i) Dados(i,:)];
end
%------------------------------------------------------------------------%---- recolha dos dados Exteriores (site de met)----------------------%[ClimactualExterior] = DadosActual;
ClimactualExterior(1,1)=19;
ClimactualExterior(1,2)=77;
ClimactualExterior(1,3)=7;
ClimactualExterior(1,4)=1018;
ClimactualExterior(1,5)=15;
data1=2014*10000000000+8*100000000+20*1000000+22*
10000;
data(1,1)=2014;
data(1,2)=8;
data(1,3)=20;
data(1,4)=22;
data(1,5)=0;
data(1,6)=0;
%------------------------------------------------------------------------%##############################
%##############################
% Introdução dos dados no ficheiro climático do
EP
%
%_____Retirar valores do ficheiro
Climático_______________
cd ('C:\Program Files\EnergyPlusV8-10\WeatherData')
fid = fopen('FicheiroClimatico.epw','r');
i = 1;
tline = fgetl(fid);
C{i} = tline;
while ischar(tline)
i = i+1;
tline = fgetl(fid);
C{i} = tline;
end
fclose(fid);
cd ('C:\Users\Maria João\Dropbox\Maria Joao Tese\Programas\Resultados\AG24Luz\EnergyPlus1_24h
de simulacao sem LUz')
i=1;
%------- Localizar a hora e dia atual no
ficheiro da previsarDia------%
while
(PrevisaoDia(i,1)*10000000000+PrevisaoDia(i,2)*10
0000000+PrevisaoDia(i,3)*1000000+PrevisaoDia(i,4)
*10000)<data1
i=i+1;
end
hora=data(1,4);
if hora == 0
hora=24;
end
Dia=data(1,3);
Mes1=data(1,2);
T=ClimactualExterior(1,1);
RH=ClimactualExterior(1,2);
Vento=ClimactualExterior(1,3);
DirVento=PrevisaoDia(i,8);
swd=PrevisaoDia(i,9);
swo=PrevisaoDia(i,10);
lwd=PrevisaoDia(i,11);
lwo=PrevisaoDia(i,12);
Pslv=PrevisaoDia(i,13);
Pcp=PrevisaoDia(i,14);
Pressao=ClimactualExterior(1,4)*100;
Tdp=ClimactualExterior(1,5);
% --------------------------------------------------------------------------switch 1
case Mes1==1
Mes=0;
case Mes1==2
Mes=31;
case Mes1==3
Mes=31+28;
case Mes1==4
Mes=31+28+31;
case Mes1==5
Mes=31+28+31+30;
case Mes1==6
Mes=31+28+31+30+31;
case Mes1==7
Mes=31+28+31+30+31+30;
case Mes1==8
Mes=31+28+31+30+31+30+31;
case Mes1==9
Mes=31+28+31+30+31+30+31+31;
case Mes1==10
Mes=31+28+31+30+31+30+31+31+30;
case Mes1==11
Mes=31+28+31+30+31+30+31+31+30+31;
case Mes1==12
Mes=31+28+31+30+31+30+31+31+30+31+30;
end
linha=(Mes*24+(Dia-1)*24+hora)+8;
DadosLinha=sscanf(C{linha},'%f %*c %f %*c %f %*c
%f%*c %f %*c %*c %f%*c %f%*c %f%*c %f%*c %f%*c
%f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c
%f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c
%f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c
%f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c
%f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c
%f%*c %f%*c %f%*c %f%*c %f%*c %f',[1,inf]);
C{linha} =
sprintf('2005,%d,%d,%d,60,?9?9?9?9?9?9?9?9?9?9?9?
9?9?9?9?9?9?9?9?9?9*9,%0.1f,%0.1f,%0.0f,%d,%d,%d,
%0.0f,%0.0f,%d,%d,%d,%d,%d,%d,%0.0f,%0.0f,%0.0f,%
d,%d,%d,%d,%d,%d,%1.4f,%d,%d,%3.3f,%3.1f,%2.1f',M
es1,Dia,hora,T,Tdp,RH,Pressao,DadosLinha(1,32),Da
n
dosLinha(1,33),lwd,swd,swo,DadosLinha(1,37),Dados
Linha(1,38),DadosLinha(1,39),DadosLinha(1,40),Dad
osLinha(1,41),DirVento,Vento,DadosLinha(1,44),Dad
osLinha(1,45),DadosLinha(1,46),DadosLinha(1,47),D
adosLinha(1,48),DadosLinha(1,49),DadosLinha(1,50)
,DadosLinha(1,51),DadosLinha(1,52),DadosLinha(1,5
3),DadosLinha(1,54),DadosLinha(1,55),DadosLinha(1
,56));
ii=i+1;
%__________________Colocação dos dados no
ficheiro Climático_______________
for i=ii:156
hora=PrevisaoDia(i,4);
if hora == 0
hora=24;
end
Dia=PrevisaoDia(i,3);
Mes1=PrevisaoDia(i,2);
T=PrevisaoDia(i,5);
RH=PrevisaoDia(i,6);
Vento=PrevisaoDia(i,7);
DirVento=PrevisaoDia(i,8);
swd=PrevisaoDia(i,9);
swo=PrevisaoDia(i,10);
lwd=PrevisaoDia(i,11);
lwo=PrevisaoDia(i,12);
Pslv=PrevisaoDia(i,13);
Pcp=PrevisaoDia(i,14);
Pressao=PrevisaoDia(i,15)*100;
dosLinha(1,33),lwd,swd,swo,DadosLinha(1,37),Dados
Linha(1,38),DadosLinha(1,39),DadosLinha(1,40),Dad
osLinha(1,41),DirVento,Vento,DadosLinha(1,44),Dad
osLinha(1,45),DadosLinha(1,46),DadosLinha(1,47),D
adosLinha(1,48),DadosLinha(1,49),DadosLinha(1,50)
,DadosLinha(1,51),DadosLinha(1,52),DadosLinha(1,5
3),DadosLinha(1,54),DadosLinha(1,55),DadosLinha(1
,56));
end
%______Colocação dos valores no ficheiro
Climático_______________
cd ('C:\Program Files\EnergyPlusV8-10\WeatherData')
fid = fopen('FicheiroClimatico.epw','w');
for i = 1:numel(C)
if C{i+1} == -1
fprintf(fid,'%s', C{i});
break
else
fprintf(fid,'%s\n', C{i});
end
end
fclose('all');
% alterar dias do ficheiro IDF
cd ('C:\Program Files\EnergyPlusV8-10\ExampleFiles')
%-----calculo da temperatura bolbo seco--- the
Bögel modification, also known as the Arden Buck
equation,---a=6.1121;
b=18.678;
c=257.14;
d=234.5;
y=log((RH/100)*exp((b-(T/d))*(T/(c+T))));
Tdp=(c*y)/(b-y);
% ---------------------------------------------------------------------------
fid = fopen('Sala3fan.idf','r');
i = 1;
tline = fgetl(fid);
D{i} = tline;
while ischar(tline)
i = i+1;
tline = fgetl(fid);
D{i} = tline;
end
fclose(fid);
switch 1
case Mes1==1
Mes=0;
case Mes1==2
Mes=31;
case Mes1==3
Mes=31+28;
case Mes1==4
Mes=31+28+31;
case Mes1==5
Mes=31+28+31+30;
case Mes1==6
Mes=31+28+31+30+31;
case Mes1==7
Mes=31+28+31+30+31+30;
case Mes1==8
Mes=31+28+31+30+31+30+31;
case Mes1==9
Mes=31+28+31+30+31+30+31+31;
case Mes1==10
Mes=31+28+31+30+31+30+31+31+30;
case Mes1==11
Mes=31+28+31+30+31+30+31+31+30+31;
case Mes1==12
Mes=31+28+31+30+31+30+31+31+30+31+30;
end
D{57}= sprintf('%d',data(1,2));
D{58}= sprintf('%d',data(1,3));
linha=(Mes*24+(Dia-1)*24+hora)+8;
DadosLinha=sscanf(C{linha},'%f %*c %f %*c %f %*c
%f%*c %f %*c %*c %f%*c %f%*c %f%*c %f%*c %f%*c
%f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c
%f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c
%f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c
%f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c
%f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c %f%*c
%f%*c %f%*c %f%*c %f%*c %f%*c %f',[1,inf]);
C{linha} =
sprintf('2005,%d,%d,%d,60,?9?9?9?9?9?9?9?9?9?9?9?
9?9?9?9?9?9?9?9?9?9*9,%0.1f,%0.1f,%0.0f,%d,%d,%d,
%0.0f,%0.0f,%d,%d,%d,%d,%d,%d,%0.0f,%0.0f,%0.0f,%
d,%d,%d,%d,%d,%d,%1.4f,%d,%d,%3.3f,%3.1f,%2.1f',M
es1,Dia,hora,T,Tdp,RH,Pressao,DadosLinha(1,32),Da
t = datenum(data);
datestr(t);
t=addtodate(t, 1, 'day');
data1=datevec(t);
D{60}= sprintf('%d',data1(1,2));
D{62}= sprintf('%d',data1(1,3));
D{77}= sprintf('%d',data1(1,2));
D{79}= sprintf('%d',data1(1,3));
t = datenum(data);
datestr(t);
t=addtodate(t, -1, 'day');
data1=datevec(t);
D{73}= sprintf('%d',data1(1,2));
D{75}= sprintf('%d',data1(1,3));
fid = fopen('Sala3fan.idf','wt');
for i = 1:numel(D)
if D{i+1} == -1
fprintf(fid,'%s', D{i});
break
else
fprintf(fid,'%s\n', D{i});
end
end
fclose('all');
%#######################
% Primeira simulação do EnergyPlus
% e recolha dos resultados
%---------Correr o EnerguPlus ------------------cd ('C:\Program Files\EnergyPlusV8-1-0')
status = dos('RunEPlus.bat Sala3fan
FicheiroClimatico');
cd ('C:\Users\Maria João\Dropbox\Maria Joao Tese\Programas\Resultados\AG24Luz\EnergyPlus1_24h
de simulacao sem LUz')
o
% ---Recolha dos resultados do EnergyPlus -Mes1=data(1,2);
dia=data(1,3);
hora=data(1,4);
Min=data(1,5);
switch 1
case Min<10
min=0;
case Min>=10
min=10;
case Min>=20
min=20;
case Min>=20
min=20;
case Min>=30
min=40;
case Min>=40
min=40;
case Min>=50
min=50;
end
&& Min<20
&& Min<30
&& Min<30
&& Min<40
%##################################
% calculo de 3 variáveis
%
- Preço
%
- Produção
%
- factor de importância ao preçoVSconforto
%- calcular o preço a cada instante
for i=1:144
preco(i)=Tarifa(Resultados0,i,3);
end
%- calcular a produçao de energia a cada
instante
d=1;
for s=1:144
&& Min<50
Resultados0=ones(144,10);
cd ('C:\Program Files\EnergyPlusV8-10\ExampleFiles\Outputs')
fid = fopen('Sala3fan.ESO');
i = 1;
tline = fgetl(fid);
C{i} = tline;
while ischar(tline)
i = i+1;
tline = fgetl(fid);
C{i} = tline;
end
fclose 'all';
cd ('C:\Users\Maria João\Dropbox\Maria Joao Tese\Programas\Resultados\AG24Luz\EnergyPlus1_24h
de simulacao sem LUz')
linha=25+((hora-1)*6*17)+((min/10)*17);
linhaR=linha;
if PrevisaoDia(d+1,4)==0
PrevisaoDia(d+1,4)=24;
end
while PrevisaoDia(d,4)~=Resultados0(s,3)
d=d+1 ;
end
swd(s,1)=PrevisaoDia(d,9);
T(s,1)=PrevisaoDia(d,5);
end
for i=1:144
P(i)=solar(Resultados0,i,swd,T);
end
%- Calcular o alfa a cada instante
for i=1:144
if Resultados0(i,3)>=9 && Resultados0(i,3)<12
alfa(i)=0.5;
elseif Resultados0(i,3)>=13 &&
Resultados0(i,3)<19
alfa(i)=0.5;
else
alfa(i)=1;
end
end
for i=1:144
Tradmat=sscanf(C{linha+1},'%f %*c %f',[1,inf]);
Tmat=sscanf(C{linha+2},'%f %*c %f',[1,inf]);
HRmat=sscanf(C{linha+16},'%f %*c %f',[1,inf]);
Datamat=sscanf(C{linha},'%f %*c %f %*c %f %*c %f
%*c %f %*c %f %*c %f %*c',[1,inf]);
SCH0=0;
Resultados0(i,1)=Datamat(1,3);
Resultados0(i,2)=Datamat(1,4);
Resultados0(i,3)=Datamat(1,6);
Resultados0(i,4)=Datamat(1,7);
Resultados0(i,5)=Tmat(1,2);
Resultados0(i,6)=Tradmat(1,2);
Resultados0(i,7)=HRmat(1,2);
[Resultados0(i,8),Resultados0(i,9)]=confortotermi
coPMV(Tmat(1,2),Tradmat(1,2),1,1,0,0.002,HRmat(1,
2));
Resultados0(i,10)=SCH0;
linha=linha+17;
end
%%%--- Copiar o ficheiro SCH do AC
cd ('C:\Program Files\EnergyPlusV8-10\DataSets\TDV')
fid = fopen('AC.csv','r');
i = 1;
tline = fgetl(fid);
C{i} = tline;
while ischar(tline)
i = i+1;
tline = fgetl(fid);
C{i} = tline;
end
fclose(fid);
AC1=C;
AC2=C;
cd ('C:\Users\Maria João\Dropbox\Maria Joao Tese\Programas\Resultados\AG24Luz\EnergyPlus1_24h
de simulacao sem LUz')
log=[4*ones(144,1); Resultados0(:,9)];
save ('log.mat','log')
%########################################
% Modelo de otimização
% Algoritmo Genético
tic
LB=zeros(1,432);
UB=[3*ones(1,144),ones(1,288)];
INTCON=1:288;
options=
gaoptimset('crossoverFrac',0.5,'PopulationSize',1
0,'StallGen',10,'Generations',5,'PlotFcns',@gaplo
tbestf)
[xop,fval]=ga(@(x)myfit(x,alfa,Resultados0,linhaR
,AC1,P,preco),432,[],[],[],[],LB,UB,@(x)myconstr(
x),INTCON,options)
%########################################
% Recolha dos Resultados
for j=1:144
if xop(j)==0
E_AC(j,1)=0; %W-consumo elétrico
Modo_AC(j,1)=0;
elseif xop(j)==1
E_AC(j,1)=48*2*(10^-3); %W-consumo
electrico
Modo_AC(j,1)=1;
elseif xop(j)==2
E_AC(j,1)=161*2*(10^-3); %W-consumo
electrico
Modo_AC(j,1)=2;
elseif xop(j)==3
E_AC(j,1)=290*2*(10^-3); %W-consumo
electrico
Modo_AC(j,1)=3;
end
end
j=1;
for i=289:432
E_luz(j)=(9355.59257*xop(i)^5 27030.48053*xop(i)^4 + 27482.47180*xop(i)^3 -
p
11503.09720*xop(i)^2 + 2227.62706*xop(i))*(10^3); %KW
j=j+1;
end
[Resultados1] =
ACvelociadade(Resultados0,linhaR,AC1,Modo_AC);
plot(1:1:144,Resultados0(:,9),1:1:144,Resultados1
(:,9))
toc
precoMax=0.1;
E_ACMax=0.290*2;
E_luzMax=0.5321137;
B1(1)=4;
f(1)=0;
for i=1:144
PPM(i)=Resultados1(i,9);
B1(i+1,1)=((0.5/6)/4)*B1(i)+(P(i)*(10^-3)/6)E_AC(i)-E_luz(i);
if B1(i+1,1)<=0;
B1(i+1,1)=0;
elseif B1(i+1,1)> (0.5/6)
B1(i+1,1)=4;
elseif B1(i+1,1)<=(0.5/6)/4 && B1(i+1,1)>0
B1(i+1)=1;
elseif B1(i+1,1)<=(2*(0.5/6))/4 &&
B1(i+1,1)>(0.5/6)/4
B1(i+1)=2;
elseif B1(i+1,1)<=(3*(0.5/6))/4 &&
B1(i+1,1)>(2*(0.5/6))/4
B1(i+1)=3;
elseif B1(i+1,1)<=(0.5/6) &&
B1(i+1,1)>(3*(0.5/6))/4
B1(i+1,1)=4;
end
if x(j)==0
E_AC(j,1)=0; %W-consumo elétrico
Modo_AC(j,1)=0;
elseif x(j)==1
E_AC(j,1)=48*2*(10^-3); %W-consumo
electrico
Modo_AC(j,1)=1;
elseif x(j)==2
E_AC(j,1)=161*2*(10^-3); %W-consumo
electrico
Modo_AC(j,1)=2;
elseif x(j)==3
E_AC(j,1)=290*2*(10^-3); %W-consumo
electrico
Modo_AC(j,1)=3;
end
end
load ('log.mat', 'log');
for i=1:size(log,2)
if isequal(log(1:144,i),Modo_AC)
for ii=1:144
PPM(ii,1)=log(ii+144,i);
end
jj=0;
break
else
jj=1;
end
end
if jj ==1
[Resultados1] =
ACvelociadade(Resultados0,linhaR,AC1,Modo_AC);
for ii=1:144
PPM(ii,1)=Resultados1(ii,9);
end
j=size(log,2);
j=j+1;
log (:,j)=[Modo_AC; PPM];
save('log.mat','log')
if xop(i+144)==1 % só usa a da rede
f(i+1) =f(i) +
alfa(i)*((((E_luz(i)+E_AC(i)))*preco(i))/((E_ACMa
x+E_luzMax)*precoMax))*100+(1alfa(i))*(PPM(i)+(1.1-xop(288+i))*100);
else % usa energia da rede e da bateria
if (((E_luz(i)+E_AC(i))((0.5/6)/4)*(B1(i)-B1(i+1)))*preco(i))<0
f(i+1) =f(i) + 0+(1alfa(i))*(PPM(i)+(1.1-xop(288+i))*100);
else
if B1(i,1)>B1(i+1,1)
end
% Função custo da Luz (W)
j=1;
for i=289:432
E_luz(j)=(9355.59257*x(i)^5 27030.48053*x(i)^4 + 27482.47180*x(i)^3 11503.09720*x(i)^2 + 2227.62706*x(i))*(10^-3);
%KW
j=j+1;
end
precoMax=0.1;
E_ACMax=0.290*2;
E_luzMax=0.5321137;
f(i+1) =f(i) +
alfa(i)*((((E_luz(i)+E_AC(i)-((0.5/6)/4)*(B1(i)B1(i+1)))*preco(i))/((E_luzMax+E_ACMax((0.5/6)/4)*(B1(i)-B1(i+1)))*precoMax)))*100+(1alfa(i))*(PPM(i)+(1.1-xop(288+i))*100);
% Função de custo com pelos para conforto e
consumo elétrico
B(1)=4;
else
f(i+1) =f(i) +
alfa(i)*(((E_AC(i)+E_luz(i))*preco(i))/(((E_luzMa
x+E_ACMax)*precoMax)))*100+(1alfa(i))*(PPM(i)+(1.1-xop(288+i))*100);
B(i+1)=((0.5/6)/4)*B(i)+(P(i)*(10^-3)/6)E_AC(i)-E_luz(i);
end
end
end
end
function f =
myfit(x,alfa,Resultados0,linhaR,AC1,P,preco)
Modo_AC=zeros(1,1);
f=0;
for i=1:144
if B(i+1)<=0;
B(i+1)=0;
elseif B(i+1)> (0.5/6)
B(i+1)=4;
elseif B(i+1)<=(0.5/6)/4 && B(i+1)>0
B(i+1)=1;
elseif B(i+1)<=(2*(0.5/6))/4 &&
B(i+1)>(0.5/6)/4
B(i+1)=2;
elseif B(i+1)<=(3*(0.5/6))/4 &&
B(i+1)>(2*(0.5/6))/4
B(i+1)=3;
elseif B(i+1)<=(0.5/6) &&
B(i+1)>(3*(0.5/6))/4
B(i+1)=4;
end
for j=1:144
q
if x(i+144)==1 % só usa a da rede
end
f =f +
alfa(i)*((((E_luz(i)+E_AC(i)))*preco(i))/((E_ACMa
x+E_luzMax)*precoMax))*100+(1alfa(i))*(PPM(i)+(1.1-x(288+i))*100);
else % usa energia da rede e da bateria
if (((E_luz(i)+E_AC(i))((0.5/6)/4)*(B(i)-B(i+1)))*preco(i))<0
f =f + 0+(1-alfa(i))*(PPM(i)+(1.1x(288+i))*100);
else
if B(i)>B(i+1)
f =f + alfa(i)*((((E_luz(i)+E_AC(i)((0.5/6)/4)*(B(i)B(i+1)))*preco(i))/((E_luzMax+E_ACMax((0.5/6)/4)*(B(i)-B(i+1)))*precoMax)))*100+(1alfa(i))*(PPM(i)+(1.1-x(288+i))*100);
else
f =f +
alfa(i)*(((E_AC(i)+E_luz(i))*preco(i))/(((E_luzMa
x+E_ACMax)*precoMax)))*100+(1alfa(i))*(PPM(i)+(1.1-x(288+i))*100);
function [c,ceq] = myconstr(x)
load('lux.mat')
i=1;
Lux_lampadas=zeros(1,144);
for j=289:432
Lux_lampadas(i)=(1229.99163*x(j)^52976.47385*x(j)^4+2103.73931*x(j)^3244.7425*x(j)^2+9.02345*x(j));
i=i+1;
end
b=1;
for i=1:144
c(i)=100-Lux_lampadas(i)-Lux(i,1);
b=b+2;
end
% No nonlinear equality constraints:
ceq = [];
end
end
end
end
end
r