Gestão de Consumos de Energia em Edifícios: Metologia para Definição de Indicadores de Eficiência

Faculdade de Engenharia da Universidade do Porto Gestão de Consumos de Energia em Edifícios: Metodologia para a Definição de Indicadores de Eficiência Pedro Natividade VERSÃO FINAL Dissertação realizada no âmbito do Mestrado Integrado em Engenharia Electrotécnica e de Computadores Major Energia Orientador: Prof. Dr. Artur Costa Co-Orientador: Prof. Dr. Cláudio Monteiro Outubro 2013 ii iii © Pedro Jorge Pinto da Natividade, 2013 iv v Resumo A eficiência energética começou a ganhar um destaque cada vez maior a partir da crise energética mundial ocorrida na década de 70 do século XX. Desde então se percebeu que o caminho a seguir não é o de aumentar a produção de energia, mas sim combater o seu desperdício. Esta problemática ganha maior relevo nos países mais desenvolvidos, onde constantemente se procuram tomar novas medidas para promover a eficiência energética. Neste contexto, surgem cada vez mais técnicas e metodologias para promover um uso racional da energia, procurando poupanças que se refletem a nível ambiental, social e económico. O desperdício de energia elétrica pode ser combatido em vários níveis, mas ao nível do consumidor final, ganha uma importância e complexidade superiores dada a especificidade de cada caso. O presente trabalho pretende criar uma metodologia para ser aplicada a edifícios de serviços com o intuito de incentivar a poupança de energia elétrica, detetando maus hábitos por parte dos seus utilizadores. Para tal, são encontrados valores “ideais” de consumo horário de energia elétrica, através de um método de previsão que emprega redes neuronais artificiais. Esses valores são fixados como referência e, à posteriori para fazer a análise do desempenho energético do edifício, através da aplicação de indicadores de desempenho, criados para o efeito, no decorrer da metodologia. A metodologia desenvolvida foi validada num caso real, através da previsão de valores de referencia para um edifício, e da análise dos indicadores de desempenho criados. No final é possível classificar a eficiência do edifício estudado através de vários pontos de vista e em horizontes temporais diferentes, permitindo a quem faz a gestão do edifício utilizar esses dados e conclusões para adaptar os comportamentos dos utilizadores, fomentando as boas práticas. Deste modo atinge-se o objetivo principal, economizar energia elétrica e consequentemente, dinheiro. Palavras-Chave: Eficiência Energética; Indicadores Energéticos; Baselines; Redes Neuronais Artificiais vi vii Abstract Energy efficiency started to gain more importance and highlight since the world energy crisis in the 70’s. Since that series of events, the world realized that the way to follow is not to increase the energy production, but to fight and decrease the energy waste. This issue is more relevant in the developed countries, where the research for new procedures to save energy and stimulate energy efficiency is constantly growing. In this context, more and more technics and methods are appearing to promote a rational energy use, looking for energy savings, which reflects in a social, environmental and economic ways. Energy waste can be fought in many levels, but if we look at final consumer, it gains more relevance due to complexity and specificity of each case. During the development of this paper, it’s expected to create a methodology witch can be used in office buildings with the goal of encourage energy savings by detecting bad behaviors of their users and employees. To reach that, the methodology is based in prediction, using artificial neural networks, to find “ideal” hourly electricity consumption. Those predicted values are used to create a baseline, which is subsequently used to evaluate the building performance, using energy efficiency indicators created for that. The developed methodology was tested and validated in a real case, by predicting an energy consumption baseline to a specific building and analyzing the energy efficiency indicators previously created. In the end, it’s possible to grade the building efficiency by many different angles and in many different timelines. That study is very helpful and provides critical information to the building manager, who can use that information to revise and adjust the building users behaviors, encouraging good protocols and leading to the main goal of this methodology: save electricity, and consequently, save money. Keywords: Energy Efficiency; Energy Indicators; Baselines; Artificial Neural Networks viii ix Agradecimentos Quero agradecer ao meu Orientador, Prof. Dr. Artur Manuel Figueiredo Fernandes Costa pela disponibilidade constante, rigor e paciência comigo. Obrigado por me chamar à razão quando precisei, pelos momentos de descontração quando a isso se proporcionou, e principalmente pela partilha de conhecimento ao longo do decorrer do trabalho. Agradeço também a todos os elementos da empresa Smartwatt por me terem recebido e tratado como um membro da “família”, com um especial agradecimento ao Prof. Dr. Cláudio Monteiro. Agradeço a toda a minha família pelo apoio prestado não só ao longo da realização desta dissertação, mas especialmente por me apoiarem em todos os projetos ao longo da minha vida. Obrigado Mãe, Pai, Irmã, Tios e Avós, com um agradecimento especial ao pilar da família que tornou tudo isto possível, obrigado Avô Aníbal. Não posso deixar de agradecer aos amigos e companheiros de muitas lutas durante os anos de curso, especialmente àqueles que hoje são como irmãos. Um abraço ao Luís Sousa, Pedro Seabra e Tiago Rocha. Não posso também negligenciar a ajuda preciosa que vários amigos e amigas me deram ao longo da realização desta dissertação, ao mostrarem-me que ao perder duas horinhas para conviver estava a dar um passo atrás para dar dois à frente. xvi Abreviaturas e Símbolos Lista de abreviaturas ADENE Agencia para a Energia CEE Comunidade Económica Europeia DGEC Direção Geral de Energia e Geologia FEUP Faculdade de Engenharia da Universidade do Porto GEE Gases de Efeito de Estufa ONU Organização das Nações Unidas RNA Rede Neuronal Artificial Lista de símbolos CO2 Dióxido de Carbono kW Kilowatt kWh Kilowatt hora Capítulo 1 Introdução 1.1 - Enquadramento O acesso à energia é fundamental para o desenvolvimento das sociedades. No entanto, a maior parte da energia usada no mundo provém de combustíveis fósseis como o carvão, o gás ou o petróleo, cujas reservas têm vindo a diminuir. Entretanto, o consumo de energia aumenta e com ele todos os impactos associados, tanto a nível económico, social e ambiental [1, 2]. A nossa sociedade procura uma melhoria constante na qualidade de vida e, por isso, exige cada vez mais edifícios sustentáveis. Apesar deste facto, a atenção dada ao desperdício de energia em edifícios ainda é pouca, tanto a nível construtivo (por exemplo, a adequação dos edifícios ao clima em que se encontram), quanto a nível de utilização racional da energia no seu interior[1, 3, 4]. Segundo a DGEG (Direção Geral de Energia e Geologia), em 2010, a dependência de Portugal em termos de importação de energia foi de 77% . Assim é cada vez mais imprescindível tornar a eficiência energética uma prioridade, de forma a reduzir esta dependência. 1.2 - Motivação O presente trabalho surge para suprir uma lacuna no que diz respeito à análise de eficiência energética e para complementar o sistema de gestão de energia já existente na empresa de acolhimento da presente dissertação, a Smartwatt. Os edifícios são responsáveis por uma parcela considerável do consumo de energia de um território e a eficiência energética dos edifícios é um dos indicadores de desempenho que é 2 Introdução 2 sempre avaliado quando se fala em edifícios sustentáveis. Porém, para avaliar esse desempenho, nem sempre existem dados fiáveis e claros. Assim, o presente trabalho surge para tornar possível a obtenção de dados que possam ser analisados quando se pretende fazer uma avaliação qualitativa e quantitativa da eficiência de edifícios. 1.3 - Objetivos É objetivo desta dissertação criar uma metodologia que permita ao gestor de um edifício de serviços, adaptar os comportamentos dos seus utilizadores, de modo a fomentar as boas práticas e combater o desperdício de energia. Não se pretende atuar diretamente no edifício, alterando as suas características construtivas, como alteração do isolamento térmico, portas ou janelas, nem mesmo substituir equipamentos como lâmpadas, eletrodomésticos ou equipamentos de climatização. O objetivo principal é encontrar falhas na tendência ideal dos consumos de energia elétrica ou, pelo contrário, momentos onde as boas práticas se traduzem em poupanças. Posteriormente, essas falhas ou bons exemplos são estudados de modo a permitirem adaptar os comportamentos no futuro, tendo sempre em conta o combate ao desperdício de energia. Durante a criação da metodologia é, sempre que possível, tido em conta que, num projeto de engenharia, a simplicidade é sempre uma mais-valia. Assim, sempre que a inclusão de algum tipo de dado ou análise não revele ganhos significativos, é automaticamente descartada, tendo em conta que o aumento de complexidade e/ou esforço computacional não compensa os ganhos obtidos. A conceção da metodologia passa por dois estágios principais. O primeiro é a criação de um conjunto de valores de referência de consumos de energia elétrica (baseline) para um determinado período, com base num modelo de previsão. O segundo passa pela definição de indicadores de eficiência energética, usando para o efeito os valores de referência previamente definidos. Ao aplicar e analisar esses indicadores é possível classificar a eficiência do edifício a ser estudado e ter noção dos comportamentos a alterar ou manter para promover a poupança de energia. Apesar de um dos objetivos subentendidos da poupança de energia ser a poupança de dinheiro, a análise financeira dessa poupança não se enquadra no âmbito do presente trabalho. É objetivo deste trabalho fazer que os dois estágios da metodologia possam ser usados separadamente, para o mesmo ou outros propósitos. O método de previsão pode ser usado para prever valores de referência e posteriormente, ser útil para outro tipo de indicadores, ou para fazer outro tipo de previsões, como, por exemplo, previsão de consumo para o mês seguinte. Por sua vez, os indicadores definidos também podem ter utilidades diferentes e 3 3 independentes da criação da baseline, podendo ser utilizados com outros valores previstos através de outro método. Em suma, os objetivos da presente dissertação passam por criar um método de prever consumos “ideais” para um edifício e, em seguida, comparar esses consumos previstos com os valores reais medidos através de indicadores de desempenho criados para o efeito. Através da análise dos indicadores é possível realçar o potencial de poupança de energia no edifício e consequentemente a poupança de dinheiro associada. 1.4 - Estrutura A presente dissertação apresenta-se estruturada em cinco capítulos. O primeiro capítulo é a introdução, onde é explicado o contexto do trabalho e seus objetivos principais. O segundo capítulo mostra de que forma se chega aos valores de referência através do método de previsão escolhido, as redes neuronais artificiais. Além de se demonstrar como se chega aos valores finais, uma parte importante deste capítulo é mostrar de que forma têm de ser tratados previamente os dados de entrada, e porquê. No terceiro capítulo são definidos os indicadores de eficiência energética usados para classificar o edifício e, no quarto capítulo, esses mesmos indicadores são aplicados a um caso real, depois de ser feita a previsão da baseline de consumos para o mesmo. Depois da aplicação ao caso real, são retiradas as conclusões da análise dos dados. Por último, no quinto capítulo, são apresentadas as conclusões e sugestões para trabalhos futuros que darão continuidade à metodologia criada na presente dissertação. 1.5 - Informação Utilizada A informação utilizada para a criação da metodologia no presente trabalho é fornecida pela empresa Smartwatt e retirada da base de do Sistema Nacional de Informação de Recursos Hídricos. A empresa Smartwatt colocou à disposição o interface via web do seu sistema de gestão de energia, com total acesso a todas as informações acerca dos edifícios monitorizados pelo mesmo. Por uma questão de confidencialidade, os nomes das instituições onde foram feitas as monitorizações e de onde foram retirados os dados não serão revelado. Capítulo 2 Previsão do Valor de Referência “Se queres prever o futuro, estuda o passado” - Confucio O presente capítulo destina-se a explorar e apresentar uma metodologia possível para determinar o valor de referência de consumo de eletricidade num edifício. Esse valor será posteriormente utilizado para, através de comparação, criar uma série de indicadores de desempenho que permitirão avaliar a eficiência do edifício em causa e dar a conhecer qualquer alteração comportamental dos utilizadores ou alterações no funcionamento do edifício. Após a aquisição ou importação dos dados históricos que se revelem pertinentes e úteis a incluir na previsão, é necessário encontrar relações entre variáveis e filtrar alguns valores. Posteriormente, será aplicado um modelo de previsão, usando como entradas as variáveis escolhidas e obtendo como saída os valores de referência de consumo para o período em estudo. 2.1 – Aquisição de dados O presente modelo tem como pré-requisito a monitorização e medição local de dados de consumo de energia elétrica, visto que a previsão dos valores futuros de consumos é baseada em dados reais históricos. Existem vários sistemas de monitorização disponíveis no mercado, usando diferentes tecnologias e com diferentes objetivos. Para esta metodologia, tendo em conta um dos objetivos, que é a simplicidade e rapidez do processo, os dados retornados pelo sistema de monitorização devem ser, além de fiáveis, fáceis de interpretar e de uma forma intuitiva. Toda a metodologia terá como base dados de consumos de energia elétrica recolhidos por um sistema de monitorização integrante de um sistema de gestão de energia desenvolvido pela empresa de acolhimento deste trabalho. 6 Previsão do Valor de Referência 6 Além dos dados relativos a consumos de energia elétrica, o modelo terá como entradas variáveis meteorológicas, que podem ser obtidas com relativa facilidade e em vários pontos do país dada a quantidade considerável de estações meteorológicas existentes. Após pesquisa bibliográfica, conclui-se que os dados mais importantes a incluir num modelo de previsão são os dados temporais como o mês, dia do ano, dia da semana e hora do dia e fatores climáticos como a temperatura média diária, a temperatura horária, humidade relativa, etc. No que diz respeito às variáveis temporais pode-se antever que umas terão mais peso que outras. Por exemplo, o dia do ano não será tão importante como o dia da semana ou a hora do dia. Até mesmo o mês poderá perder um pouco de relevância quando se consideram os fatores climáticos, visto que um dos contributos de considerar o mês é incluir as estações do ano na previsão. Assim, quando se inclui um dado mais fiável e rigoroso, como, por exemplo, a temperatura no local a tratar, a variável mês poderá perder alguma relevância[59]. Dados relativos a consumo de energia elétrica Os sistemas de monitorização de energia, são utilizados para o acompanhamento do funcionamento de um sistema ou edifício. Através de leitura, medição e registo regulares, em tempo real, de consumos de energia elétrica, são reunidos dados essenciais para a implementação de estratégias de optimização energética e apoio nas auditorias energéticas. A monitorização energética permite efetuar o acompanhamento da operação de um edifício, mediante leituras e registos periódicos das variáveis que se revelem pertinentes. Os valores medidos podem ser verificados a nível local, no contador ou num servidor central, usando uma rede de comunicação. Os antigos sistemas de medição (contadores convencionais) dão uma informação pouco detalhada acerca dos consumos de energia elétrica. São simplesmente capazes de retornar informações básicas. Algumas limitações são expressas em seguida: • Leituras totais; • Dados recolhidos manualmente, dando origem a estimativas de consumo; • Informação apenas de valores de energia consumida. O sistema de monitorização da Smartwatt permite, entre outras coisas, suprir algumas lacunas, como por exemplo: • Leituras parciais em tempo real; • Dados recolhidos automaticamente, em formato digital; • Visualizar parâmetros de qualidade de energia. Além da medição, é também feita a transmissão e armazenamento dos dados. A monitorização dos consumos de energia e do estado dos sistemas elétricos é feita com recurso a um sistema de gestão de energia com a seguinte arquitetura: 7 7 Figura 2.1 - Esquema tipo do sistema de gestão de energia – Fonte Smartwatt. Os dados são recolhidos e posteriormente são analisados por um software de gestão de energia que permite: • Programação remota de todos os equipamentos; • Aquisição e monitorização em tempo real dos dados dos analisadores; • Armazenamento em base de dados centralizada; • Gestão de alarmes; • Geração de relatórios pré-configurados e/ou criados à medida das necessidades; • Construção de ecrãs personalizados; • Servidor Web. Permite acesso através de LAN interna ou através da Internet; • Alocação de custos por ponto de medição. Simulação de tarifas; • Opção de controlo remoto de equipamentos; Esse software, como se torna evidente, tem imensas mais-valias, como por exemplo: Cliente INTERNET LAN Router ... Armazenamento Dados Local k Servidor Dispositivo ... Local B ... Local A ... Modem Ethernet/ RS485 Modem Ethernet/ RS485 Modem Ethernet/ RS485 Dispositivo Dispositivo Dispositivo Dispositivo Dispositivo Dispositivo Dispositivo Dispositivo Legenda: Ethernet Centro Controlo RS485 Ethernet LAN Dispositivo Dispositivo de Contagem/Análise de energia (electricidade, gás, água, etc.) 8 Previsão do Valor de Referência 8 • Distribuição de custos por unidade; • Detecção de consumos anómalos; • Visualização em painéis informativos dos consumos; • Possibilidade de integração com sistemas de produção de energia eléctrica; • Alertas via e-mail; • Acesso via WWW com ecrãs de fácil interpretação; • Geração de gráficos/tabelas para qualquer parâmetro. Este sistema tem por isso imensas aplicações como por exemplo em: • Edifícios de serviços; • Autarquias; • Grandes edifícios; • Indústria. O presente trabalho vem dar ainda mais utilidade ao sistema, permitindo assim, além de analisar e controlar consumos, fazer uso do histórico recolhido para previsão e análise dos dados previstos em comparação com valores em tempo real. Para isso é necessário importar os dados a utilizar no modelo de previsão, o que se explicará de seguida. Importação dos dados relativos a consumo de energia elétrica Através do uso de uma querry específica, no Microsoft Excel, é possível importar os valores diretamente da base de dados do sistema de monitorização. Seguidamente é apresentado um exemplo de uma importação de dados, relativos a um edifício que por razões de confidencialidade não será revelado. Neste exemplo, os dados são relativos ao consumo global, apresentados de hora a hora, no período de 01/10/2011 em diante. 9 9 Figura 2.2 – Dados importados do Sistema de Gestão de Energia Smartwatt. De referir que, na coluna A, o valor 3600 representa o intervalo de tempo de 3600s (uma hora), o valor numérico presente na coluna B representa o período de medição, a coluna C alberga o nome da variável, no sistema, e na coluna D estão os valores medidos da variável no respetivo período. Como se pode ver, os valores das variáveis temporais presentes na coluna B não estão disponíveis para utilização num modelo nem são de leitura fácil e intuitiva. Por essa razão, serão alvo de tratamento, assunto focado mais à frente. Importação dos dados meteorológicos Os dados meteorológicos podem ser adquiridos através de várias formas. Alguns sistemas de monitorização incluem medições de temperatura mas, como foi referido anteriormente, existem dados fiáveis disponibilizados por entidades de competência reconhecida. Assim, para importar os dados necessários ao modelo basta consultar uma base de dados online, onde constam valores medidos de inúmeras variáveis meteorológicas em vários locais do território nacional. Existem bases de dados disponibilizadas por entusiastas amadores que partilham as suas informações, podendo assim cobrir uma maior área geográfica, como por exemplo: http://www.wunderground.com 16 Previsão do Valor de Referência 16 os valores, mas continua a medi-los e, quando volta a reportar, retorna o somatório dos valores não reportados no período. Essa observação facilita a deteção de anomalias na série de dados e a sua posterior resolução. É possível visualizar graficamente esses acontecimentos na figura 2.10 Figura 2.10 – Anomalias nas medições de consumos. Após identificar os períodos em que a medição não foi reportada à base de dados, é necessário completar a série. Completam-se as células referentes às variáveis temporais com os valores correspondentes e os valores dos consumos são completados, por exemplo, com valores não numéricos para posteriormente serem filtrados. Depois deste passo, é possível passar para a verificação da série dos valores meteorológicos. Novamente, é possível afirmar que após a manipulação de vários conjuntos de dados, as séries importadas do SNIRH também têm particularidades que se repetem. Neste caso, também existem valores que não são medidos, mas a base de dados é automaticamente completada com valores não numéricos, facilitando o trabalho do analista. Assim, estão praticamente reunidas as condições para as duas séries de valores serem compiladas na mesma folha. Convém, inicialmente verificar se as duas séries têm a mesma dimensão no que diz respeito ao número de linhas, como é suposto (logicamente, a importação é feita para o mesmo período e com o mesmo intervalo de medição). Se o número for o mesmo, provavelmente as séries vão estar alinhadas mal sejam copiadas para a mesma folha. Para confirmar, usa-se agora a função =IF() para comparar as variáveis temporais e confirmar se todos os valores presentes numa linha correspondem exatamente ao mesmo intervalo de tempo. Caso a diferença seja pequena, a compilação pode ser feita ainda assim, aplicando-se 17 17 de seguida a mesma função =IF(), que permite encontrar os poucos valores em falta que possam existir nesta altura. Depois de serem encontrados e corrigidos na folha original, as duas séries são novamente copiadas, agora com a mesma dimensão e perfeitamente alinhadas. Para confirmar, usar novamente a função =IF(). Depois de se confirmar que tudo está de acordo com o pretendido, pode-se organizar a folha de cálculo, por exemplo, como o que está apresentado na figura 2.11 para as variáveis temporais (a azul) “Data”, “Mês”, “Dia Semana” e “Hora”, as variáveis de consumo (a laranja) “Geral” e “AVAC” e variáveis meteorológicas (a verde) “Humidade Relativa” e “Temperatura”. Figura 2.11 – Dados organizados e empregáveis no modelo de previsão. Modificação de variáveis Existem variáveis que, devido á sua natureza cíclica, é conveniente realizar algumas modificações. As variáveis que se comportam dessa maneira são tipicamente as variáveis temporais, onde a hora tem particular relevância. Por exemplo, num modelo computacional que esteja a associar a hora ao consumo, a variação brusca da hora, ao passar das 23h para as 0h não é acompanhada por uma variação brusca do consumo, podendo induzir em erro o 18 Previsão do Valor de Referência 18 sistema que esteja a analisar os dados. Para evitar esse problema é aconselhável proceder a uma transformação da variável “Hora”. Após alguns testes foi possível constatar que a transformação leva a um melhor desempenho por parte do software utilizado. Na figura 2.12 pode-se ver graficamente a variação brusca da variável “Hora”. Figura 2.12 – Comportamento da variável “Hora” Modificação de variáveis temporais cíclicas Para resolver esta particularidade é possível transformar a variável “Hora” em duas variáveis sinusoidais através das seguintes fórmulas: 𝑠𝑖𝑛𝐻𝑜𝑟𝑎 =𝑠𝑖𝑛 2∗𝜋∗𝐻𝑜𝑟𝑎 24 𝑐𝑜𝑠𝐻𝑜𝑟𝑎 =𝑐𝑜𝑠 2∗𝜋∗𝐻𝑜𝑟𝑎 24 Passa-se assim de uma a duas variáveis para representar a hora. Assim, evita-se a variação brusca, como se pode verificar na figura 2.13 Figura 2.13 – Comportamento da variável “hora” após alteração 19 19 Como referido anteriormente, depois de testado, o modelo com a variável “Hora” transformada em duas variáveis sinusoidais leva a melhores resultados pois o software utilizado não tem de lidar com as diferenças bruscas como se pode ver na figura 2.12, passado a ler uma fonte mais contínua de informação usando a variável transformada como se vê na figura 2.13. Os mesmos testes foram feitos para as restantes variáveis temporais, mas as diferenças são irrelevantes, tendo em conta o número de variáveis extra a incluir no modelo. Assim sendo, as restantes variáveis não serão modificadas, pois aumentam a complexidade do problema, sem benefícios que possam compensar. Normalização de variáveis Da mesma maneira, foram feitos testes para comprovar a utilidade da transformação das variáveis temporais, bem como testes para comprovar a utilidade da normalização das variáveis medidas (consumos, temperatura...). A normalização basicamente altera a escala dos dados medidos, apresentando os valores numa gama mais pequena. Foram realizados testes com as variáveis de consumo e meteorológicas normalizadas, nomeadamente com a normalização pelo método Z-Score. Para normalizar, procede-se ao cálculo da média e desvio padrão das variáveis e, em seguida, aplica-se a seguinte fórmula: Os resultados dos testes efetuados com ou sem normalização revelaram-se muito semelhantes, não demonstrando necessidade de se proceder a esse passo intermédio. Esse facto resulta da reduzida gama de valores apresentada pelas variáveis. Quando se fazem previsões de consumos de energia elétrica numa dada região, ou mesmo em todo o território nacional, os dados a tratar têm maiores valores absolutos e maiores gamas de valores. Na presente metodologia, por se tratar de previsão num único edifício, os dados têm gamas de valores semelhantes e de pouca amplitude, fazendo com que a normalização não assuma relevância. Por exemplo, num dos testes realizados, com dados de um edifício monitorizado pela Smartwatt, situado num local com clima ameno, a temperatura anual varia tipicamente entre os 5 º e os 35º. Os valores de consumo de energia elétrica variam entre os 5kWh e os 45kWh. Assim, pela reduzida gama de valores das duas variáveis e pela semelhança entre as mesmas, a normalização não se demonstra proveitosa. É importante referir que, cada caso de estudo tem características muito particulares, sendo sempre aconselhável testar a normalização em prol da obtenção de resultados mais precisos. 20 Previsão do Valor de Referência 20 Tratamento de Feriados Os feriados são um caso muito particular no que diz respeito à previsão. As suas ocorrências são pouco frequentes e não seguem um padrão. Além disso, a sua dispersão geográfica irregular (feriados municipais, por exemplo) confere uma dificuldade acrescida. Como foi explicado anteriormente, os dias da semana estão apresentados sob forma numérica, de 1 a 7 (Domingo a Sábado). No caso dos feriados identificados na série apresentarem um padrão semelhante a um dos sete dias da semana (provavelmente Sábado ou Domingo) é legítimo identificar os feriados como um desses dias. Após análise de várias séries de dados medidos pelo sistema de monitorização da Smartwatt, a conclusão foi que não se verifica essa semelhança. Na figura 2.14 é apresentado um gráfico mostrando o padrão de consumo durante 10 dias num dos edifícios monitorizados. Nesses 10 dias ocorre um feriado a uma Quarta-Feira. É visível o comportamento particular do consumo no feriado, pois não se assemelha ao consumo registado ao fim de semana, nem a nenhum dos dias da semana. Figura 2.14 – Consumo numa semana com feriado. Após a identificação de vários feriados é possível verificar que em todos eles o comportamento é semelhante, com exceção dos feriados que ocorrem ao fim de semana. Neste caso o perfil de consumo mantem-se semelhante ao do próprio Sábado ou Domingo. Assim, para aumentar o rigor da previsão, é feito um levantamento de todos os feriados que ocorrem no período a estudar e posteriormente é feita uma alteração na coluna da variável “Dia Semana”. Essa alteração passa por substituir o valor existente na célula pelo valor “8”, fazendo assim com que o modelo identifique o dia como feriado. Como foi dito 21 21 anteriormente, os feriados ao fim de semana não alteram o perfil de consumo do dia, assim sendo os dias “7” e “1”, Sábado e Domingo, respetivamente, não necessitam de alteração. É importante ter atenção aos feriados locais, específicos para a localização onde se encontra o edifício em estudo. Filtragem e Eliminação dos dados Após o tratamento descrito, os dados estão organizados e alinhados. Apesar disso, existem ainda porções da série que não são empregáveis no modelo. Foi referido anteriormente que é possível que existam dados em falta, quer nos dados relativos a consumos de energia elétrica, quer nos dados meteorológicos. Se se identificarem esses valores em falta (tipicamente em número reduzido), são acrescentados manualmente para completar a série de valores. Completar significa incluir as linhas em branco e atribuir um valor que seja facilmente identificável no futuro (por exemplo, um valor não numérico). Neste momento é necessário eliminar da série valores que não possam ser incluídos no modelo. Os valores que foram acrescentados são os primeiros a eliminar. Para tal, basta utilizar filtros do Excel nas variáveis medidas (consumos, temperatura, humidade relativa...) e fazer que sejam filtrados os dados que foram acrescentados. Essa filtragem faz com que sejam eliminadas as linhas onde estão presentes os valores não empregáveis. Após esta primeira filtragem, é conveniente fazer uma análise da série que temos no momento, preferencialmente uma análise gráfica, onde possam ser identificados valores anómalos e fora do padrão normal da variável. As variáveis mais críticas são variáveis de consumo. Nestas variáveis é mais fácil encontrar padrões, sendo consequentemente mais fácil encontrar desvios desses padrões, e assim encontrar valores anómalos. Essas anomalias podem ter várias razões, como falha do sistema de medição ou alteração esporádica do perfil de consumo (evento festivo, obras...). Ao serem encontradas essas anomalias é conveniente fazer um estudo para apurar a causa das mesmas. Caso o desvio do padrão de consumo seja causado por uma falha na medição ou por um evento esporádico, é conveniente ser eliminado da série para não induzir em erro o modelo de previsão. Case se verifique que o desvio é causado por um evento que se repita periodicamente (por exemplo, a festa de Natal da empresa realizar-se sempre na Sexta-feira anterior ao Natal), a porção da série é mantida. Ao usar os filtros do Excel, o primeiro passo é eliminar os valores que estariam em falta na série e foram acrescentados manualmente. É importante referir que os valores inseridos servem para completar células da folha de cálculo em falta. A eliminação corresponde `linha completa onde esses valores foram acrescentados. Acrescentar para posteriormente eliminar é necessário para manter a integridade da série. Posteriormente deve ser feita outra análise gráfica para detetar desvios do padrão normal. Caso existam valores anómalos sem explicação aparente devem ser eliminados, como explicado anteriormente. 22 Previsão do Valor de Referência 22 Depois da eliminação das linhas onde constavam valores não empregáveis ao modelo é conveniente copiar todos os valores para uma nova folha de cálculo, livre de filtros, para posterior exportação e utilização no modelo de previsão. 2.3 – Escolha das Variáveis Depois do tratamento das variáveis, há que fazer a seleção das que vão ser incluídas no modelo final. É importante referir que, ao fazer as importações dos dados, já é realizada uma pré seleção baseada no conhecimento empírico e consulta de estudos semelhantes, principalmente no que diz respeito às variáveis meteorológicas. O SNIRH disponibiliza vários parâmetros para consulta e, para o modelo de previsão de consumos em estudo, não é necessário importar dados relativos, por exemplo, à velocidade e direção do vento. Tendo em conta que objetivos principais do modelo passam pela sua rapidez e simplicidade, não seria coerente incluir um grande número de variáveis. O desafio passa por encontrar as variáveis mais significativas, sem criar um modelo pesado computacionalmente, e onde os dados sejam de fácil acesso e com fontes fidedignas. Visto que o consumo de energia elétrica é o Target do presente modelo, o primeiro passo passa por encontrar relações entre o próprio consumo e as restantes variáveis disponíveis, tendo assim uma ideia de como este é influenciado. Para a escolha das variáveis ser feita corretamente, é necessário correr o modelo com grupos de variáveis diferentes. Nesta secção são apenas apresentadas relações entre algumas variáveis disponíveis e o consumo de energia elétrica, porém, na prática, a escolha passa sempre por uma análise mais minuciosa e por testes no modelo. De seguida são apresentadas relações entre o consumo e algumas das variáveis disponíveis. Consumo vs Hora Figura 2.15 – Relação consumo vs. hora. 23 23 Na figura 2.15 pode-se ver a relação entre o consumo de energia elétrica e a hora do dia. Pelo conhecimento empírico e por experiência, a hora do dia é uma das variáveis mais importantes quando se pretende caraterizar o consumo. Consumo vs Dia da Semana Figura 2.16 – Relação consumo vs. dia. O dia da semana é também uma variável temporal de importância extrema, como já foi discutido em secções anteriores. É manifesto que o consumo de energia elétrica num edifício não residencial seja notoriamente superior em dias úteis, altura essa em que se desenvolve a atividade profissional no interior dos mesmos. Consumo vs Temperatura Figura 2.17 – Relação consumo vs. temperatura. A temperatura é o fator climático que mais influencia os perfis de consumo de energia. 24 Previsão do Valor de Referência 24 Outros fatores, como por exemplo, a humidade relativa, podem também fornecer informação com alguma importância, contudo, em prol da simplicidade do método, optou-se por não incluir a esta variável. Além da sua contribuição para o aumento da precisão dos valores obtidos não ser significativa, caso seja preciso alterar a fonte de dados, pode ser difícil encontrar medições fiáveis de valores de humidade relativa. Escolha final Após serem verificadas as relações de vários modos ( empiricamente, consulta bibliográfica, experiência na área, relações gráficas, testes…) a opção recaiu sobre um modelo simples, com quatro entradas, como se pode ver na figura 2.18. Figura 2.18 –Esquema simplificado da rede neuronal. O modelo pode então ser assim apresentado de maneira simplificada. Através da informação dada pela hora, dia da semana, mês e temperatura, a rede neuronal será capaz de dar uma previsão para valores futuros de consumos de energia elétrica. De referir que, como já foi visto, algumas variáveis temporais podem ser decompostas (por exemplo, sinHora e cosHora). Nesta apresentação simplificada as variáveis estão apresentadas sem decomposição. O método de previsão usando Redes Neuronais Artificiais será explorado em mais detalhe nas secções seguintes. 2.4 – Método de Previsão O dimensionamento correto do valor de referência de consumo de energia é de extrema importância no presente trabalho, sendo por isso evidente que o modelo de previsão tem de ser cuidadosamente escolhido. Os modelos de previsão podem ser aplicados a uma escala HORA -------------------> DIA DE SEMANA -------> MÊS ---------------------> TEMPERATURA --------> REDE NEURONAL --->CONSUMO 25 25 nacional ou territorial, mas também há um grande interesse em aplicar esses modelos a uma escala menor, nomeadamente a um edifício específico, como no âmbito deste trabalho. Neste último caso, há um interesse direto do proprietário ou gestor do edifício, que tem a possibilidade de reduzir os custos de operação ao ter a possibilidade de reduzir o consumo de energia em áreas críticas[10]. Da análise de diversos edifícios pode-se verificar que os equipamentos associados à climatização são os maiores responsáveis pela variação do consumo global de energia. Assim é fácil concluir que um modelo de previsão de consumos baseado em variáveis climatéricas pode ser um bom modelo de previsão, sendo apenas necessário escolher qual o melhor modelo para o presente trabalho[10] Os modelos analíticos tornam o problema mais complexo, pois há a necessidade de se conhecer toda a estrutura e características dos equipamentos do edifício em estudo. A utilização de modelos baseados em dados passados, ou seja, histórico armazenado em base dados, revela-se mais simples, já que a quantidade de variáveis é muito menor[10] [11]. Neste caso, através de dados meteorológicos e dados relativos ao consumo do edifício, recolhidos e tratados do modo explicado nas secções anteriores, é possível prever resultados para períodos futuros. De entre todos os métodos de previsão referidos no capítulo anterior, a escolha recaiu sobre as Redes Neuronais Artificiais (RNA). Além das vantagens acima referidas, a decisão foi tomada com base em mais alguns fatores: • Bons resultados obtidos em estudos de previsão semelhantes[12-14]; • Acesso abundante a bibliografia especializada; • Facilidade de modelizar uma RNA através de software existente e de fácil acesso; • Rapidez na simulação. Redes Neuronais Artificiais Redes Neuronais Artificiais são modelos matemáticos que tentam representar o funcionamento das redes neuronais biológicas, encontradas, por exemplo, no cérebro humano. Estes modelos possuem características de aprendizagem, que são de grande interesse no âmbito do presente trabalho. Ao serem alimentadas com conjuntos de valores de entrada e saída, as RNAs são capazes de determinar uma lei que explica a interação entre eles. Este processo é denominado treino ou aprendizagem da rede. Posteriormente, essas relações que foram determinadas podem ser utilizadas para prever situações futuras em condições semelhantes. As Redes Neuronais Artificiais são modelos computacionais inspirados no funcionamento do sistema nervoso central. Historicamente, elas foram utilizadas tanto para compreender os 32 Previsão do Valor de Referência 32 Figura 2.25 – Seleção de dados no Matlab De seguida é necessário escolher o número de neurónios da camada “escondida”. Há um teorema que leva a um ponto de partida no que diz respeito à escolha desse número mas não é uma regra fixa. A “regra” diz que o número de neurónios nessa camada deve ser 2n+1, onde n é o número de entradas. Como temos 5 entradas na rede, começa-se por assumir o número 11 como número de neurónios na camada “escondida”. Este numero pode e deve ser alterado e devem ser realizados novos treinos de modo a procurar melhores resultados. O número de neurónios não deve no entanto ser muito elevado, correndo o risco de haver sobretreino[19]. Pode-se ver um exemplo da arquitetura da rede com os 11 neurónios na camada “escondida” na figura 2.26. 33 33 Figura 2.26 – Arquitetura da rede neuronal. Seguidamente a rede tem de ser treinada como mostra a figura 2.27 Figura 2.27 – Treino da rede neuronal. Após o final do treino são apresentados os valores da performance da rede. Figura 2.28 – Relatório de resultados do treino da rede neuronal. 34 Previsão do Valor de Referência 34 Caso os valores não se apresentem satisfatórios, é possível alterar o valor dos neurónios da camada “escondida” e treinar de novo a rede ou simplesmente retreinar a rede visto que os conjuntos de amostras para treino, teste e validação são aleatórios e treinos diferentes dão origem a resultados diferentes. Dada a especificidade de cada caso, é necessária alguma sensibilidade e experiência por parte do utilizador para decidir qual o treino que deve ser aceite. Quando finalmente se decide aceitar um treino, a rede é guardada. Essa rede “aprendeu” e captou as tendências necessárias consoante os dados que lhe foram fornecidos. A partir deste momento só temos de mostrar à rede um novo conjunto de entradas (conjunto de teste) para nos ser fornecida como resultado, uma previsão credível. A este procedimento chama-se teste da rede. Deste modo ficamos na posse dos valores de referência dos consumos para o período escolhido. O fluxograma da figura 2.29 resume o modelo de previsão usado no presente trabalho. Figura 2.29 – Fluxograma ilustrativo do método de previsão Monitorizar!Consumos! Localmente! Importar!Histórico!de! Consumos !! Tratar!dados!de! Consumo! Juntar!e!alinhar!dados! Filtrar!e!eliminar! anomalias! Escolher!variáveis!de! entrada!da!RN! Treinar!RN! Obter!Previsão! Aceitar!a!previsão!como! Referência! Importar!Histórico!de! Dados!Meteorológicos! !! Tratar!dados! Meteorológicos! 35 35 Chegando ao final do método, se os resultados não forem satisfatórios é necessário obter melhorias. Para tal, basta ir subindo um nível do fluxograma de cada vez de forma a encontrar maneira de refinar os resultados. 2.6 – Síntese e conclusões Ao dar por concluído este capítulo é possível entender um método possível para encontrar o perfil de consumo de energia elétrica de um edifício. O método de previsão escolhido usa as redes neuronais artificiais, recorrendo à Neural Network Toolbox do software Matlab. O modelo em causa tem como base o sistema de gestão de energia da empresa Smartwatt, servindo também como complemento do mesmo no que diz respeito a previsão de dados futuros. Assim, todos os dados relativos a consumos de energia elétrica são importados da base de dados do sistema. Além dos dados relativos a consumos de energia elétrica, o modelo tem também como entradas variáveis meteorológicas, que podem ser obtidas online através do website do Sistema Nacional de Informação de Recursos Hídricos[20]. Depois da aquisição, é necessário tratar os dados de modo a torná-los empregáveis no modelo. Os dados importados do sistema de monitorização da Smartwatt necessitam de mais trabalho prévio pois todas as variáveis temporais vêm incluídas numa mesma célula, sendo necessário decompor essa variável única em variáveis úteis para inserir futuramente no Matlab. As variáveis meteorológicas necessitam também de algum tratamento prévio. Após esse tratamento é necessário agrupar as variáveis de modo a fazer corresponder os dados medidos (consumo energético e dados meteorológicos) aos mesmo períodos de tempo, ficando as duas séries temporais “alinhadas” Como é usual, os sistemas de medição podem apresentar erros. Esses erros, caso não sejam detetados, vão afetar negativamente a precisão da previsão, sendo importante eliminá-los. Além da eliminação dos erros, existem outros subterfúgios que podemos recorrer para tentar aumentar a precisão e o rigor da previsão, como, por exemplo, a normalização de algumas variáveis e a transformação de variáveis temporais em variáveis trigonométricas (senos e cossenos). Deste modo, o Matlab pode ser capaz de interpretar melhor os dados. Para ser possível ao sofware detetar a presença de feriados, acrescentou-se o valor “8” na variável correspondente ao dia da semana. Os dias com valor “8” são feriados com ocorrência de Segunda a Sexta, ou seja, os feriados que ocorrem ao fim de semana continuam a ser tratados como Sábados e Domingos (valores 1 e 7, respetivamente). É importante ter atenção a feriados locais, específicos para cada caso de estudo. 36 Previsão do Valor de Referência 36 Após o tratamento completo dos dados, foram feitos testes para escolher as variáveis que melhor se ajustam ao modelo e a decisão recaiu sobre a “hora”, “dia da semana”, “mês” e “temperatura” para prever o “consumo”. Na posse de todos os dados e decisões, os dados são inseridos no Matlab onde são corridas várias simulações na busca da melhor performance possível. O critério para a escolha do melhor resultado depende de caso para caso, sendo necessária alguma sensibilidade do utilizador. Capítulo 3 Definição de Indicadores de Desempenho Energético “O mundo não será salvo pelos caridosos, mas pelos eficientes” Roberto Campos No presente capítulo será demonstrada de que forma se utilizam os valores de referência determinados anteriormente para encontrar indicadores de desempenho energético de um edifício. Com o estudo e a definição dos indicadores de desempenho, pretende-se avaliar e quantificar oportunidades e potencial de poupança, fazendo uso de informação histórica, de monitorização e de previsão. Estando na posse dos valores de referência previstos previamente, é então possível, através de análise e/ou comparação com valores reais de consumo de energia elétrica, quantificar o desempenho de um determinado edifício. Para um gestor de um edifício é muito importante ter acesso a este tipo de indicadores, pois é um modo prático, intuitivo e fiável de ter conhecimento do desempenho energético do mesmo, e, caso se verifique, onde se pode intervir para o melhorar. O uso de indicadores permite então identificar desvios no consumo “ideal” do edifício, tornado mais fácil uma potencial intervenção, especialmente no que diz respeito à mudança de comportamentos. Essas mudanças vão ser traduzidas numa poupança num recurso precioso que é a energia elétrica. A poupança em energia, por sua vez vai tornar possível economizar o principal recurso tendo em conta o ponto de vista do gestor, o dinheiro. O estudo efetuado, além do objetivo de tornar possível a caraterização do perfil de consumos de um edifício e a sua otimização, tem como é lógico a mais valia de possibilitar uma poupança monetária às empresas onde for aplicado. 38 Definição de Indicadores de Desempenho Energético 38 3.1 – Indicadores por comparação simples A primeira abordagem a partir do momento em que se está na posse dos valores de referência, a partir de agora chamados de baseline é fazer uma comparação direta. Se, por exemplo, tivermos a baseline para o ano de 2012, prevista com base em valores históricos, a primeira coisa a fazer é comparar a previsão com os valores reais de 2012. Essa comparação é mais fácil e intuitiva se for feita graficamente, sendo assim possível observar o comportamento das duas curvas e detetar desvios da tendência esperada. A comparação direta entre o consumo esperado e o consumo real não nos permite porém, quantificar o desempenho do edifício, dando apenas informação se o consumo está acima ou abaixo do esperado. Para ser possível quantificar o desempenho energético é necessário criar indicadores que mostrem a diferença entre os valores previstos e reais do consumo de energia elétrica. Diferença Real vs. Baseline O primeiro indicador a ter em conta é criado simplesmente através da diferença entre a baseline determinada anteriormente e os valores reais medidos do consumo de energia elétrica, como mostra a fórmula matemática seguinte: 𝐼𝑛𝑑1=𝐵𝑎𝑠𝑒𝑙𝑖𝑛𝑒𝒊−𝑅𝑒𝑎𝑙𝒊 onde “Baselinei” representa o valor da baseline na hora i e “Reali” representa o consumo medido nessa mesma hora. Esta diferença é aplicada a toda a série de dados, resultando assim numa série de diferenças. A escala a que esta série é exposta pode ser útil pois apresenta o valor numa unidade conhecida (kWh), sendo assim possível observar o valor do desvio e a respetiva poupança ou prejuízo no instante ou instantes em causa. A escala do indicador Ind1 pode ser útil para ter conhecimento do valor do desvio em kWh, mas se for pretendido quantificar a eficiência do edifício é necessário fazer alguns ajustes. O resultado do ind1 é um valor numérico que fornece apenas informação sobre o valor do desvio. Se o ind1 retornar 0,63, fica o conhecimento que no instante em causa, o consumo real é 0,63 kWh inferior que a baseline, não dando informação se o desvio será grande ou pequeno, numa perspetiva mais alargada. Para ser possível comparar dois instantes distintos mais facilmente é necessário alterar a escala. Para tal é criado um indicador com os valores normalizados. É usada a normalização Max-Min, alterando a gama de valores da série. Assim, os valores são apresentados entre 0 e 1. Cria-se assim o seguinte indicador: 39 39 𝐼𝑛𝑑2= 𝐼𝑛𝑑1𝑖−𝐼𝑛𝑑1𝑀𝑖𝑛 𝐼𝑛𝑑1𝑀𝑎𝑥 −𝐼𝑛𝑑1𝑀𝑖𝑛 onde Ind1i é o valor do indicador anterior para todos os valores i da série e Ind1Min e Ind1Max são respetivamente os valores mínimo e máximo da série. Visto que o desempenho deve ser tratado de modo a ser classificado como positivo ou negativo, o próximo indicador dará a possibilidade de, de uma forma intuitiva e visual, o tomador de decisão ter uma percepção da eficiência a cada instante. Quando o consumo real de energia elétrica num determinado instante é igual ao valor da baseline, ou seja, Ind1=0, o indicador Ind2 toma o valor de 0,5. O seguinte indicador apresenta o valor normalizado da diferença entre o valor ideal e o valor real dos consumos, mas desta feita centrado no eixo das abcissas, 𝐼𝑛𝑑3= 𝐼𝑛𝑑1𝑖−𝐼𝑛𝑑1𝑀𝑖𝑛 𝐼𝑛𝑑1𝑀𝑎𝑥 −𝐼𝑛𝑑1𝑀𝑖𝑛 ×2−1 fazendo com que, quando o valor real for igual ao valor da baseline, o Ind3=0. Quando o valor real do consumo for inferior ao valor esperado, o Ind3 toma um valor positivo e, consequentemente, quando o valor real for superior ao esperado, o Ind3 assume um valor negativo, cotados entre -1 e 1. Desta forma é mais fácil avaliar a performance do edifício, a nível de eficiência energética. Aplicando a fórmula a toda a série de dados, o tomador de decisão poderá, através dum simples esboço de um gráfico, avaliar os pontos críticos, tentar perceber qual a sua causa, e assim tomar medidas para otimizar a eficiência energética do edifício. 3.2 – Desvios Acumulados Quando se trata de avaliar a eficiência de um edifício, não é apenas o instante que interessa, mas sim saber como foi a sua performance num determinado intervalo de tempo. Para isso, o gestor do edifício deve ter acesso a resultados acumulados do desempenho do mesmo. O indicador de desempenho seguinte permite dar a informação da quantidade de energia elétrica (em kWh) que foi poupada ou desperdiçada num determinado período. 𝐼𝑛𝑑4=𝐵𝑎𝑠𝑒𝑙𝑖𝑛𝑒𝒊−𝑅𝑒𝑎𝑙𝒊 ! A duração do período de tempo para o qual o somatório é feito, é uma escolha do gestor do edifício. Pode ser necessário e proveitoso fazer um levantamento da eficiência do edifício durante um dia, assim como pode ser do interesse do gestor saber a quantidade de energia elétrica poupada ou desperdiçada durante um ano completo. 40 Definição de Indicadores de Desempenho Energético 40 De modo similar ao Ind1, o ind4 tem a vantagem de ser expresso numa unidade conhecida, podendo facilmente ser convertido numa unidade monetária, dando informação da poupança ou prejuízo dependendo da eficiência do edifício ou falta dela. Como foi visto anteriormente, é também necessário avaliar o desempenho energético do edifício numa escala mais fácil de interpretar, podendo por exemplo ser traduzida numa percentagem positiva ou negativa consoante o desempenho do edifício. O Ind5 é criado para retornar a média do valor normalizado do desvio entre consumo esperado e real, expresso na escala de -1 a 1. 𝐼𝑛𝑑5= 𝐼𝑛𝑑1𝚤−𝐼𝑛𝑑1𝑀𝚤𝑛 𝐼𝑛𝑑1𝑀𝑎𝑥 −𝐼𝑛𝑑1𝑀𝚤𝑛 ×2−1 O intervalo de tempo a que é aplicado este indicador, é, tal como o Ind4, da inteira preferência do gestor do edifício. 3.3 – Indicadores com Fatores Multiplicativos A energia elétrica é um recurso que, tal como muitos outros, sofre de flutuações na sua procura. A procura de energia elétrica durante a madrugada é substancialmente menor do que a procura durante o dia, assim como a procura durante um domingo é tendencialmente menor que num dia útil. Como estabelece a lei da oferta e da procura, quanto maior a procura de um bem ou serviço, maior tende a ser o seu custo. Como foi dito anteriormente, o objetivo principal do presente trabalho é criar um método para auxiliar a poupança de energia elétrica como um recurso precioso que é do ponto de vista ambiental e social, mas também no ponto de vista económico e financeiro. O potencial de poupança económica será até provavelmente ao principal interesse do gestor do edifício. Para salvaguardar esse interesse económico, há que ter em conta os diferentes preços da energia elétrica nos diferentes períodos. Para a criação de indicadores de desempenho energético baseados na flutuação do preço da eletricidade, há que selecionar previamente que tipo de divisão por períodos deve ser feita. Já existem períodos horários definidos e regulados pela ERSE. Para o presente trabalho serão usados períodos semelhantes mas adaptados ao âmbito específico do mesmo. A divisão dos períodos horários tem em conta a época do ano (verão e inverno), dias da semana (dias úteis e fins de semana) e as horas do dia. O ano divide-se em período de verão e inverno, divisão essa coincidente com a hora legal definida em decreto-lei. O horário de verão começa no último domingo de Março e prolongase até ao último domingo de Outubro, altura em que começa o período de inverno. No 41 41 presente trabalho o período de Verão será compreendido entre os meses de Abril e Outubro e o período de Inverno compreendido entre os meses de Novembro e Março. Esta adaptação facilita muito o processo de divisão da série em períodos e não acarreta grandes perdas de fiabilidade. Os dias úteis são os dias de Segunda a Sexta-feira, excluindo os feriados. A tabela 3.1 mostra de que forma estão divididos todos os períodos de forma explícita. A escolha dos períodos foi baseada nos períodos definidos pela ERSE mas, como já referido anteriormente, adaptada ao âmbito do presente trabalho. Os nomes dos períodos foram mantidos de acordo com os estabelecidos pela ERSE para melhor compreensão por parte de todos. Tabela 3.1 – Períodos para a atribuição de fatores multiplicativos Período de Inverno Período de Verão Dias úteis Dias úteis Ponta 09:00/12:00 19:00/21:00 Ponta 09:00/12:00 Cheias 07:00/09:00 12:00/19:00 21:00/24:00 Cheias 07:00/09:00 12:00/24:00 Vazio 00:00/02:00 06:00/07:00 Vazio 00:00/02:00 06:00/07:00 Super Vazio 02:00/06:00 Super Vazio 02:00/06:00 Sabados, Domingos e Feriados Sabados, Domingos e Feriados Vazio 00:00/02:00 06:00/24:00 Vazio 00:00/02:00 06:00/24:00 Super Vazio 02:00/06:00 Super Vazio 02:00/06:00 O objetivo da divisão em diferentes períodos é poder atribuir um fator multiplicativo a cada hora, dando assim uma melhor noção das poupanças e prejuízos. Se o edifício estiver a ultrapassar o consumo esperado de energia elétrica durante um período de ponta, o fator terá de ser penalizador, devido à maior procura de energia nessas horas. Se, pelo contrário, o edifício estiver a consumir menos que o esperado, um indicador criado com base nesse fator multiplicativo vai atribuir um “bónus” de eficiência maior. O procedimento seguinte passa por atribuir um fator multiplicativo a cada um dos 4 períodos em causa. Os fatores multiplicativos escolhidos para o presente trabalho estão apresentados na tabela 3.2: 48 Aplicação ao Caso de Estudo 48 de referência, são usados dados medidos ao longo de um ano com periodicidade horária. Para este estudo foram usados dados desde as 0h do dia 01/10/2010 até às 24h do dia 31/09/2011, correspondendo a um ano hidrológico. O objetivo é criar uma série de valores de referência para o período anual subsequente, para posteriormente avaliar o desempenho energético do edifício nesse período aplicando os indicadores de desempenho criados para o efeito. Os dados adquiridos são então tratados, como explicado na secção 2.2, para posteriormente serem importados para o Matlab. É importante referir que além dos feriados comuns a todo o território nacional, o dia 24 de Agosto (feriado municipal) é também tratado como feriado. Os dados organizados e tratados como mostra a figura 4.1 estão prontos para serem inseridos no Matlab e dar início ao treino da rede. Figura 4.1Valores a inserir no Matlab 4.3 –Previsão dos valores de referência Para ser avaliada a performance energética no período pretendido do edifício em estudo (futuramente denominado de Edifício) é necessário encontrar os valores de referência dos 49 49 consumos de energia elétrica. São usados dados históricos relativos ao período compreendido entre as 0h do dia 01/10/2010 e as 24h do dia 31/09/2011. Com estes dados, a rede neuronal artificial “aprende” e capta tendências de maneira a poder prever qual o consumo “ideal” em qualquer outro período. O período para o estudo da eficiência energética do edifício será o ano seguinte, ou seja, o período compreendido entre as 0h do dia 01/10/2011 e as 24h do dia 31/09/2012. É importante referir que, depois da rede estar treinada, é possível fazer a previsão para qualquer período de tempo desde que se esteja na posse dos dados de entrada necessários. A previsão pode ser feita para um período anterior ao período de treino, para um período posterior (tal como no caso do presente trabalho) ou até mesmo para um período futuro, usando para isso previsões de temperatura. Depois dos dados estarem todos tratados e organizados como mostra a figura 4.1, são inseridos no software Matlab de modo a treinar uma rede com a seguinte configuração. Figura 4.2Esquema simplificado da rede neuronal definida Após várias simulações (treinos), chega-se a um resultado considerado aceitável. Neste caso foi considerada aceitável uma rede treinada onde o erro médio quadrático (MSE) rondou os 8,1, nos três conjuntos de dados (treino, validação e teste). Tendo em conta a gama de valores com que se está a trabalhar (consumos a variar tipicamente entre os 10 e os 50 kWh) , este erro é considerado bastante admissível, visto que 8,1 representa a média do quadrado do erro. No que diz respeito ao coeficiente de correlação R, o valor também foi muito próximo para os três conjuntos de dados, estando ligeiramente acima do valor 0,97. Tendo em conta que este coeficiente varia entre zero e um, com os valores próximos de um a transparecerem uma relação próxima entre as variáveis, o resultado obtido é bastante razoável. Depois da rede estar treinada, foi feito o teste, ou seja, foram dados à rede novos dados com o intuito da mesma retornar uma previsão aceitável para os valores de referência de consumos de energia elétrica para o período pretendido. SinHORA---------------> CosHORA --------------> DIA DE SEMANA-------> MÊS --------------------> TEMPERATURA -------> REDE NEURONAL --->CONSUMO DE ENERGIA 50 Aplicação ao Caso de Estudo 50 Após estes passos, estamos na posse dos valores de referencia ambicionados, podendo assim dar seguimento à análise de eficiência do Edifício. 4.4 –Análise da eficiência Depois de estar na posse dos valores de referência de consumos de energia elétrica para o Edifício no período compreendido entre as 0h do dia 01/10/2011 e as 24h do dia 31/09/2012, é agora possível avaliar a eficiência energética do Edifício e encontrar formas de alcançar potenciais poupanças no futuro, aprendendo com os erros e com as boas práticas do passado. Alguns desvios em relação a valores de referência podem ser explicados por eventos pontuais que serão analisados, mas a maioria revelará a eficiência ou falta dela do próprio edifício. Para a análise da eficiência energética serão utilizados os indicadores criados para o efeito na secção anterior. A análise da eficiência do Edifício começa por uma simples análise por comparação entre o valor do consumo real e os valores de referência previstos. Essa análise é feita através de observação do esboço de um gráfico onde as duas séries de valores aparecem em simultâneo. Assim, é possível, à partida, ter noção dos períodos mais críticos, ou seja, onde o consumo real se afasta mais do seu valor previsto. Como a série de valores é bastante extensa será apenas apresentado um período de duas semanas, para facilitar a visualização. O período escolhido (01/10/2011 a 14/10/2011) saltou à vista na série anual por se verificar um consumo de energia elétrica superior ao esperado. É também pertinente realçar a existência de um feriado neste período(entre as horas 96 e 120), podendo assim ser comprovada a eficácia da metodologia nestes casos especiais. Figura 4.3 – Comparação dos consumos real e previsto É possível observar que o consumo real (curva a azul) foi, praticamente em todos os instantes, igual ou superior ao valor de referência (curva a vermelho) para o período, ou seja, durante estas duas semanas a eficiência do Edifício foi negativa. No esboço do gráfico anual é possível também verificar que o consumo real ultrapassa mais vezes o esperado num período que pode ser delimitado entre os meses de Outubro e 51 51 Fevereiro (inclusive). O gráfico apresentado na figura 4.3 representa duas semanas deste período. Nos meses em questão a amplitude térmica foi grande, e as temperaturas mínimas atingiram valores bastante baixos (-4ºC). Esse terá sido o principal fator para a falta de eficiência, podendo ser explicado através do uso excessivo e ineficiente de aparelhos de climatização. Este facto terá de ser estudado pelo gestor do Edifício, com o intuito de incutir boas práticas no uso desses aparelhos. Esta falta de eficiência será evidenciada posteriormente, na análise dos indicadores de eficiência energética criados. Depois de um estudo mais geral e intuitivo ao longo de toda a série, a análise da eficiência do Edifício tem de ser quantificada. São usados para o efeito os valores numéricos dos indicadores de eficiência energética. O estudo começa pelos indicadores mais básicos, o Ind1, Ind2 e Ind3 em simultâneo, que retornam a diferença entre os valores de referência e o consumos horários reais medidos. É de realçar que a principal utilidade destes indicadores, em especial o Ind2 e Ind3, é a análise gráfica do esboço dos gráficos das séries dos resultados. Assim a análise passará pela apresentação que além do valor máximo e mínimo do Ind1, e seguidamente serão apresentados esboços de gráficos com valores dos Ind2 e Ind3, onde se pode analisar de forma visual intuitiva a eficiência do Edifício. A tabela seguinte revela os valores mínimo e máximo do indicador Ind1. Tabela 4.1 — Valores obtidos para o indicador Ind1 Indicador Valor Mínimo Valor Máximo Ind1 -19,55 kWh 15,19kWh Período 19/08/2012 – 12h 9/04/2012 – 12h A grande vantagem deste indicador é retornar o resultado numa unidade conhecida. Assim, o gestor do Edifício pode saber que no período horário onde o desempenho foi pior, o consumo de energia elétrica ultrapassou o previsto em 19,55kWh e no período com melhor desempenho, o consumo esteve 15,19kWh abaixo do esperado. É importante relembrar que os valores esperados não são marcos rígidos para os consumos, mas sim valores de referência previstos através de tendências captadas. Assim, ao ocorrerem os desvios observados, o gestor do Edifício só tem de comprovar se nas datas em questão ocorreu um evento que possa explicar o sucedido. De seguida é apresentado na figura 5.4 o esboço do gráfico dos resultados do Ind2. A análise no Excel pode e deve ser feita para o ano completo mas dada a extensão do gráfico, a apresentação neste documento fica restrita a um intervalo de cerca de dois meses (18/05/2012 a 19/07/2012). 52 Aplicação ao Caso de Estudo 52 Figura 4.4Esboço do gráfico dos resultados do indicador Ind2 Além do esboço dos valores do indicador, foi adicionada ao gráfico uma linha de tendência que representa o valor médio do indicador no período estudado. De relembrar que quando o Ind2 assume o valor 0,5, o consumo real é igual ao previsto, e consequentemente quando o valor é superior a 0,5 significa que o consumo está abaixo do esperado, ou seja, performance do Edifício é eficiente a nível energético. O valor da tendência neste período é superior a 0,5, mostrando que, no geral, o comportamento foi eficiente. Tendo em conta que o Ind3 apresenta valores semelhantes ao Ind2, mudando apenas a escala para uma visualização mais intuitiva, e que facilita a classificação da performance energética em “positiva” ou “negativa”, o período a analisar graficamente será diferente. Desta feita será novamente analisado o período de duas semanas representado na figura 4.3. Assim, além dos desvios evidenciados pela figura 4.3, a eficiência nesse período pode ser quantificada. A figura 4.5 mostra o esboço do gráfico resultante dos valores do indicador Ind3 ao longo dessas duas semanas. Figura 4.5Esboço dos valores de Ind3 Tal como na figura 4.4, foi acrescentado uma linha de tendência. É possível notar que o comportamento ao longo destas duas semanas não é eficiente. A curva a vermelho apresenta muitos picos negativos e a linha de tendência revela uma eficiência quase 20% abaixo do esperado nesse período. No seguimento da análise destes 3 indicadores será analisado o desempenho do Edifício de forma acumulada através dos indicadores Ind4 e Ind5. Estes indicadores revelam a eficiência 53 53 do Edifício num dado período de tempo à escolha de quem esteja a fazer a análise. Por uma questão de coerência, serão analisados os dois períodos usados no estudo até agora. O período compreendido entre 01/10/2011 e 14/10/2011 será chamado Período 1, enquanto o período de 18/05/2012 a 19/07/2012 será denominado Período 2. Será também feita uma análise para toda a série de dados, ou seja, o ano completo em estudo. O indicador Ind4 retorna o valor do somatório das diferenças entre os valores de referência dos consumos de energia e os seus valores reias medidos. O indicador Ind5 retorna a média dessas mesmas diferenças. São apresentados em seguida, na tabela 4.2 alguns resultados desses indicadores. Tabela 4.2 — Valores obtidos para os indicadores Ind4 e Ind5 Indicador Período 1 Período 2 Anual Ind4 -903,49 kWh 773,49 kWh -5814,85 kWh Ind5 -2,70 kWh 0,57 kWh -0,678 kWh Através da análise dos resultados é possível perceber que no Período 1 a eficiência energética é bastante baixa. Em média, a cada hora, o consumo no Edifício é 2,70 kWh superior ao suposto, fazendo com que no total das duas semanas se tenha desperdiçado mais de 900 kWh. Porém, no Período 2, o consumo de energia elétrica foi inferior ao previsto, existindo uma poupança de mais de 770 kWh durante os dois meses. No contexto anual é possível perceber que, em média, a cada hora se consumiu mais 0,678 kWh do que o previsto, prefazendo um total de 5814,85 kWh desperdiçados ao final de um ano. O estudo económico das poupanças não se enquadra no âmbito do presente trabalho, porém, por uma questão meramente informativa é possível estimar de forma grosseira que os 5814,85 kWh desperdiçados se traduzem em cerca de 900€ (custo médio de 0,1538€/kWh para o tipo de instalação no período em questão). Por último serão analisados os indicadores mais completos, onde além do desvio entre os valores previstos e reais, está incluído um fator multiplicativo que afeta o indicador dependendo da hora, dia de semana e época do ano. Este fator tem como objetivo atribuir diferentes pesos a diferentes períodos, consoante o custo da energia elétrica nesses mesmos períodos. Os indicadores em questão são o Ind6 e o Ind7. No presente trabalho, a análise destes indicadores não será feita de forma isolada, mas sim em comparação com indicadores que fornecem informação semelhante mas sem estarem afetados pelo fator multiplicativo, de forma a revelar as suas diferenças e consequentemente a utilidade acrescida destes últimos indicadores. A análise do Ind6 será feita graficamente, em comparação com o Ind3. Dado que uma das vantagens do Ind6 é “penalizar” o desempenho quando o consumo é superior ao previsto em 54 Aplicação ao Caso de Estudo 54 horas onde a energia elétrica é mais cara, a análise será feita num período onde a eficiência é baixa. Foi escolhido o período de duas semanas previamente denominado de Período 1. A análise gráfica pode ser vista na figura 4.6. Figura 4.6Comparação dos indicadores Ind3 e Ind6 O indicador Ind6 (a vermelho), evidencia-se do Ind3 (a azul) especialmente nos picos negativos, ou seja, quando a eficiência é mais baixa. Pode-se notar que em alguns desses picos, o Ind6 toma valores ainda mais baixos. Assim sabe-se que nesse instante a energia elétrica é comercializada a um valor mais elevado, fazendo com que o Ind6 penalize a eficiência. Por outro lado, existem picos negativos onde o Ind6 toma valores superiores ao Ind3. Nesses instantes, a energia é comercializada a um valor mais baixo. Assim, o Ind6 atenua as consequências de estar a ser gasta mais energia elétrica que o previsto. A tabela 5.3 faz agora uma análise do Ind7 e uma comparação dos seus resultados com a média dos valores do indicador Ind3 para os períodos previamente denominados por Período 1 e Período 2. Tabela 4.3 — Valores do indicador Ind7 e média do indicador Ind3 Indicador Período 1 Período 2 Anual Ind7 -0,17 0,04 -0,03 Média Ind3 -0,16 0,03 -0,04 Apesar de ligeiras, existem diferenças entre os resultados dos indicadores. É possível evidenciar que no o Período 1, que já se sabia ser pouco eficiente, os fatores multiplicativos ainda penalizaram mais a pouca eficiência. Assim, conclui-se através do indicador Ind7 que a eficiência neste período está cerca de 17% abaixo do que seria considerado mínimo, ou seja, se a energia consumida fosse igual ao valor esperado. Por sua vez, no contexto anual, os fatores multiplicativos fazem subir ligeiramente a eficiência. Conclui-se então que ao longo do ano, os desvios negativos ocorrem mais frequentemente quando a energia é mais barata. 55 55 4.5 –Síntese e Conclusões Ao dar por terminado este capítulo, é possível ter uma ideia mais clara acerca da eficiência energética do Edifício ao longo do período de estudo. De notar que os indicadores de eficiência criados neste trabalho podem ser usados de inúmeras formas, não sendo possível num documento desta natureza fazer uma análise de todas elas. Além disso, cabe ao gestor dos edifícios onde futuramente possa ser aplicada esta metodologia decidir com mais conhecimento de causa onde e como aplicar cada indicador, de forma a tirar as melhores conclusões. Nesta análise, o foco recaiu maioritariamente sobre dois períodos, sendo visível que um deles apresenta maus resultados a nível de eficiência, enquanto o outro apresenta resultados razoáveis. Depois do estudo ser feito, cabe ao gestor do Edifício fazer a análise dos pontos críticos. A metodologia criada apenas dá essa informação, sendo da responsabilidade de quem faz a análise posterior, corrigir os comportamentos que levam aos maus resultados. Os indicadores de desempenho estudados permitem retornar informação sobre o desempenho do Edifício a nível percentual ou mesmo expressar o valor dos desvios nos consumos em kWh. Assim pode, posteriormente, ser feita uma análise financeira, por exemplo, das potenciais poupanças no futuro ou do dinheiro desperdiçado no passado por falta de eficiência. 56 Aplicação ao Caso de Estudo 56 Capítulo 5 Conclusões Tem-se notado nos últimos anos, principalmente nos países desenvolvidos, uma crescente preocupação com a eficiência energética em edifícios. Porém, a atenção dada à previsão de valores de referência para um edifício ou grupos de edifícios para ajudar na classificação dos mesmos a nível de eficiência ainda é pouca. A metodologia criada no presente trabalho vem tentar suprir essa lacuna. O produto final desta dissertação pretende então fornecer uma metodologia que permita, através de dados fiáveis, classificar de forma qualitativa e quantitativa a eficiência energética de um edifício, usando para isso um modelo para prever valores de referência do seu consumo energético, e de seguida aplicar um conjunto de indicadores de desempenho que utiliza esses valores de referência. A metodologia criada vem dar mais utilidade ao sistema de monitorização da empresa de acolhimento deste trabalho fazendo com que os dados medidos e guardados possam ser utilizados de mais uma forma. Contudo, o produto final desta dissertação tem potencial para ser utilizado de forma mais eficiente no futuro. A metodologia criada pode ser um pouco morosa, principalmente na aquisição e tratamento de dados. Através da automatização do processo, os ganhos de tempo e comodidade seriam tremendos. Ao ser incorporada numa aplicação informática, a metodologia poderia incluir inúmeras funcionalidades como, por exemplo, o cálculo automático das poupanças esperadas a nível financeiro. Está também prevista pela empresa de acolhimento desta dissertação a criação de uma aplicação para a metodologia, em forma de jogo sério para ser usado em escolas.