Towards Energy Efficiency: Forecasting Indoor Temperature via Multivariate Analysis

Resumo Técnico: Rumo à Eficiência Energética: Previsão da Temperatura Interna via Análise Multivariada

Definição do Problema
O artigo aborda o desafio de melhorar a eficiência energética em edifícios residenciais, visando especificamente os sistemas de Aquecimento, Ventilação e Ar Condicionado (HVAC), que constituem uma parcela significativa do consumo de energia residencial (53,89% na casa SMLsystem estudada). O problema central é a necessidade de prever a temperatura interna com precisão para permitir um controle proativo do HVAC. Os autores observam que manter uma temperatura é mais eficiente energeticamente do que resfriá-la ou aquecê-la a partir de um estado diferente devido à inércia térmica. Portanto, a previsão das temperaturas internas futuras permite que o sistema de automação predial antecipe as condições térmicas e ajuste as operações de HVAC (por exemplo, ativando uma bomba de calor) para manter o conforto enquanto minimiza o uso de energia. O estudo foca no "Small Medium Large System" (SMLsystem), uma casa protótipo movida a energia solar construída para a competição Solar Decathlon Europe 2012.

Metodologia
A pesquisa emprega uma abordagem de previsão de séries temporais multivariadas utilizando Redes Neurais Artificiais (RNAs) e as compara com métodos estatísticos padrão.

• Aquisição e Pré-processamento de Dados: Os dados foram coletados da casa SMLsystem usando uma estrutura de monitoramento baseada em KNX com 88 sensores e 49 atuadores. Os dados brutos, amostrados em intervalos de 1 minuto, foram subamostrados para intervalos de 15 minutos através do cálculo de médias. O conjunto de dados foi particionado em conjuntos de treinamento (21 dias, março de 2011), validação (7 dias, março de 2011) e teste (7 dias, junho de 2011).
• Variáveis de Entrada (Covariáveis): Os modelos utilizaram as seguintes características de entrada:
  • Temperatura interna ($d$): A variável alvo, diferenciada para melhorar a generalização.
  • Hora do dia ($h$): Codificada como uma categoria localmente codificada (24 componentes) para lidar com a natureza cíclica do tempo.
  • Irradiância solar ($W$), Umidade relativa interna ($H$), Níveis de CO2 ($Q$) e Status de chuva ($R$): Normalizados usando média e desvio padrão.
• Modelos de Previsão:
  • Baselines Estatísticos: Modelos de Suavização Exponencial (ETS) e Autorregressivo Integrado de Médias Móveis (ARIMA) foram utilizados como referências.
  • Redes Neurais Artificiais (RNAs): Perceptrons de múltiplas camadas foram treinados usando o algoritmo de retropropagação com momentum e regularização L2 (decaimento de peso). O estudo utilizou uma abordagem de Múltiplas Entradas e Múltiplas Saídas (MIMO) para prever uma janela futura de tamanho $Z=12$ (3 horas) em um único passo.
  • Estratégias de Ensemble: Para aumentar a robustez, os autores combinaram múltiplos modelos de RNA treinados com diferentes tamanhos de janela de entrada ($I(x)$). Dois esquemas de combinação foram testados:
    • COMB-EQ: Combinação linear uniforme (pesos iguais).
    • COMB-EXP: Combinação linear exponencial (pesos softmax) baseada no inverso do Erro Médio Absoluto (MAE) no conjunto de validação.
• Avaliação: O desempenho foi medido por meio de Erro Percentual Absoluto Simétrico Médio (SMAPE), Erro Médio Absoluto (MAE) e Raiz do Erro Quadrático Médio (RMSE) nas partições de validação e teste.

Principais Resultados

• Superioridade das RNAs: As RNAs superaram significativamente os métodos estatísticos padrão (ETS e ARIMA) com um nível de confiança superior a 99%.
• Covariáveis Ótimas: A configuração de modelo mais eficaz combinou a temperatura interna com a hora do dia e a irradiância solar ($d + h + W$). A adição de outras covariáveis (umidade, CO2, chuva) resultou apenas em melhorias marginais.
• Desempenho do Ensemble: A estratégia COMB-EXP (combinação exponencial) geralmente produziu resultados ligeiramente melhores do que os modelos uniformes (COMB-EQ) ou o melhor individual (BEST), embora as diferenças tenham sido frequentemente não significativas do ponto de vista estatístico.
• Precisão da Previsão: O modelo com melhor desempenho (COMB-EXP com $d + h + W$) alcançou um SMAPE de aproximadamente 0,45% e um MAE de cerca de 0,11°C na partição de teste.
• Sensibilidade do Horizonte: As taxas de erro aumentaram conforme o horizonte de previsão se estendia, e os intervalos de confiança se ampliaram. No entanto, a inclusão de covariáveis como a irradiância solar tornou-se mais crítica para horizontes mais longos (superiores a 90 minutos).
• Informação Mútua (MI): Uma análise de MI confirmou que a irradiância solar possui uma forte relação com a temperatura interna, particularmente durante o dia. Curiosamente, a umidade e a qualidade do ar mostraram valores de MI elevados, mas sua inclusão no modelo não aumentou significativamente o desempenho além do que era fornecido pelos dados de tempo e irradiância.

Significância e Alegações
O artigo afirma que a previsão precisa da temperatura interna é uma estratégia viável para o controle eficiente de energia do HVAC. Ao prever estados térmicos futuros, o SMLsystem pode se adaptar em suas operações para manter o conforto com consumo reduzido de energia. O estudo demonstra que RNAs multivariadas, particularmente quando combinadas com covariáveis ambientais específicas (hora e irradiância), oferecem uma solução robusta para esta tarefa, superando os métodos tradicionais de séries temporais estatísticas.

Os autores enfatizam que seu trabalho fornece um framework prático para integrar a previsão em sistemas de automação residencial (Inteligência Ambiente) para equilibrar conforto e economia de energia. Eles observam modestamente que o estudo é baseado em dados de uma única casa no sul da Europa durante um período limitado, sugerindo que trabalhos futuros devam validar esses achados através de diferentes estações, localizações e tipos de edifícios. O objetivo final é utilizar essas capacidades preditivas para projetar sistemas de controle preditivo que otimizem os subsistemas de energia além do simples controle de temperatura.