A Survey on Semantic Modeling for Building Energy Management

Resumo Técnico: Um Levantamento sobre Modelagem Semântica para Gestão de Energia em Edificações

Definição do Problema
A Gestão de Energia em Edificações (BEM - Building Energy Management) é fundamental para reduzir o consumo de energia e as emissões de CO2 no setor da construção. Embora as tecnologias de Internet das Coisas (IoT) tenham expandido a disponibilidade de dados operacionais, o setor enfrenta desafios significativos de interoperabilidade semântica. A heterogeneidade de dados entre dispositivos, fornecedores, protocolos e ferramentas de software impede o desenvolvimento de aplicações de BEM generalizáveis, autônomas e conscientes do contexto. Os modelos semânticos existentes frequentemente oferecem representações maduras de ativos físicos de edifícios (topologia, equipamentos, sensores), mas carecem de uma cobertura consistente de conceitos operacionais abstratos essenciais para a tomada de decisão inteligente, tais como Indicadores Chave de Desempenho (KPIs), lógica de controle, tarefas de otimização e fluxos de trabalho computacionais. Além disso, levantamentos anteriores focaram frequentemente na disponibilidade de ontologias, em vez de analisar como esses modelos são aplicados na prática, especificamente no que diz respeito à rastreabilidade do mapeamento conceito-classe em casos de uso do mundo real.

Metodologia
Este levantamento emprega uma metodologia de pesquisa híbrida, combinando uma busca em bases de dados orientada pelo PRISMA com identificação complementar de fontes.

• Coleta de Dados: Uma busca estruturada por palavras-chave foi realizada em cinco bases de dados principais (ACM DL, IEEE Xplore, Lens, Scopus, Web of Science), recuperando mais de 34.000 registros.
• Triagem: Foi aplicado um processo de triagem em múltiplas etapas (deduplicação, pré-triagem baseada no escopo, triagem de título baseada em regras e revisão manual de resumo/texto completo). Os critérios de inclusão exigiam contribuições baseadas em ontologias para tarefas operacionais de edifícios (ex: monitoramento, detecção de falhas, controle, otimização) utilizando modelos semânticos baseados em grafos (RDF, OWL, JSON-LD).
• Corpus: O corpus analítico final consiste em 109 artigos revisados por pares, apoiados por 41 documentos técnicos (relatórios, especificações, livros).
• Estrutura de Análise: O estudo revisa 60 modelos semânticos e analisa mais de 20 casos de uso concretos de BEM. Estes casos de uso são categorizados por estratégia de modelagem: ontologia única, duas ontologias e múltiplas ontologias.
• Novas Métricas: O levantamento introduz a Completude de Evidência de Ontologia (OEC - Ontology Evidence Completeness) para avaliar se os estudos fornecem mapeamentos rastreáveis de conceitos operacionais para classes de ontologia (categorizados como Completos, Parciais ou Nenhum). Também quantifica as Taxas de Instanciação de Ontologia (OIR - Ontology Instantiation Rates) e a necessidade de extensão (a proporção de conceitos que requerem novas classes).

Principais Contribuições

1. Revisão Abrangente: Uma caracterização de 60 modelos semânticos relevantes para operações prediais, detalhando seu escopo, principais conceitos e limitações.
2. Análise de Casos de Uso: Uma análise de aplicações concretas de BEM baseadas em suas estratégias de modelagem semântica (ontologias únicas, duplas ou múltiplas).
3. Completude de Evidência de Ontologia (OEC): A introdução da OEC como uma métrica para avaliar a transparência e a rastreabilidade da evidência semântica em estudos baseados em ontologia, distinguindo entre estudos que mapeiam explicitamente conceitos e aqueles que dependem de pressuposições implícitas.
4. Síntese Quantitativa: Uma avaliação quantitativa de OIR, conceitos ausentes e as estratégias específicas de modelagem (especialização, herança externa, reuso, integração, extensão) utilizadas para abordar lacunas semânticas.
5. Identificação de Lacunas: A identificação de lacunas de pesquisa recorrentes, particularmente na representação de processos computacionais abstratos, práticas de extensão de ontologia e recursos de flexibilidade energética.

Resultos

• Disparidade de Cobertura: Os modelos semânticos atuais representam consistentemente entidades físicas (estrutura do edifício, sistemas técnicos, sensores, atuadores e dados observáveis) de forma mais eficaz do que conceitos operacionais abstratos e dinâmicos. Conceitos como KPIs, avaliações, serviços, lógica de controle, tarefas de otimização e fluxos de trabalho computacionais permanecem menos consistentemente cobertos.
• Estratégias de Modelagem: Estudos de BEM aplicados frequentemente dependem de reuso, integração, especialização, herança externa de ontologias ou extensões específicas de aplicação para preencher lacunas de cobertura.
  • Cenários de ontologia única frequentemente requerem herança externa (ex: para unidades de medida) ou extensões específicas de aplicação quando as tarefas ultrapassam o escopo central da ontologia.
  • Cenários de múltiplas ontologias são comuns para tarefas complexas (ex: zoneamento térmico, cálculo de KPI), onde ontologias complementares (ex: BOT para topologia, SAREF para dispositivos, SSN/SOSA para observações e ontologias customizadas de KPI) são integradas.
• Completude de Evidência: Uma parte significativa dos estudos revisados exibe OEC "Parcial" ou "Nenhum", o que significa que mencionam ontologias, mas não fornecem evidência suficiente ao nível de classe para rastrear conceitos relevantes para a tarefa. Isso limita a reprodutibilidade e a avaliação quantitativa da cobertura semântica.
• Panorama das Ontologias: Nenhuma ontologia única fornece cobertura completa para a operação de BEM. Modelos centrais como BOT, SAREF (e extensões), SSN/SOSA e Brick servem como camadas fundamentais, mas são frequentemente insuficientes sem integração ou extensão para tarefas operacionais específicas.

Significância e Alegações
O artigo alega que o principal desafio para o BEM operacional não é a ausência de ontologias, mas as formas inconsistentes pelas quais os modelos existentes representam, combinam e estendem os conceitos necessários para aplicações práticas. O levantamento esclarece que, embora os modelos semânticos sejam essenciais para a interoperabilidade e consciência de contexto, os ecossistemas atuais são fragmentados.

Os autores argumentam que o progresso futuro depende menos da invenção de novas ontologias isoladas e mais de:

• Melhorar a orientação de modelagem explícita e os mecanismos de extensão.
• Aprimorar o alinhamento entre os modelos semânticos existentes.
• Representar melhor os processos computacionais e de suporte à decisão (a "inteligência" por trás dos dados).
• Adotar estratégias de integração fundamentadas para lidar com a complexidade da flexibilidade energética e a interação com a rede elétrica.

O levantamento conclui que a realização do potencial de sistemas de BEM inteligentes e conscientes do contexto exige representações semânticas que vão além da descrição de ativos físicos para capturar explicitamente os fluxos de trabalho computacionais e os processos de suporte à decisão que interpretam dados e disparam ações.