A Vaga de Renovação da União Europeia tem como objetivo reduzir a procura energética e as emissões de carbono do setor dos edifícios, promovendo a renovação energética de um parque edificado maioritariamente antigo e ineficiente. Paralelamente, a Diretiva para o Desempenho Energético dos Edifícios (EPBD) dá especial ênfase à digitalização do setor dos edifícios, levando os estados-membros a implementar medidas para que os edifícios sejam dotados de sistemas de automatização e controlo nos edifícios (SACE). No entanto, os SACE tradicionais limitam-se, em geral, ao controlo básico dos sistemas de AVAC, descurando aspetos críticos como a otimização energética e a deteção de anomalias.
A implementação destes sistemas resulta num crescimento exponencial de dados disponíveis, abrindo portas para a integração de inteligência artificial (IA) nos sistemas de gestão de energia, permitindo análises em tempo real, decisões autónomas e um controlo mais preciso.
Os edifícios não residenciais, pela dimensão e complexidade dos seus sistemas técnicos, tendem a consumir mais energia e, por esse motivo, o desempenho adaptado às necessidades e em boas condições de funcionamento é essencial para garantir um elevado nível de eficiência energética. Em paralelo, a anomalia ou a falha de um componente do sistema técnico, pode resultar num impacto significativo do desempenho global do sistema e por conseguinte resultar no aumento do consumo energético.
Apesar da grande maioria destes equipamentos estar sujeito aos regimes de inspeções e manutenções, pelas periodicidades em que estas ações ocorrem, tais ações podem não ser suficientes, prolongando no tempo o funcionamento de sistemas potencialmente comprometidos. As metodologias de deteção e diagnóstico de falhas (DDF) baseadas em IA surgem neste campo como uma solução inovadora, permitindo inspeções digitais e mais frequentes. As abordagens DDF utilizam algoritmos de aprendizagem automática, para detetar e diagnosticar falhas com precisão em sistemas AVAC complexos, garantindo o desempenho ideal de forma contínua. Estas soluções têm demonstrado reduções de consumo energético até 20%, com consequente diminuição dos custos operacionais e prolongamento da vida útil dos equipamentos.
Métodos de aprendizagem automática integrados nos sistemas de gestão técnica como redes neuronais e arquiteturas de deep learning, têm também demonstrado elevada precisão em previsões de curto prazo (ex.: energia, temperatura, pressão, etc.). Estas capacidades preditivas são fundamentais para o desenvolvimento do gémeo digital de um edifício (GD), maquetes detalhadas representativas do desempenho do edifício, que servem de base para o treino de algoritmos de Reinforcement Learning (RL), um tipo de inteligência artificial que aprende com a experiência, e que ao contrário das abordagens preditivas, aprende estratégias ótimas através da interação dinâmica com o ambiente, explorando o resultado imediato e futuro de cada ação de controlo, sendo possível atingir reduções de consumo de até 30%.
Também a adaptação do consumo do edifício aos sinais da rede, baseada em algoritmos de IA é uma realidade futura. Estes algoritmos permitem ajustar dinamicamente o funcionamento dos sistemas, modulando as cargas internas de acordo com a disponibilidade de geração renovável e sinais de preço dinâmico da rede.
Apesar dos avanços promissores, a adoção generalizada da IA na gestão de energia dos edifícios enfrenta ainda diversos desafios. Generalização, interoperabilidade, integração com sistemas existentes e cibersegurança continuam a ser barreiras significativas. No entanto, a integração da IA na gestão técnica de edifícios representa uma oportunidade transformadora, criando infraestruturas energéticas mais inteligentes, eficientes e adaptativas.
As opiniões expressas são da responsabilidade dos autores e
não reflectem necessariamente as ideias da revista Edifícios e Energia.
ESTE ARTIGO CONTA COM O APOIO DA ADENE
