Integração de IoT e aprendizagem automática num Smart Campus para a eficiência energética

Abstract

A IoT está cada vez mais presente nos dias de hoje, pois existe uma grande quantidade de dispositivos que comunicam os seus dados para o exterior. Para que estes dados possam ser tratados, armazenados e analisados, é necessário seguir algumas abordagens de desenvolvimento e usar tecnologias adequadas, tais como, a integração de diferentes tipos de sensores, o seu armazenamento, a segurança do fluxo dos dados, entre outros. Nesta dissertação é apresentado um sistema de integração de dados IoT, provenientes de diferentes sensores de medição do consumo energético instalados no pólo da Mitra da Universidade de Évora, e de um inversor solar do sistema fotovoltaico instalado no pavilhão Gimnodesportivo da Universidade de Évora, para a medição da produção de energia. Para além desta integração de dados, é também apresentada uma análise à construção de um modelo de predição do consumo energético para um dos sensores, onde foram experimentadas diferentes abordagens e modelos de predição adequados a dados temporais; - Abstract: Using IoT and Machine Learning in a Smart Campus for Energy Eficiency IoT is increasingly present nowadays, as there are a large number of devices that communicate their data to the outside world. In order for this data to be processed, stored and analyzed, it is necessary to follow some development approaches and use appropriate technologies, such as the integration of different types of sensors, their storage, the security of the data flow, among others. This dissertation presents an IoT data integration system, coming from different energy consumption measurement sensors installed at the Mitra pole of the University of Évora, and from a solar inverter of the photovoltaic system installed in the Gimnodesportivo pavilion of the University of Évora, for the measurement of energy production. In addition to this data integration, an analysis of the construction of an energy consumption prediction model for one of the sensors is also presented, where different approaches and prediction models suitable for temporal data were experimented.