• Energy Research
• Open Source close
• Embargo close
• 7. Clean energy close
• 12. Responsible consumption close
• 15. Life on land close
• PT close

No mundo atual em que vivemos, em constante mudança, o setor dos transportes tem um papel crucial na atividade económica mundial. Contudo, representa um consumo elevado de recursos energéticos e ainda é um dos principais responsáveis pela emissão de gases com efeito de estufa. A mobilidade elétrica e eletrificação das frotas contribuiu para uma redução direta da emissão de gases, representando uma vantagem sobre os veículos com motores de combustão interna. Todavia, a limitação dos sistemas de armazenamento de energia elétrica em termos de autonomia (número de quilómetros percorridos) ainda é um dos maiores entraves a uma maior penetração no mercado dos veículos elétricos. No setor mais específico dos autocarros elétricos, em particular o autocarro de aeroporto, esta desvantagem é amplificada não só pela dimensão e peso, mas também pelos sistemas auxiliares de aquecimento, ventilação e ar-condicionado (AVAC) inerentes a este tipo de veículos. O presente trabalho tem por objetivo a análise e otimização da eficiência energética do modelo e.Cobus, um autocarro de aeroporto. Para alcançar o objetivo foram estudadas algumas unidades e.Cobus em condições reais de operação e analisadas as potências e consumos de energia das diferentes cargas, criando diversos dataset’s. Com os dataset’s elaborados, e recorrendo à plataforma de aprendizagem máquina WEKA, e aplicação de alguns algoritmos, foram desenvolvidos modelos de previsão do consumo de energia que permitiram otimizar a capacidade de armazenamento energético (baterias) destes autocarros, em função da utilização e local geográfico

No mundo atual em que vivemos, em constante mudança, o setor dos transportes tem um papel crucial na atividade económica mundial. Contudo, representa um consumo elevado de recursos energéticos e ainda é um dos principais responsáveis pela emissão de gases com efeito de estufa. A mobilidade elétrica e eletrificação das frotas contribuiu para uma redução direta da emissão de gases, representando uma vantagem sobre os veículos com motores de combustão interna. Todavia, a limitação dos sistemas de armazenamento de energia elétrica em termos de autonomia (número de quilómetros percorridos) ainda é um dos maiores entraves a uma maior penetração no mercado dos veículos elétricos. No setor mais específico dos autocarros elétricos, em particular o autocarro de aeroporto, esta desvantagem é amplificada não só pela dimensão e peso, mas também pelos sistemas auxiliares de aquecimento, ventilação e ar-condicionado (AVAC) inerentes a este tipo de veículos. O presente trabalho tem por objetivo a análise e otimização da eficiência energética do modelo e.Cobus, um autocarro de aeroporto. Para alcançar o objetivo foram estudadas algumas unidades e.Cobus em condições reais de operação e analisadas as potências e consumos de energia das diferentes cargas, criando diversos dataset’s. Com os dataset’s elaborados, e recorrendo à plataforma de aprendizagem máquina WEKA, e aplicação de alguns algoritmos, foram desenvolvidos modelos de previsão do consumo de energia que permitiram otimizar a capacidade de armazenamento energético (baterias) destes autocarros, em função da utilização e local geográfico

Esta dissertação oferece contribuições para o campo da energia eólica, e fornece um roteiro claro para a tomada de decisão baseada em dados, bem como orientações práticas para otimizar a operação e manutenção. No contexto atual da transformação digital e crescente demanda energética surge a necessidade de soluções inovadores e sustentáveis em larga escala, como a energia eólica offshore. A energia eólica é uma fonte de energia renovável que tem o potencial de contribuir significativamente para a matriz energética global. A implementação e operação de projetos eólicos offshore são desafiadores devido aos custos elevados e à natureza intrínseca dos riscos no ambiente marítimo, por isso necessitam operar em sua máxima eficiência e desempenho, tendo em vista a viabilidade económica. Este trabalho tem como objetivo a compreensão dos fatores principais que influenciam o desempenho energético dos aerogeradores através dos dados que revelam as interrupções e falhas de sistemas. Os resultados obtidos nesta pesquisa destacam a necessidade de uma abordagem integrada, buscando o conhecimento técnico especializado com a aplicação de tecnologias de monitoramento em tempo real e análise de dados. Ao reconhecer os padrões de falhas e as lacunas de eficiência, os gestores podem direcionar seus esforços para aprimorar a fiabilidade, a disponibilidade e a performance geral dessas unidades geradoras de energia elétrica. Através da implementação das recomendações resultantes deste estudo, espera-se que as instituições possam alcançar uma expressiva rentabilidade e sustentabilidade, alinhando-se de forma eficaz com as demandas atuais, garantindo uma posição sólida no ambiente empresarial e contribuindo para um futuro energético mais equilibrado.

Esta dissertação oferece contribuições para o campo da energia eólica, e fornece um roteiro claro para a tomada de decisão baseada em dados, bem como orientações práticas para otimizar a operação e manutenção. No contexto atual da transformação digital e crescente demanda energética surge a necessidade de soluções inovadores e sustentáveis em larga escala, como a energia eólica offshore. A energia eólica é uma fonte de energia renovável que tem o potencial de contribuir significativamente para a matriz energética global. A implementação e operação de projetos eólicos offshore são desafiadores devido aos custos elevados e à natureza intrínseca dos riscos no ambiente marítimo, por isso necessitam operar em sua máxima eficiência e desempenho, tendo em vista a viabilidade económica. Este trabalho tem como objetivo a compreensão dos fatores principais que influenciam o desempenho energético dos aerogeradores através dos dados que revelam as interrupções e falhas de sistemas. Os resultados obtidos nesta pesquisa destacam a necessidade de uma abordagem integrada, buscando o conhecimento técnico especializado com a aplicação de tecnologias de monitoramento em tempo real e análise de dados. Ao reconhecer os padrões de falhas e as lacunas de eficiência, os gestores podem direcionar seus esforços para aprimorar a fiabilidade, a disponibilidade e a performance geral dessas unidades geradoras de energia elétrica. Através da implementação das recomendações resultantes deste estudo, espera-se que as instituições possam alcançar uma expressiva rentabilidade e sustentabilidade, alinhando-se de forma eficaz com as demandas atuais, garantindo uma posição sólida no ambiente empresarial e contribuindo para um futuro energético mais equilibrado.

Devido à crescente preocupação com as alterações climáticas e à consequente mudança de paradigma, gradualmente são utilizados mais veículos elétricos e híbridos, como é o caso dos FCHEV (Fuel cell Hybrid Electric Vehicle). Como é característico nos veículos híbridos, a existência de duas fontes de energia faz com que seja crucial otimizar a distribuição de potência, sendo esta a chave para melhorar o desempenho do veículo. Assim, definiu-se como medida principal de desempenho o consumo equivalente em Gasoline Gallon Equivalent, que efetua um tradeoff entre o consumo de hidrogénio e o consumo ponderado de energia da bateria, em função do seu estado de carga. Tendo como principais objetivos o aumento do tempo de vida dos componentes e a redução do consumo do veículo, construiu-se uma estratégia de gestão energética em tempo real, baseada em programação dinâmica, com extração de regras de controlo pela response surface methodology e implementação de machine learning para a identificação dos tipos de ciclo de condução. A estratégia foi construída e simulada em Matlab, partindo da modelação do sistema e da implementação da função DPM (Dynamic Programming Matrix), desenvolvida pelo instituto ETH Zurich para efetuar a programação dinâmica. Seguidamente, foi utilizada a função stepwiselm e a app Regression Learner para extrair as regras de controlo e, finalmente, recorreu-se à app Classification Learner para identificar os ciclos de condução. Toda a estratégia foi complementada com o Matlab Coder, para fazer a transição do algoritmo para linguagem C, suportada pela ECU. Os resultados foram analisados no final de cada fase de implementação, validando a metodologia proposta. Assim, na fase de otimização demonstrou-se que é possível melhorar o consumo equivalente, relativamente ao algoritmo implementado no veículo, obtendo-se uma redução média superior a 15%, sem se demonstrarem alterações significativas no consumo de H2. A partir destes resultados, efetuou-se a extração de regras de controlo, utilizando duas estratégias distintas: regressões não lineares e árvores de decisão. No caso da primeira, não foi possível demonstrar que efetivamente o consumo equivalente é menor, apesar da percentagem de redução desse consumo ser em média superior a zero. No caso da segunda, a robustez do modelo de machine learning demonstrou que em média o consumo equivalente é menor do que no algoritmo atualmente presente no autocarro, sendo que a percentagem de redução em média ultrapassa os 10%. Com ambas as estratégias, as alterações no consumo de H2 não se mostraram significativas. Na fase de reconhecimento do ciclo de condução, utilizou-se uma árvore de decisão que foi analisada para diferentes tempos de decisão, demonstrando-se que com 600 e 300 segundos a identificação apresentou os melhores resultados de accuracy, sendo percetível que para 300 segundos será reduzido o espaço em memória na ECU para armazenamento dos parâmetros de condução, mostrando-se também ser mais preciso em cenários mais semelhantes com a realidade. Finalmente os testes de estrada demonstraram melhorias de 15.7% no consumo equivalente, 24.4% no consumo de H2 e 6.8% no rendimento, com a estratégia que utiliza regressões não lineares. No entanto, o algoritmo mais adequado seria o construído com árvores de decisão, que devido à sua complexidade não foi possível de implementar na ECU.

Devido à crescente preocupação com as alterações climáticas e à consequente mudança de paradigma, gradualmente são utilizados mais veículos elétricos e híbridos, como é o caso dos FCHEV (Fuel cell Hybrid Electric Vehicle). Como é característico nos veículos híbridos, a existência de duas fontes de energia faz com que seja crucial otimizar a distribuição de potência, sendo esta a chave para melhorar o desempenho do veículo. Assim, definiu-se como medida principal de desempenho o consumo equivalente em Gasoline Gallon Equivalent, que efetua um tradeoff entre o consumo de hidrogénio e o consumo ponderado de energia da bateria, em função do seu estado de carga. Tendo como principais objetivos o aumento do tempo de vida dos componentes e a redução do consumo do veículo, construiu-se uma estratégia de gestão energética em tempo real, baseada em programação dinâmica, com extração de regras de controlo pela response surface methodology e implementação de machine learning para a identificação dos tipos de ciclo de condução. A estratégia foi construída e simulada em Matlab, partindo da modelação do sistema e da implementação da função DPM (Dynamic Programming Matrix), desenvolvida pelo instituto ETH Zurich para efetuar a programação dinâmica. Seguidamente, foi utilizada a função stepwiselm e a app Regression Learner para extrair as regras de controlo e, finalmente, recorreu-se à app Classification Learner para identificar os ciclos de condução. Toda a estratégia foi complementada com o Matlab Coder, para fazer a transição do algoritmo para linguagem C, suportada pela ECU. Os resultados foram analisados no final de cada fase de implementação, validando a metodologia proposta. Assim, na fase de otimização demonstrou-se que é possível melhorar o consumo equivalente, relativamente ao algoritmo implementado no veículo, obtendo-se uma redução média superior a 15%, sem se demonstrarem alterações significativas no consumo de H2. A partir destes resultados, efetuou-se a extração de regras de controlo, utilizando duas estratégias distintas: regressões não lineares e árvores de decisão. No caso da primeira, não foi possível demonstrar que efetivamente o consumo equivalente é menor, apesar da percentagem de redução desse consumo ser em média superior a zero. No caso da segunda, a robustez do modelo de machine learning demonstrou que em média o consumo equivalente é menor do que no algoritmo atualmente presente no autocarro, sendo que a percentagem de redução em média ultrapassa os 10%. Com ambas as estratégias, as alterações no consumo de H2 não se mostraram significativas. Na fase de reconhecimento do ciclo de condução, utilizou-se uma árvore de decisão que foi analisada para diferentes tempos de decisão, demonstrando-se que com 600 e 300 segundos a identificação apresentou os melhores resultados de accuracy, sendo percetível que para 300 segundos será reduzido o espaço em memória na ECU para armazenamento dos parâmetros de condução, mostrando-se também ser mais preciso em cenários mais semelhantes com a realidade. Finalmente os testes de estrada demonstraram melhorias de 15.7% no consumo equivalente, 24.4% no consumo de H2 e 6.8% no rendimento, com a estratégia que utiliza regressões não lineares. No entanto, o algoritmo mais adequado seria o construído com árvores de decisão, que devido à sua complexidade não foi possível de implementar na ECU.

A indústria petrolífera, que tem como um dos produtos o plástico, e a do ferro e aço são das maiores emissoras mundiais de Gases com Efeito de Estufa (GEE). Assim, atualmente, com as crescentes preocupações ambientas da população, torna-se urgente estudar o impacte ambiental das fábricas produtoras de embalagens de plástico e metal. Desse modo, a presente dissertação foi realizada na Colep Packaging Portugal e teve como objetivo calcular a pegada de carbono da fábrica referente ao ano de 2022. A avaliação da pegada de carbono foi realizada tendo como linhas orientadoras a metodologia Greenhouse Gas Protocol e sempre que possível, foram utilizados os fatores de emissão de origem primária. A pegada de carbono é dividida em três âmbitos: o primeiro é referente às emissões diretas da empresa relatora; o segundo são emissões indiretas para a produção de energia; o terceiro refere-se a emissões que ocorrem como consequência da atividade da empresa relatora. É possível afirmar que este mesmo objetivo foi atingido, obtendo-se como resultado 7 408,235 t CO2 eq de âmbito 1 (7,03%), 2 846,705 t CO2 eq de âmbito 2 (2,70%) e 95 075,239 t CO2 eq de âmbito 3 (90,27%). Globalmente, o valor calculado foi 105 330,179 t CO2 eq. As categorias que mais contribuíram para este valor da pegada de carbono são os bens e serviços adquiridos, o fim de vida dos produtos vendidos e o consumo de gás natural. Estas três categorias emitiram, em 2022, 87 732,707 t CO2 eq, o que corresponde a 83,29% das emissões totais da Colep Packaging Portugal. Para calcular a pegada de carbono foi necessário realizar um inventário, em primeiro lugar, aos tipos de energia consumida. Nestes parâmetros estão incluídos o gás natural, propano, gasóleo, gasolina e líquidos refrigerantes para o âmbito 1 e a eletricidade para o âmbito 2. Foi também realizado um inventário para o âmbito 3 a todas as matérias-primas, serviços e bens capitais adquiridos, ao transporte a montante (de matérias-primas) e a jusante (de produtos vendidos), aos resíduos gerados no processo produtivo, às viagens de negócios e diárias dos colaboradores, aos bens alugados a montante (veículos de leasing e paletes) e a jusante (edifícios), ao processamento dos produtos vendidos e ao fim de vida destes. Também se analisou o uso dos produtos vendidos, os franchises da empresa e os investimentos, porém, estas categorias não registaram valores. De maneira a reduzir o valor da pegada de carbono sugere-se a realização de algumas medidas. Ao todo são 16 de onde se destacam a substituição dos veículos a combustão por elétricos, a utilização de camiões elétricos, a utilização de energia 100% renovável, a utilização de comboios para transporte superior a 250 km, a instalação de painéis solares, o aumento da eficiência energética e a incorporação de reciclado nas embalagens metálicas. Ao serem implementadas, as 16 medidas permitem reduzir em 54 262,702 t CO2 eq, o que corresponde a 51,52% do atual valor global.

A indústria petrolífera, que tem como um dos produtos o plástico, e a do ferro e aço são das maiores emissoras mundiais de Gases com Efeito de Estufa (GEE). Assim, atualmente, com as crescentes preocupações ambientas da população, torna-se urgente estudar o impacte ambiental das fábricas produtoras de embalagens de plástico e metal. Desse modo, a presente dissertação foi realizada na Colep Packaging Portugal e teve como objetivo calcular a pegada de carbono da fábrica referente ao ano de 2022. A avaliação da pegada de carbono foi realizada tendo como linhas orientadoras a metodologia Greenhouse Gas Protocol e sempre que possível, foram utilizados os fatores de emissão de origem primária. A pegada de carbono é dividida em três âmbitos: o primeiro é referente às emissões diretas da empresa relatora; o segundo são emissões indiretas para a produção de energia; o terceiro refere-se a emissões que ocorrem como consequência da atividade da empresa relatora. É possível afirmar que este mesmo objetivo foi atingido, obtendo-se como resultado 7 408,235 t CO2 eq de âmbito 1 (7,03%), 2 846,705 t CO2 eq de âmbito 2 (2,70%) e 95 075,239 t CO2 eq de âmbito 3 (90,27%). Globalmente, o valor calculado foi 105 330,179 t CO2 eq. As categorias que mais contribuíram para este valor da pegada de carbono são os bens e serviços adquiridos, o fim de vida dos produtos vendidos e o consumo de gás natural. Estas três categorias emitiram, em 2022, 87 732,707 t CO2 eq, o que corresponde a 83,29% das emissões totais da Colep Packaging Portugal. Para calcular a pegada de carbono foi necessário realizar um inventário, em primeiro lugar, aos tipos de energia consumida. Nestes parâmetros estão incluídos o gás natural, propano, gasóleo, gasolina e líquidos refrigerantes para o âmbito 1 e a eletricidade para o âmbito 2. Foi também realizado um inventário para o âmbito 3 a todas as matérias-primas, serviços e bens capitais adquiridos, ao transporte a montante (de matérias-primas) e a jusante (de produtos vendidos), aos resíduos gerados no processo produtivo, às viagens de negócios e diárias dos colaboradores, aos bens alugados a montante (veículos de leasing e paletes) e a jusante (edifícios), ao processamento dos produtos vendidos e ao fim de vida destes. Também se analisou o uso dos produtos vendidos, os franchises da empresa e os investimentos, porém, estas categorias não registaram valores. De maneira a reduzir o valor da pegada de carbono sugere-se a realização de algumas medidas. Ao todo são 16 de onde se destacam a substituição dos veículos a combustão por elétricos, a utilização de camiões elétricos, a utilização de energia 100% renovável, a utilização de comboios para transporte superior a 250 km, a instalação de painéis solares, o aumento da eficiência energética e a incorporação de reciclado nas embalagens metálicas. Ao serem implementadas, as 16 medidas permitem reduzir em 54 262,702 t CO2 eq, o que corresponde a 51,52% do atual valor global.

O conceito Internet of Things, que é a ligação entre objetos do dia-a-dia através de tecnologias inteligentes, tem ganho bastante atenção nos últimos anos. Esta tecnologia apresenta diversas vantagens, tanto a nível social como económico, e visa resolver problemas de uma forma automatizada com recursos a dispositivos inteligentes. Um dos problemas atuais dos países desenvolvidos é o seu consumo de energias de origem fóssil, havendo uma corrida entre os países para cada vez depender menos dessas energias. As nações mais organizadas têm como objetivo tanto reduzir o consumo de energia, como as emissões atmosféricas de gases de efeito de estufa, isto através de eficiência energética e energias renováveis. A União Europeia afirmou que um dos maiores consumos de energia são os edifícios, atingindo por vezes 40% do consumo total. Este valor é de grande parte representativo do domínio termal, ou seja, aquecedores, ventilação e sistemas de ar condicionado. O projeto em que esta dissertação se enquadra visa ajudar neste problema. O projeto tem como objetivo desenvolver um chuveiro inteligente de forma a reduzir tantos os consumos de água como os consumos de energia. Esta dissertação é relativa a uma parte deste projeto, tendo como objetivo criar uma plataforma IoT capaz de receber mensagens de um conjunto de sensores, guardar e tratar os dados lidos, e por fim criar uma API capaz de ter uma ligação com uma APP mobile, externa a este relatório, de forma a haver interação dos dados com o utilizador do produto. Será então apresentado uma revisão de literatura com o fundamento teórico essencial para o desenvolvimento do trabalho desenvolvido, bem como a sua implementação, através da demonstração e explicação da arquitetura da plataforma em detalhe e o código desenvolvido desde a criação da base de dados necessária para o armazenamento dos dados até à criação da API e as suas rotas.