Projeto de comportamento térmico, certificação energética e ensaios acústicos

O presente relatório incluído na Unidade Curricular de Dissertação/Projeto/Estágio do Mestrado (DIPRE) em Engenharia Civil do Instituto Superior de Engenharia do Porto (ISEP) e desenvolvido no âmbito do estágio curricular realizado na empresa Asl & Associados, tem como principais objetivos a minha integração no mercado de trabalho e obtenção de experiência profissional. Neste trabalho, serão abordados temas como as introduções teóricas ao Comportamento Térmico e Acústico de Edifícios de Habitação, estudos de casos práticos como o Projeto de Comportamento Térmico de uma grande intervenção, Certificação Energética de edifícios existentes com base no Regulamento de Desempenho Energético dos Edifícios de Habitação e Ensaios Acústicos de Edifícios de acordo com o Regulamento dos Requisitos Acústicos dos Edifícios. O projeto realizado consistiu no estudo do comportamento térmico do edifício na Avenida Marechal Gomes da Costa nº802, no Porto. Nesse estudo realizou-se a verificação das soluções construtivas, por vezes foram propostas alterações das mesmas de modo a verificar os requisitos impostos pelo REH e foi realizada a emissão do seu pré-certificado. A maior parte do período em que decorreu o estágio na empresa foi preenchida com a realização de certificados energéticos de frações autónomas e de moradias. Para a recolha da informação necessária à sua elaboração, foram efetuadas várias vistorias aos imóveis referidos. Foram também efetuados durante o estágio, ensaios acústicos a edifícios de habitação e comércio e elaborado o respetivo relatório de ensaio.

A Data-mining-based Methodology to support MV Electricity Customers' Characterization

This paper presents an electricity medium voltage (MV) customer characterization framework supportedby knowledge discovery in database (KDD). The main idea is to identify typical load profiles (TLP) of MVconsumers and to develop a rule set for the automatic classification of new consumers. To achieve ourgoal a methodology is proposed consisting of several steps: data pre-processing; application of severalclustering algorithms to segment the daily load profiles; selection of the best partition, corresponding tothe best consumers’ segmentation, based on the assessments of several clustering validity indices; andfinally, a classification model is built based on the resulting clusters. To validate the proposed framework,a case study which includes a real database of MV consumers is performed.