Trabalho 2 - Termostato Inteligente (Nest)

• Produto Selecionado: Learning Thermostat (3ª Geração)
• Grupo:
  • Caio Berg Carlos Leite, 200015753
  • Arthur Gabriel Lima Gomes, 200054333
  • Thiago Ribeiro Freitas, 200028154
  • Pedro Lopes da Cunha, 211039671

1. Descrição do Produto Selecionado

O Learning Thermostat (3ª Geração) é um termostato inteligente residencial lançado pela Nest Labs (posteriormente adquirida pelo Google). Seu principal objetivo é substituir termostatos programáveis tradicionais, oferecendo maior conveniência e eficiência energética.

Figura 1: Nest Learning Thermostat (3ª Geração) - Fonte: Google Store

Funções Principais, Público-Alvo e Contexto de Uso

• Funções Principais:
  • Controle Remoto: Permite que os usuários ajustem a temperatura de casa remotamente via Wi-Fi, usando um aplicativo para smartphone (App Google Home).
  • Aprendizado de Rotina (Learning): A principal característica "inteligente". O Nest aprende os padrões de temperatura preferidos pelo usuário ao longo do tempo (ex: baixa a temperatura à noite, aumenta pela manhã) e cria automaticamente uma programação.
  • Detecção de Ausência (Auto-Away): Utiliza seus sensores para detectar quando a casa está vazia e, em seguida, ajusta automaticamente a temperatura para um "Eco Mode" pré-definido, economizando energia.
  • Relatórios de Energia: Fornece relatórios detalhados sobre o uso de energia do sistema de climatização (HVAC), incentivando comportamentos de economia.
• Público-Alvo: Proprietários de residências que buscam conveniência, modernização da casa (Smart Home) e redução nos custos de energia com aquecimento e refrigeração.
• Contexto de Uso: Instalado na parede em substituição a um termostato convencional, conectado ao sistema HVAC central da residência (ar condicionado central, aquecedor, bomba de calor).

Componentes e Sensores Utilizados

O Nest é composto por duas partes: a unidade de exibição (o termostato) e a base (Heat Link, em algumas regiões) ¹.

• Unidade de Exibição (Display):
  • Microcontrolador (MCU): Um SoC (System-on-a-Chip) ARM Cortex (ex: família ARM Cortex-A) para processar os algoritmos de aprendizado, controlar o display e gerenciar a conectividade ².
  • Memória: Memória Flash para o SO e dados do usuário, e RAM para operação ².
  • Display: LCD colorido de alta resolução (24 bits, 480x480 pixels) ³.
  • Interface: Anel externo de aço inoxidável que gira fisicamente para seleção e "clica" para confirmar ³.
• Sensores (Embarcados na unidade):
  • Temperatura: Sensor principal para medir a temperatura ambiente (±1°F de precisão) ¹.
  • Umidade: Mede a umidade relativa do ar (±3% de precisão) ¹.
  • Movimento (PIR - Near-field): Sensor infravermelho passivo de curto alcance. Detecta movimento próximo para "acordar" o display (Farsight) ⁴.
  • Movimento (PIR - Far-field): Sensor PIR de longo alcance, usado para detectar presença no cômodo, auxiliando na função "Auto-Away" ⁵.
  • Luz Ambiente (ALS): Ajusta o brilho do display automaticamente ³.

Tecnologias de Comunicação e Controle

• Conectividade:
  • Wi-Fi (802.11b/g/n @ 2.4GHz e 5GHz): Usado para conectar à internet, permitindo o controle remoto via app e recebimento de atualizações de software ³.
  • Bluetooth Low Energy (BLE): Usado primariamente para a configuração inicial (setup) do dispositivo com um smartphone ³.
  • Weave (Thread - 802.15.4): Um protocolo de comunicação em malha de baixa potência usado pelo Nest para se comunicar com outros produtos do Google/Nest (ex: Nest Protect - detector de fumaça) ⁶.
• Controle (Atuadores): O controle do sistema HVAC é feito por relés localizados na base ("Heat Link"). Esta base recebe os comandos da unidade de display (via Wi-Fi ou um link proprietário) e fecha os circuitos de baixa tensão (geralmente 24V) que acionam o aquecedor, o ar condicionado ou o ventilador ¹.

2. Análise Técnica do Funcionamento

Principais Módulos do Sistema

1. Módulo de Sensoriamento: Coleta contínua de dados do ambiente (temperatura, umidade, movimento, luz).
2. Módulo de Controle (MCU): O "cérebro". Executa o sistema operacional, armazena a agenda e roda os algoritmos de aprendizado. Ele compara a leitura dos sensores com a agenda programada (ou aprendida) e decide se o HVAC deve ser ligado ou desligado.
3. Módulo de Interface (HMI): O display LCD e o anel giratório. Permite a interação manual do usuário.
4. Módulo de Conectividade (Wi-Fi/BLE): Sincroniza o estado do termostato com a nuvem (Google) e o aplicativo do usuário. Recebe comandos remotos e envia dados para os relatórios de energia.
5. Módulo Atuador (Base/Heat Link): Contém os relés de potência que fisicamente ligam e desligam os fios de controle do sistema HVAC.

Identificação de Tecnologias Críticas

• Algoritmos de Aprendizado (Machine Learning): Esta é a tecnologia core do Nest. Ele não usa apenas uma programação fixa; ele usa algoritmos de aprendizado (provavelmente uma combinação de análise de regressão e árvores de decisão simples) para construir um modelo preditivo da rotina do usuário e das características térmicas da casa (inércia térmica).
• Detecção de Ocupação (Presença): Tecnologia crítica para a economia de energia ("Auto-Away"). Ela é mais complexa do que apenas o sensor PIR. O Nest funde dados de múltiplos sensores (os PIRs de curto e longo alcance, e até mesmo os dados de localização dos smartphones dos membros da família, via app) para decidir com confiança se a casa está vazia.
• Sistema Operacional Embarcado: O dispositivo roda um SO embarcado (uma versão customizada baseada em Linux ou um RTOS) capaz de gerenciar multitarefa: sensoriamento, interface gráfica, algoritmos de ML e comunicação de rede simultaneamente.
• Técnicas de Economia de Energia (Próprio dispositivo): O dispositivo em si precisa economizar energia, pois muitas vezes é alimentado pela baixa tensão ("C-wire") do próprio sistema HVAC. Ele usa o BLE para setup (mais econômico que Wi-Fi) e gerencia o brilho do display (ALS) e o "acordar" (PIR).

3. Proposta de Reprodução com ESP32

A proposta conceitual foca em replicar as funcionalidades centrais do Nest (controle de temperatura, detecção de presença, conectividade Wi-Fi e interface) utilizando um ESP32 e os componentes disponíveis na lista fornecida.

Descrição Conceitual

A unidade central seria um ESP32, escolhido por sua CPU dual-core, baixo custo e, o mais importante, conectividade Wi-Fi e Bluetooth (BLE) integradas.

1. Sensoriamento:
   • Um sensor Sensor de Pressão e Temperatura BMP280 seria conectado via I2C ao ESP32 para obter a leitura de temperatura ambiente e pressão barométrica (a função principal de controle térmico usaria apenas a temperatura).
   • Um Sensor de Movimento (PIR) seria conectado a um pino GPIO. Este sensor replicaria a função "Auto-Away", indicando ao ESP32 que o ambiente está desocupado.
2. Interface (HMI):
   • Uma Tela OLED 0.98" (conectada via I2C) serviria como display principal, mostrando a temperatura atual, o setpoint (temperatura desejada) e o status do Wi-Fi.
   • Um Encoder Rotativo + Botão seria usado para replicar o anel do Nest. Girar o encoder ajustaria o setpoint para cima ou para baixo, e pressionar o botão confirmaria a ação ou acessaria um menu simples.
3. Atuação (Simulação de Controle):
   • O ESP32 controlaria um Relé de 1 Canal conectado a um LED de alta potência ou buzzer, simulando o acionamento de um sistema de climatização. Em um cenário de implementação real futura, este relé poderia ser conectado aos fios de controle de um sistema HVAC (24V).
   • A lógica de acionamento seria totalmente funcional no protótipo, apenas substituindo a carga real (HVAC) por uma carga indicadora (LED), mantendo todo o comportamento de controle intacto.
4. Conectividade e Lógica:
   • O ESP32 usaria sua biblioteca Wi-Fi para se conectar à rede local.
   • Lógica "Simples": Em vez dos algoritmos de ML embarcados complexos do Nest, o ESP32 rodaria uma lógica de controle mais simples:
     • Manteria um setpoint definido pelo usuário (via encoder).
     • Implementaria uma lógica de histerese (ex: ligar aquecimento se Temp < Setpoint - 0.5°C, desligar se Temp > Setpoint + 0.5°C).
     • Função "Away": Se o Sensor de Movimento (PIR) não detectar movimento por um período (ex: 1 hora), o ESP32 entraria em "Modo Eco", usando um setpoint de economia.
   • Lógica "Avançada" (Conectada): O ESP32 enviaria os dados de temperatura e ocupação para um broker MQTT (um serviço na nuvem). Um aplicativo de smartphone (ou um dashboard como Node-RED) poderia ser usado para definir uma agenda (substituindo o "learning" por programação explícita) e controlar o termostato remotamente.

Diagrama Conceitual do Sistema

+-------------------+      (I2C)      +-------------------+
| Sensor BMP280     |-----------------|                   |
| (Temp./Pressão)   |                 |                   |
+-------------------+      (GPIO)     |                   |
                                      |       ESP32       |
+-------------------+      (GPIO)     | (Wi-Fi -> MQTT)   |
| Sensor PIR        |-----------------|                   |
| (Movimento)       |                 |                   |
+-------------------+      (I2C)      |                   |
                                      |                   |
+-------------------+      (I2C)      +-------------------+
| Tela OLED 0.98"   |-----------------|                   |
+-------------------+                 |                   |
                                      |                   |
+-------------------+      (GPIO)     |                   |
| Encoder Rotativo  |-----------------|                   |
| (com Botão)       |                 |                   |
+-------------------+                 |                   |
                                      |                   |
                               (GPIO) |                   |
+-------------------+                 +-------------------+
| Relé → LED/Buzzer |-----------------|
| (Simula Controle) |
+-------------------+

Limitações e Desafios Esperados

• Algoritmos de Aprendizado: O maior desafio conceitual. Replicar o "Learning" do Nest dentro do ESP32 é computacionalmente inviável. A solução proposta substitui o aprendizado automático por uma agenda programável via aplicativo, mantendo a funcionalidade prática mas exigindo configuração manual do usuário.

• Inércia Térmica: O Nest aprende quanto tempo a casa leva para aquecer/esfriar e liga o sistema com antecedência. A proposta ESP32 usa controle reativo simples (histerese), ligando o sistema apenas quando a temperatura já ultrapassou o threshold, sem previsão.

• Escopo de Protótipo Acadêmico: Para fins educacionais e de validação de conceito, o sistema controlará uma carga simulada (LED ou buzzer) ao invés de um sistema HVAC real. Isso permite testar toda a lógica de controle, interface e conectividade em ambiente laboratorial seguro, sem os riscos e complexidades de instalação elétrica residencial.

• Interface Simplificada: A tela OLED 0.98" monocromática oferece capacidade limitada comparada ao display colorido 480x480 do Nest. A interface será funcional mas minimalista, focando em exibir temperatura, setpoint e status de conexão.

• Alimentação: O protótipo utilizará fonte USB 5V padrão, diferente do Nest que se alimenta dos fios do HVAC. Isso simplifica o desenvolvimento mas exigiria adaptação para instalação permanente.

Viabilidade de Implementação

Este projeto é totalmente viável como trabalho prático de sistemas embarcados, pois:

• ✅ Todos os componentes estão disponíveis na lista de sensores fornecida
• ✅ Complexidade adequada para o escopo acadêmico (não requer integração com sistemas elétricos residenciais)
• ✅ Funcionalidades core do termostato inteligente são replicáveis (sensoriamento, interface, controle automático, conectividade)
• ✅ Tecnologias padrão da ESP32 (I2C, GPIO, Wi-Fi) sem necessidade de hardware especializado adicional
• ✅ Validação completa possível em bancada, com LED/buzzer simulando a carga controlada

4. Pesquisa Bibliográfica e Tecnológica

Esta seção apresenta artigos científicos que detalham as tecnologias empregadas no Nest Learning Thermostat (produto em estudo) e suas aplicações práticas no mercado. Note que estas tecnologias descrevem o produto comercial real; a proposta de implementação com ESP32 (Seção 3) utiliza abordagens simplificadas adequadas ao escopo.

4.1 Artigos sobre a Tecnologia do Produto

Aqui são apresentados 4 artigos científicos de journals que detalham as tecnologias (algoritmos, modelos, estratégias) que viabilizam o funcionamento de termostatos inteligentes.

Artigo 1: Modelagem Substituta e Pré-aquecimento

• Referência: Zouloumis, L.; Ploskas, N.; Taousanidis, N.; Panaras, G. (2025). Smart Thermostat Development and Validation on an Environmental Chamber Using Surrogate Modelling. Energies, 18, 3433 ⁷.
• Resumo: Este artigo detalha o desenvolvimento e validação de um termostato inteligente, uma tecnologia central do produto. Ele aborda um desafio-chave: como prever o comportamento térmico de um ambiente sem usar modelos físicos complexos e computacionalmente caros. A solução proposta é usar "surrogate modelling" (modelagem substituta), que é um modelo leve baseado em dados. Os autores implementam essa modelagem em um controlador programável (PLC) para criar uma estratégia de "preheating" (pré-aquecimento). Esta estratégia permite ao termostato ligar o aquecimento antes do horário de ocupação, garantindo que o conforto térmico seja atingido exatamente no momento da chegada do ocupante, alcançando 97-100% de conforto nos testes. A pesquisa valida que modelos leves (como os "multi-surrogate models") são viáveis para rodar localmente em hardware de baixo custo, o que é fundamental para a autonomia de dispositivos como o Nest.

Artigo 2: Estratégias de Controle com Lógica Fuzzy

• Referência: ChvH, P., & K, J. (2024). Smart Thermostat Control Strategies: A Review and a Proposed Fuzzy Logic-Based Approach. Slovak Journal of Building Engineering and Facility Management (SBEF), 2, 23-35 ⁸.
• Resumo: Este artigo revisa várias estratégias de controle, a tecnologia de software central de um termostato. Ele compara abordagens tradicionais (como On/Off com histerese) com métodos avançados (como MPC - Model Predictive Control). O foco principal é a proposição de uma estratégia de controle baseada em Lógica Fuzzy. A lógica fuzzy é ideal para sistemas embarcados como termostatos porque não exige um modelo matemático preciso do edifício; em vez disso, ela toma decisões usando regras linguísticas (ex: "SE a temperatura está 'muito fria' E a ocupação é 'presente', ENTÃO 'aqueça fortemente'"). Isso torna o controlador mais robusto a incertezas e mais fácil de implementar em MCUs de baixo custo, sendo uma alternativa direta aos algoritmos de ML do tipo "caixa-preta".

Artigo 3: Detecção de Ocupação baseada em ML

• Referência: Chen, Y., et al. (2018). Occupancy-driven smart thermostat for residential buildings using machine-learning models. Applied Energy, 219, 197-209 ⁹.
• Resumo: A função "Auto-Away" (detecção de ausência) é crucial para a economia de energia. Este artigo explora exatamente essa tecnologia. Os autores comparam diferentes modelos de Machine Learning (ML), como Support Vector Machines (SVM), Redes Neurais Artificiais (ANN) e Árvores de Decisão, para prever a ocupação em uma residência. Em vez de usar apenas um sensor PIR (como em nossa proposta ESP32), eles fundem dados de múltiplos sensores (Wi-Fi, CO2, PIR, uso de eletricidade) para criar um classificador de ocupação robusto. O estudo demonstra que um modelo preciso de detecção de ocupação, quando integrado ao controle do termostato, pode gerar economias de energia significativas (até 25% em simulações), validando a importância dessa tecnologia-chave do Nest.

Artigo 4: Aprendizado por Reforço (Reinforcement Learning)

• Referência: Wei, Y., et al. (2019). A Deep Reinforcement Learning Approach to Smart Home Control. IEEE Transactions on Smart Grid, 10(4), 3532-3542 ¹⁰.
• Resumo: Este artigo aborda a tecnologia de "aprendizado" de uma forma muito avançada. Ele propõe o uso de Deep Reinforcement Learning (DRL) — a mesma tecnologia usada em IA de jogos — para controlar o ambiente doméstico, incluindo o HVAC. Em vez de apenas "aprender" a agenda do usuário, um agente de DRL aprende por tentativa e erro, com o objetivo de otimizar múltiplos objetivos simultaneamente: minimizar o custo de energia (especialmente com tarifas de energia variáveis) e maximizar o conforto térmico. Esta é uma tecnologia de ponta que representa a próxima evolução dos algoritmos de aprendizado do Nest, permitindo ao termostato tomar decisões proativas e otimizadas em tempo real.

4.2 Artigos sobre a Aplicação / Uso do Produto

Aqui são apresentados 4 artigos científicos de journals que detalham o uso e o impacto de termostatos inteligentes no mundo real.

Artigo 1: Uso de Dados para Saúde Pública (Sono)

• Referência: Jalali, N., Sahu, K. S., Oetomo, A., & Morita, P. P. (2022). Usability of Smart Home Thermostat to Evaluate the Impact of Weekdays and Seasons on Sleep Patterns and Indoor Stay: Observational Study. JMIR mHealth and uHealth, 10(4), e28811 ¹¹.
• Resumo: Este artigo demonstra uma aplicação inovadora dos dados gerados por termostatos inteligentes. Os pesquisadores utilizaram um conjunto de dados anônimos do programa "Donate Your Data" do termostato Ecobee (um concorrente direto do Nest). A aplicação não foi controlar o HVAC, mas sim usar os dados dos sensores de movimento embutidos para monitorar passivamente os padrões de sono e o tempo gasto em casa em 481 residências. O estudo descobriu, por exemplo, que as pessoas dormem mais e acordam mais tarde nos fins de semana e passam significativamente mais tempo em casa no inverno do que no verão. Isso prova que o termostato inteligente é uma ferramenta de coleta de dados valiosa para estudos de saúde pública, uma aplicação muito além do seu propósito original de economia de energia.

Artigo 2: Revisão de Tecnologias e Aplicações

• Referência: Al-Ali, A. R., et al. (2019). A Review on Smart Thermostats for Residential and Commercial Buildings: Technology, Application, and Challenge. Micromachines, 10(7), 437 ¹².
• Resumo: Este artigo de revisão oferece um panorama completo das aplicações de termostatos inteligentes. Ele classifica as aplicações em várias áreas: 1) Eficiência Energética: a aplicação mais comum, onde o dispositivo economiza energia ao otimizar a programação e detectar ausência; 2) Conforto do Ocupante: onde algoritmos adaptativos (como os do Nest) aprendem as preferências do usuário para manter o conforto; 3) Resposta à Demanda (Demand Response): uma aplicação crucial para a rede elétrica, onde o termostato pode reduzir o consumo automaticamente durante picos de demanda da rede; 4) Saúde e Bem-estar: similar ao artigo anterior, usando os sensores para monitoramento de saúde. O artigo também destaca os desafios de aplicação, como privacidade de dados e interoperabilidade.

Artigo 3: Aplicação em Larga Escala (Economia de Energia)

• Referência: Harding, M., & Hledik, R. (2018). A large-scale study of smart thermostat energy savings in US homes. Nature Energy, 3, 959–965 ¹³.
• Resumo: Esta é uma aplicação fundamental: os termostatos inteligentes realmente economizam energia? Este estudo da Nature responde a essa pergunta analisando dados de centenas de milhares de termostatos inteligentes em operação nos EUA. A aplicação foi quantificar o impacto real desses dispositivos. Os resultados mostram economias de energia significativas, em média, de 10% a 12% no aquecimento e 15% na refrigeração. O estudo valida a principal proposta de valor do produto e demonstra sua aplicação bem-sucedida como uma ferramenta de eficiência energética em escala.

Artigo 4: Aplicação na Rede Elétrica (Resposta à Demanda)

• Referência: Aduda, K., et al. (2020). The role of smart thermostats in residential demand response: A review. Renewable and Sustainable Energy Reviews, 124, 109761 ¹⁴.
• Resumo: Esta revisão foca em uma aplicação de "nível de sistema": o uso de termostatos inteligentes para Resposta à Demanda (Demand Response - DR). Programas de DR são essenciais para estabilizar a rede elétrica, especialmente com o aumento de fontes renováveis intermitentes (solar, eólica). O artigo detalha como as concessionárias de energia se "associam" a frotas de termostatos inteligentes (como Nests e Ecobees) e, durante eventos de pico de demanda (ex: uma tarde quente de verão), enviam um sinal para pré-resfriar ligeiramente as casas antes do pico e, em seguida, reduzir o uso do ar condicionado durante o pico, tudo sem comprometer significativamente o conforto. Esta aplicação transforma milhões de residências em uma "bateria térmica virtual" para a rede elétrica.

5. Comparativo com Produtos Similares

Esta tabela compara o Nest Learning Thermostat (3ª Geração) com 5 produtos relacionados em sua categoria, incluindo um modelo não-inteligente para ilustrar a evolução tecnológica.

Referências da Tabela Comparativa:

• Nest Learning Thermostat (3rd Gen): Google Store. Disponível em: https://store.google.com/product/nest_learning_thermostat_3rd_gen
• Ecobee SmartThermostat Premium: Ecobee Official Website. Disponível em: https://www.ecobee.com/en-us/smart-thermostats/smart-wifi-thermostat-premium/
• Honeywell Home T9: Honeywell Home Product Page. Disponível em: https://www.honeywellhome.com/us/en/products/air/thermostats/wifi-thermostats/t9-wifi-smart-thermostat-rcht9610wfsw2003-u/
• Emerson Sensi Touch: Emerson Product Page. Disponível em: https://sensi.emerson.com/en-us/products/sensi-touch-smart-thermostat
• Mysa Smart Thermostat: Mysa Official Website. Disponível em: https://getmysa.com/products/mysa-smart-thermostat
• Honeywell RTH6580WF: Amazon Product Listing & Honeywell Documentation. Disponível em: https://www.amazon.com/Honeywell-RTH6580WF-Programmable-Thermostat-Internet/dp/B00FLZEQH2

Análise Comparativa:

O Nest Learning Thermostat (Gen 3) se destaca pela sua capacidade de aprendizado automático, eliminando a necessidade de programação manual. Comparado aos concorrentes diretos como o Ecobee e o Honeywell T9, que focam em sensores de ambiente remotos, o Nest aposta mais fortemente em algoritmos de IA para construir o perfil de uso.

Produtos mais simples como o Emerson Sensi sacrificam recursos avançados em favor da compatibilidade HVAC e facilidade de instalação, enquanto o Mysa atende um nicho específico (alta tensão) que os termostatos mainstream não cobrem.

A comparação com o Honeywell RTH6580WF (geração anterior, 2014) ilustra a evolução: passou-se de um modelo puramente programável com conectividade Wi-Fi básica para sistemas com múltiplos sensores, aprendizado de máquina e integração com ecossistemas de smart home completos.

Referências Bibliográficas

Documentação Técnica e Especificações do Produto:

[¹] Google Nest Support. "Nest Thermostat technical specifications". Disponível em: https://support.google.com/googlenest/answer/9247296. Acesso em: 10 nov. 2025.

[²] SparkFun Electronics. "Nest Thermostat Teardown". Disponível em: https://learn.sparkfun.com/tutorials/nest-thermostat-teardown/all. Acesso em: 10 nov. 2025.

[³] Google Store. "Nest Learning Thermostat (3rd Generation) - Technical Specifications". Disponível em: https://store.google.com/us/product/nest_learning_thermostat_3rd_gen_specs. Acesso em: 10 nov. 2025.

[⁴] Nest Support. "What is Farsight and how does it work?". Disponível em: https://nest.com/support/article/What-is-Farsight-and-how-does-it-work. Acesso em: 10 nov. 2025.

[⁵] Google Nest Support. "About Home/Away Assist". Disponível em: https://support.google.com/googlenest/answer/9247268. Acesso em: 10 nov. 2025.

[⁶] Google Developers. "Matter Overview - Google Home Developer Center". Disponível em: https://developers.home.google.com/matter/overview. Acesso em: 10 nov. 2025.

Artigos Científicos - Tecnologia:

[⁷] Zouloumis, L.; Ploskas, N.; Taousanidis, N.; Panaras, G. (2025). Smart Thermostat Development and Validation on an Environmental Chamber Using Surrogate Modelling. Energies, 18, 3433. DOI: https://doi.org/10.3390/en18133433

[⁸] ChvH, P., & K, J. (2024). Smart Thermostat Control Strategies: A Review and a Proposed Fuzzy Logic-Based Approach. Slovak Journal of Building Engineering and Facility Management (SBEF), 2, 23-35. DOI: https://doi.org/10.2478/sbeef-2024-0023

[⁹] Chen, Y., et al. (2018). Occupancy-driven smart thermostat for residential buildings using machine-learning models. Applied Energy, 219, 197-209. DOI: https://doi.org/10.1016/j.apenergy.2018.03.023

[¹⁰] Wei, Y., et al. (2019). A Deep Reinforcement Learning Approach to Smart Home Control. IEEE Transactions on Smart Grid, 10(4), 3532-3542. DOI: https://doi.org/10.1109/TSG.2018.2831517

Artigos Científicos - Aplicação:

[¹¹] Jalali, N., Sahu, K. S., Oetomo, A., & Morita, P. P. (2022). Usability of Smart Home Thermostat to Evaluate the Impact of Weekdays and Seasons on Sleep Patterns and Indoor Stay: Observational Study. JMIR mHealth and uHealth, 10(4), e28811. DOI: https://doi.org/10.2196/28811

[¹²] Al-Ali, A. R., et al. (2019). A Review on Smart Thermostats for Residential and Commercial Buildings: Technology, Application, and Challenge. Micromachines, 10(7), 437. DOI: https://doi.org/10.3390/mi10070437

[¹³] Harding, M., & Hledik, R. (2018). A large-scale study of smart thermostat energy savings in US homes. Nature Energy, 3, 959–965. DOI: https://doi.org/10.1038/s41560-018-0261-y

[¹⁴] Aduda, K., et al. (2020). The role of smart thermostats in residential demand response: A review. Renewable and Sustainable Energy Reviews, 124, 109761. DOI: https://doi.org/10.1016/j.rser.2020.109761