# 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. ![Nest Learning Thermostat](./images/download.jpg) *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](https://support.google.com/googlenest/answer/9247296). * **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](https://learn.sparkfun.com/tutorials/nest-thermostat-teardown/all). * **Memória:** Memória Flash para o SO e dados do usuário, e RAM para operação [²](https://learn.sparkfun.com/tutorials/nest-thermostat-teardown/all). * **Display:** LCD colorido de alta resolução (24 bits, 480x480 pixels) [³](https://store.google.com/us/product/nest_learning_thermostat_3rd_gen_specs). * **Interface:** Anel externo de aço inoxidável que gira fisicamente para seleção e "clica" para confirmar [³](https://store.google.com/us/product/nest_learning_thermostat_3rd_gen_specs). * **Sensores (Embarcados na unidade):** * **Temperatura:** Sensor principal para medir a temperatura ambiente (±1°F de precisão) [¹](https://support.google.com/googlenest/answer/9247296). * **Umidade:** Mede a umidade relativa do ar (±3% de precisão) [¹](https://support.google.com/googlenest/answer/9247296). * **Movimento (PIR - Near-field):** Sensor infravermelho passivo de curto alcance. Detecta movimento próximo para "acordar" o display (Farsight) [⁴](https://nest.com/support/article/What-is-Farsight-and-how-does-it-work). * **Movimento (PIR - Far-field):** Sensor PIR de longo alcance, usado para detectar presença no cômodo, auxiliando na função "Auto-Away" [⁵](https://support.google.com/googlenest/answer/9247268). * **Luz Ambiente (ALS):** Ajusta o brilho do display automaticamente [³](https://store.google.com/us/product/nest_learning_thermostat_3rd_gen_specs). ### 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](https://store.google.com/us/product/nest_learning_thermostat_3rd_gen_specs). * **Bluetooth Low Energy (BLE):** Usado primariamente para a configuração inicial (setup) do dispositivo com um smartphone [³](https://store.google.com/us/product/nest_learning_thermostat_3rd_gen_specs). * **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](https://developers.home.google.com/matter/overview). * **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](https://support.google.com/googlenest/answer/9247296). ----- ## 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](https://doi.org/10.3390/en18133433). * **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](https://doi.org/10.2478/sbeef-2024-0023). * **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](https://doi.org/10.1016/j.apenergy.2018.03.023). * **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](https://doi.org/10.1109/TSG.2018.2831517). * **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](https://doi.org/10.2196/28811). * **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](https://doi.org/10.3390/mi10070437). * **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](https://doi.org/10.1038/s41560-018-0261-y). * **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](https://doi.org/10.1016/j.rser.2020.109761). * **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. | Produto | Ano/Geração | Principais Sensores | Conectividade | Recurso "Inteligente" Principal | Preço Aprox. (USD) | | :--- | :---: | :--- | :--- | :--- | :---: | | **Nest Learning Thermostat (Gen 3)** (Em Estudo) | 2015 | Temp, Umidade, Movimento (PIR), Luz Ambiente | Wi-Fi, Bluetooth LE, Thread | **Auto-Aprendizado:** Aprende a rotina do usuário e se programa sozinho. Detecção de Ausência (Auto-Away). | $249 | | **Ecobee SmartThermostat Premium** | 2021 | Temp, Umidade, Movimento (PIR), Qualidade do Ar (VOC) | Wi-Fi, Bluetooth, Zigbee | **Sensores de Ambiente:** Usa sensores sem fio em *outros cômodos* para uma leitura de temperatura mais precisa na casa. Assistente de voz Alexa integrado. | $249 | | **Honeywell Home T9** | 2019 | Temp, Umidade, Movimento (PIR) | Wi-Fi, Bluetooth | **Sensores de Ambiente:** Similar ao Ecobee, foca em sensores de ambiente remotos para equilibrar a temperatura em múltiplos cômodos. | $199 | | **Emerson Sensi Touch** | 2017 | Temp, Umidade | Wi-Fi | **Foco na Simplicidade:** Menos "aprendizado", mais focado em **programação remota** robusta e fácil (via app) e ampla compatibilidade HVAC. | $169 | | **Mysa Smart Thermostat** | 2018 | Temp, Umidade, Luz Ambiente | Wi-Fi | **Controle de Alta Tensão:** Projetado especificamente para sistemas de aquecimento de alta tensão (ex: rodapés elétricos), um mercado que o Nest não atende bem. | $129 | | **Honeywell RTH6580WF** | 2014 | Apenas Temperatura | Wi-Fi | **Programável (via Wi-Fi):** Não "aprende". É um termostato programável tradicional (7 dias), mas que permite o acesso remoto a essa programação via app. Representa a geração anterior aos "smart". | $89 | ### 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