Gustavo Felipe Martin Nascimento

Dr. Gustavo Felipe Martin Nascimento

Universidade Federal de Santa Catarina - UFSC
+3
orcid

Research Focus & Metrics

Academic Career Length

6Years (2021-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
10 December 2021 in Energies
Verified
Journal Article
Open access
PDF file
GNGustavo Felipe Martin Nascimento
Gustavo Felipe Martin Nascimento
FWFrédéric Wurtz
Frédéric Wurtz
PKPatrick Kuo-Peng
Patrick Kuo-Peng
Benoit DelinchantBenoit Delinchant
Benoit Delinchant
NBNelson Jhoe Batistela
Nelson Jhoe Batistela
Buildings play a central role in energy transition, as they were responsible for 67.8% of the total consumption of electricity in France in 2017. Because of that, detecting anomalies (outliers) is crucial in order to identify both potential opportunities to reduce energy consumption and malfunctioning of the metering system. This work aims to compare the performance of several outlier detection methods, such as classical statistical methods (as boxplots) applied to the actual measurements and to the difference between the measurements and their predictions, in the task of detecting outliers in the power consumption data of a tertiary building located in France. The results show that the combination of a regression method, such as random forest, and the adjusted boxplot outlier detection method have promising potential in detecting this type of data quality problem in electricity consumption.

27 April 2022 in Energies
Verified
Journal Article
Open access
PDF file
GNGustavo Felipe Martin Nascimento
Gustavo Felipe Martin Nascimento
FWFrédéric Wurtz
Frédéric Wurtz
PKPatrick Kuo-Peng
Patrick Kuo-Peng
Benoit DelinchantBenoit Delinchant
Benoit Delinchant
NBNelson Jhoe Batistela
Nelson Jhoe Batistela
Following the recent European directives highlighting the need to increase energy efficiency in the European Union, this work aims to show the possibility of using Non-Intrusive Load Monitoring (NILM) techniques to improve energy audits by estimating the compressed air leakage from a dataset of a tertiary building. The first step towards the reduction of energy consumption is performing an energy audit, in which a detailed analysis of the energy performance is executed. This analysis usually uses on-site measured data by the auditors. However, the time available for these measurements is limited and may not include some modes of operation. One example of that is the quantification of compressed air leaks. This task can be performed by estimating the flow rate during a no compressed air consumption period. However, these periods may not coincide with the auditors’ original schedule. This problem could be addressed by using historical data. Nevertheless, historical data from energy management systems usually are only available for global consumption, and rarely for individual appliances. In this context, a NILM approach would be helpful to enhance energy audits carrying analysis of modes of operation not included in the on-site measurements. In this paper, the leaks are firstly quantified using measurements mostly for benchmarking purposes. The results suggested 62% of leaks in the study case. In a second step, the Factorial Hidden Markov Model (FHMM) was applied to the data. Five typical working days, simulating the context of an energy audit, were used as training data, while one week during vacation time, with no compressed air consumption, was used to quantify the leaks. The results show that it was possible, in the context of an energy audit, to estimate the compressed air leakage using NILM techniques in this dataset with less than a 1% difference when compared to the estimation made with actual measurement. Finally, savings estimations considering the elimination of the leaks were performed, varying between 10% and 100% of the leakage repair. Considering the ideal scenario of complete leaks elimination, the savings would represent around 44% in the compressed air system and 4.75% of the current annual global consumption.

9 August 2023 in Frontiers in Sustainable Cities
Verified
Journal Article
Open access
GNGustavo Felipe Martin Nascimento
Gustavo Felipe Martin Nascimento
FWFrédéric Wurtz
Frédéric Wurtz
PKPatrick Kuo-Peng
Patrick Kuo-Peng
Benoit DelinchantBenoit Delinchant
Benoit Delinchant
NBNelson Jhoe Batistela
Nelson Jhoe Batistela
TLTiansi Laranjeira
Tiansi Laranjeira
The increased use of intermittent renewable energy sources makes the use of machine learning methods combined with demand-side management more and more frequent. Machine learning algorithms rely on data to identify patterns and learn insights. Hence, data availability is of utmost importance, and the more, the merrier. Therefore, this data report aims to present a dataset concerning the electricity consumption of a tertiary building located in the French Alps region (Grenoble) in 2017 and 2018. It is a massively monitored and controlled building with about 330 electricity meters, whose measurement data constitute the dataset. The data were collected directly from the building management system and correspond to raw data, without any pre-treatment. The dataset also includes Python notebooks that allow for understanding the system design, navigating the data, and performing some simple analyses. This is a publicly available dataset that tries to fill the gap of the availability of electricity consumption data, especially regarding tertiary buildings.

7 April 2026
Verified
Thesis
Closed access
GNGustavo Felipe Martin Nascimento
Gustavo Felipe Martin Nascimento
Optimisation des ressources et consomations des 'smart building' en vue de l'efficacité énergétique: Dans les enjeux de la transition énergétique et de la réduction des consommations, le secteur du bâtiment joue un rôle primordial puisque les bâtiments représente une partie importante de la consommation énergétique mondiale. Si l'on considère uniquement l'électricité, environ 50% est consommée dans les bâtiments.En France, cette partie est encore plus élevée. Le secteur résidentiel représente 37% de la consommation, tandis que la consommation d'électricité dans les bâtiments tertiaires représente 32% du total. Ces chiffres montrent l’importance de ces secteurs dans la consommation d'électricité en France et indiquent le grand potentiel d'économies d'énergie dans les bâtiments. La consommation supérieure dans les bâtiments résidentiels a entraîné une explosion des études sur la consommation d'énergie de ces bâtiments, de sorte que le secteur tertiaire a encore beaucoup à explorer. L’avancement des études concernant le secteur résidentiel est aussi grâce à la disponibilité des datasets, qui sont nombreuses pour ce type de bâtiment. En revanche, les jeux de données pour les bâtiments tertiaires sont rares. Donc, la disponibilité ouverte des datasets GreEn-ER, un bâtiment massivement surveillé par plus de 1500 capteurs, dont plus de 300 sont des compteurs électrique qui offre un champ d'expérimentation et d'extrapolation prometteur est également l'un des objectifs de cette thèse.Un premier pas vers la réduction de la consommation c’est la réalisation d’un audit énergétique. Cette évaluation permet de prendre conscience de la qualité des installations et de leur comportement quotidien et fournit des alternatives personnalisées et quantifiées pour réduire la consommation.La première phase d’un audit énergétique c’est la collecte des données, au cours de laquelle on identifie les systèmes à analyser, les habitudes des occupants et la collecte effective des données de consommation auprès du client a lieu. La phase suivante est celle de l'analyse et du traitement des données. Les données recueillies sont utilisées pour calculer l'efficacité de chaque système, aussi en visant trouver des possibilités de promouvoir la sobriété énergétique dans les installations. Enfin, dans la dernière phase on propose des solutions financièrement intéressantes pour réduire la consommation d'énergie. Ainsi, le développement de méthodes et modèles pour l'audit énergétique des bâtiments tertiaires est l'un des objectifs de cette thèse.Dans le contexte des audits énergétiques, la méthode NILM (Non Intrusive Load Monitoring) peut être utile pour améliorer les analyses. Habituellement, les campagnes de mesures chez les clients ont une durée limitée, typiquement quelques jours ou semaines. On peut dire même qu’un audit énergétique prend une photo des conditions des installations pendant la période de collecte des données. Donc, les données collectées peuvent ne pas représenter tous les modes de fonctionnement d’un système à analyser. En outre, même si des données historiques sont disponibles, il n'est pas habituel de mesurer la consommation des systèmes individuellement, alors que la consommation globale de l'installation oui. Dans ce contexte, la méthode NILM pourrait aider à reconstituer, à partir de la consommation globale, la consommation individualisée des systèmes pendant les modes de fonctionnement qui n'ont pas été surveillés pendant les campagnes de mesure et qui peuvent cacher grands potentiels de réduction de la consommation.Les données de consommation réelles présentent généralement des problèmes de qualité. Les problèmes de qualité des données que l'on peut trouver dans un dataset tel que celui de GreEn-ER sont multiples. Parmi les principales, on remarque le manque de complétude et la présence des ouliers. Le test et le développement de méthodologies pour la détection et éventuellement la correction des outliers dans les données de consommation d'énergie a été aussi adressé par cette thèse.