Apesar da reconhecida importância conferida ao estudo microclimático em edifícios históricos para a correta conservação de suas coleções e objetos de relevância histórica e cultural, o conhecimento acerca de seu comportamento em climas temperados é ainda reduzido. Ao longo das últimas décadas surgiram diferentes especificações focadas nas necessidades higrotérmicas dos materiais. Nesse campo, a abordagem dinâmica, baseada no microclima histórico, gerou um amplo consenso entre os especialistas, como meio de alcançar intervalos sustentáveis de temperatura e umidade relativa. Este estudo visou classificar de forma clara o microclima interior de um edifício histórico em clima temperado – Igreja de São Cristóvão, em Lisboa –, com o objetivo de verificar a qualidade microclimática para a conservação dos materiais e validar possíveis alterações. Para tal, utilizou-se um sistema de monitoramento continuo entre novembro de 2011 e agosto de 2013, com registros a cada 10 min, utilizando-se diversos sensores de temperatura e umidade relativa. O microclima foi classificado de acordo com a especificação ASHRAE – Handbook HVAC Applications, Chapter 21: Museums, galleries, archives and libraries. Constatou-se elevada estabilidade climática natural, que não justifica a implementação de sistemas de climatização.

Despite the recognised importance of microclimatic studies in historic buildings for the proper conservation of their collections and of historically and culturally important objects, knowledge about their behaviour in temperate climates is still limited. The past decades have seen the emergence of different specifications focused on the hygrothermal needs of materials. A dynamic approach, based on historical microclimates, has generated consensus among experts as a means to achieve sustainable ranges of temperature and relative humidity. This study aimed to classify the interior microclimate of a historic building in a temperate climate – St. Christopher church, Lisbon –, in order to verify the quality of the microclimate for the proper conservation of materials and to evaluate possible changes. For this purpose, a continuous monitoring system was used between November 2011 and August 2013, with several sensors measuring temperature and relative humidity recording every 10 minutes. The microclimate was classified in accordance with an ASHRAE specification – Handbook HVAC Applications, Chapter 21: Museums, galleries, archives and libraries. The high natural climatic stability verified does not justify the implementation of HVAC systems.

Após 1991, a literatura sobre previsão de carga passou a ser dominada por propostas baseadas em modelos neurais. Entretanto, um empecilho na aplicação destes modelos reside na possibilidade do ajuste excessivo dos dados, i.e, overfitting. O excesso de não-linearidade disponibilizado pelos modelos neurais de previsão de carga, que depende da representação do espaço de entrada, vem sendo ajustado de maneira heurística. Modelos autônomos incluindo técnicas automáticas e acopladas para seleção de entradas e controle de complexidade dos modelos foram propostos recentemente para previsão de carga em curto prazo. Entretanto, estas técnicas necessitam da especificação do conjunto inicial de entradas que será processado pelo modelo visando determinar aquelas mais relevantes. Este trabalho explora a teoria do caos como ferramenta de análise não-linear de séries temporais na definição automática do conjunto de atrasos de uma dada série de carga a serem utilizados como entradas de modelos neurais autônomos. Neste trabalho, inferência Bayesiana aplicada a perceptrons de múltiplas camadas e máquinas de vetores relevantes são utilizadas no desenvolvimento de modelos neurais autônomos.

After 1991, the literature on load forecasting has been dominated by neural network based proposals. However, one major risk in using neural models is the possibility of excessive training, i.e., data overfitting. The extent of nonlinearity provided by neural network based load forecasters, which depends on the input space representation, has been adjusted using heuristic procedures. The empirical nature of these procedures makes their application cumbersome and time consuming. Autonomous modeling including automatic input selection and model complexity control has been proposed recently for short-term load forecasting. However, these techniques require the specification of an initial input set that will be processed by the model in order to select the most relevant variables. This paper explores chaos theory as a tool from non-linear time series analysis to automatic select the lags of the load series data that will be used by the neural models. In this paper, Bayesian inference applied to multi-layered perceptrons and relevance vector machines are used in the development of autonomous neural models.