Com o desenvolvimento de países subdesenvolvidos e a digitalização das sociedades, é esperado que o consumo de energia continue a apresentar um crescimento elevado nas próximas décadas. Existindo ainda um grande foco em fontes fósseis para a geração de energia, a implementação de políticas energéticas são cruciais para a mudança gradual para energias renováveis e consequente redução de emissões de CO2. Edifícios são atualmente o sector que mais energia consomem. De forma a contribuir para uma melhor eficiência no consumo de energia foi proposta uma framework, a aplicar em edifícios ou apartamentos, para possibilitar aos utilizadores ter um conhecimento do seu consumo de energia bem como a previsão desse mesmo consumo. Diferentes técnicas de análise de dados para séries temporais foram utilizadas para proporcionar informação ao utilizador sobre o seu consumo de energia bem como a validação de caraterísticas importantes dos dados, nomeadamente a verificação da estacionariedade e a existência da sazonalidade, que terão impacto no modelo de previsão. Para a definição dos modelos preditivos, foi feita uma revisão de literatura sobre modelos utilizados atualmente para previsão do consumo de energia e testados três modelos para os dois tipos de dados, univariados e multivariados. Para os dados univariados os modelos testados foram SARIMA, Holt-Winters e LSTM e para os dados multivariados SARIMA com variáveis exógenas, Support Vector Regression e LSTM. Após a primeira execução de cada modelo, foi feita uma otimização dos modelos para concluir na melhoria dos resultados previstos e na robustez dos modelos para posterior aplicação na framework.

With the development of underdeveloped countries and the digitization of societies, energy consumption is expected to continue to show high growth in the coming decades. While there is still a strong focus on fossil fuels for energy generation, the implementation of energy policies is crucial to gradually shift to renewable sources and the consequent reduction in CO2 emissions. Buildings are currently the sector that consumes the most energy. To contribute for a better energy consumption efficiency, it was proposed a framework, to be applied to buildings or households, to allow users to know their energy consumption and the possibility to forecast it. Different data analysis techniques for time series were used to provide information to the user about their energy consumption as well as to validate important data characteristics, namely stationarity and the existence of seasonality, which can have an impact in the forecasting models. For the definition of the forecasting models, state of the art was done to identify used models for energy consumption forecasting, and three models were tested for both types of data, univariate and multivariate. For the univariate data, the tested models were SARIMA, Holt-Winters and LSTM as for the multivariate data, SARIMA with exogenous variables, Support Vector Regression and LSTM. After the first execution of each model, hyperparameter tuning was done to conclude on the improvement of the results and the robustness of the models for later application to the framework.