Socio: ENSMA y CNH2
Autores: Ladjel Bellatreche, Felix Garcia, Don Nguyen Pham, Pedro Quintero Jiménez
Accede ala publicacion aquí.
La reducción de las emisiones de carbono a la atmósfera se ha convertido en un tema de salud urgente. La energía en los edificios y su construcción representa más de 1/3 del consumo de energía global final y contribuye a casi 1/4 de las emisiones de gases de efecto invernadero en todo el mundo. Los sistemas de calefacción, ventilación y aire acondicionado (HVAC, por sus siglas en inglés) son los principales consumidores de energía y son responsables de aproximadamente el 18 % del uso total de energía en los edificios. Para reducir esta enorme cantidad de energía, las autoridades energéticas han impuesto el concepto Net-Zero Energy Building (nZEB). Recomiendan un uso masivo de la tecnología de energías renovables. Con la popularización de Smart Grid, los dispositivos de Internet de las cosas y Machine Learning (ML), surgieron un par de enfoques basados en datos para alcanzar este objetivo crucial. Al analizar estos enfoques, descubrimos que carecen de una metodología integral con un ciclo de vida bien identificado que favorezca la colaboración entre los actores nZEB. En este documento, compartimos nuestra visión para desarrollar sistemas de gestión de energía para nZEB como parte del programa IMPROVEMENT EU Interreg Sudoe. En primer lugar, proponemos una metodología integral (SONDER), asociada a un ciclo de vida bien identificado para el desarrollo de soluciones basadas en datos. En segundo lugar, se da una instanciación de esta metodología considerando un caso de estudio para la predicción del consumo energético del sistema de agua caliente sanitaria del Hospital Regional de La Axarquía, España que incluye tramos de gas y electricidad. Esta predicción se realiza utilizando cuatro técnicas de ML: regresión multivariada, XGBoost, Random Forest y ANN. Nuestros resultados obtenidos muestran la efectividad de SONDER al ofrecer una colaboración fluida entre los actores del proyecto y la eficiencia de predicción de ANN.
