A lo largo del curso 2019/2020 tuve la suerte de colaborar en el Trabajo de Fin de Master de Markel Eguizabal. Markel era alumno de Ivan Flores, y conjuntamente le propusimos nuestro interés en que desarrollase modelos de predicción de cargas térmicas a corto plazo.
Este tipo de modelos es muy relevante cuando se pretende desarrollar son aproximaciones de optimización/control de energía en tiempo real. Teniendo una buena predicción, se puede evaluar mejor qué hacer a partir de ahí. En el entorno científico, a estas aplicaciones se las denomina “Model Predictive Control” o MPC y están siendo estudiadas para su uso en la edificación.
Con cierto retraso, presentamos recientemente su trabajo en la conferencia ICACER 2022, y se ha visto finalmente publicado en Energy Reports. Lo cual da muestra del interés de los resultados.
Markel modeló un edificio residencial en EnergyPlus y obtuvo la carga térmica de calefacción en base horaria. Buscábamos identificar la sensibilidad climática de la carga ante las condiciones exteriores, léase Temperatura Ambiental y Radiación Solar (Mikel Lumbreras concluyó en un trabajo previo que estas eran las variables relevantes). Y le pedimos que desarrollase modelos autoregresivos (ARX).
Modelo de simulación de edificio empleado como fuente de datos para la calibración del modelo.
Las grandes conclusiones que saco del trabajo para caracterizar cargas ante excitaciones ambientales exteriores son las siguientes:
- Se demuestra que para caracterizar el efecto transitorio de la variación de las condiciones exteriores en la carga térmica de un edificio es suficiente con considerar las condiciones ambientales en las 4 horas anteriores.
- Incluso, de las gráficas se puede llegar a pensar que, si los requisitos de precisión no son excesivos, se podrían obtener buenos resultados considerando sólo las 2 horas anteriores.
- En general, se obtienen muy buenos resultados, como se observan en las gráficas y en las métricas de calidad. Estas son del orden de 0.9X (R2) y 4% (MAE), lo cual es un resultado fantástico para modelos con tan pocos parámetros.
- En realidad, los errores de predicción detectados son bastante homogéneos a lo largo del año (en términos absolutos), lo cual es muy aceptable para los modelos en época invernal, pero puede resultar en desviaciones relativamente mayores en verano/época intermedia. Para estos períodos habría que desarrollar alternativas de modelado.
Visualización de la calidad de predicción del modelo a 1h. Estimación vs datos originales (izquierda) y Carga vs Temperatura (derecha), para todo el año.
Visualización de la calidad de predicción del modelo a 1h. Carga vs Temperatura (derecha), para el mes de enero.
Métricas de error del modelo ante distinto número de coeficientes de Temperatura (TX) y de Irradiancia Solar (IX) considerados.
Evidentemente hay una serie de matizaciones a realizar:
- Los datos sobre los que se ha caracterizado el modelo son sintéticos, debe evaluarse su validez sobre datos reales.
- Igualmente, el modelo sólo caracteriza las cargas de calefacción, lo cual conlleva la necesidad de desarrollare integrar modelos/perfiles de uso de sistemas de ACS, así como de métodos de desagregación de consumos.
- El modelo caracteriza las cargas ante solicitaciones externas. El efecto de solicitaciones y/o factores internos tales como la modificación de consignas, activación/desactivación de sistemas de climatización, variaciones en el uso del edificio… deberán caracterizarse mediante la ampliación del modelo y/o modelos auxiliares.
- Se caracteriza un edificio residencial, Para aplicaciones en edificios terciarios con mayores cargas de ventilación, deberá revisarse la necesidad de adaptar la aproximación.
- Se focalizó el estudio en períodos claros de calefacción. Para épocas intermedias y/o situaciones con cargas alternadas de frío/calor, deberán plantearse modelos alternativos.
En general, veo que este trabajo es un paso en la dirección correcta, y que permite fijar criterios base para desarrollar modelos más avanzados en el futuro. Una de las cosas que más me gusta es que en un mundo en el que se emplean modelos de datos que desarrollan lógicas complejas para resolver problemas relativamente simples, el modelo de Markel se basa en una definición física muy simplificada para formular un modelo con un número muy reducido de parámetros pero que funciona muy bien. La lógica básicamente sigue tres puntos:
- El edificio debe sentir la influencia de los agentes externos con cierta inercia (AR)
- Los agentes climáticos principales son la temperatura exterior y la radiación solar (X)
La verdad es que la capacidad de los modelos de datos está fuera de toda duda. Y creo que abren un abanico de posibilidades muy amplio. Pero sin desmerecer la capacidad que tienen los modelos de datos para cuadrar el comportamiento energético de los edificios, no creo que esto deba reemplazar los principios físicos básicos. Pero sí reconozco que, una vez establecido los modelos físicos de base, hay hueco para modelos más avanzados que sean capaces de caracterizar fenómenos complejos, generalmente del ámbito social. Tales como ¿Hay alguien en casa? ¿Está sólo o ha montado una fiesta? ¿…?
En suma, un gran trabajo, que permite avanzar un pequeño paso en el mundo de la caracterización térmico-energética de edificios. Fue un placer colaborar con Markel (e Iván) durante su Trabajo de Fin de Master. Y una auténtica pena que el COVID nos obligase a hacerlo de forma telemática.
El trabajo de fin de master de Markel Eguizabal no está disponible online, pero el paper del mismo está disponible online en la referencia que figura abajo:
Markel Eguizabal, Roberto Garay-Martinez, Iván Flores-Abascal, Simplified model for the short-term forecasting of heat loads in buildings, Energy Reports, Volume 8, Supplement 16, 2022, Pages 79-85, ISSN 2352-4847, https://doi.org/10.1016/j.egyr.2022.10.224