Los edificios se construyen para ser usados. Para habitarlos, trabajar en ellos,… Con lo que parece que la forma en la que los usamos debería impactar en su consumo energético. O no.
Las personas, generamos calor, conectamos aparatos eléctricos, y activamos y/o modificamos la consigna del termostato. Con lo que el efecto es evidente. Esto es conocido, y siempre se suele indicar al usuario como una de las causas principales de las variaciones en el consumo, y de los errores de predicción de los modelos energéticos.
El problema suele radicar en que los usuarios son un vector de variación energética conocido, pero muy difícil de medir. No se suele saber cuánta gente hay en un edificio, dónde está, qué cosas está haciendo, ni sus patrones temporales. O al menos, no se pone esta información en manos de los gestores energéticos.
Acabo de leerme un artículo en el que los analistas sí disponían de información sobre los usuarios, y en el que se atrevieron a utilizar la información para mejorar las predicciones de consumo energético del edificio.
Contaban con la información de un sistema de monitorización de edificios en base horaria. Estos sistemas son cada vez más habituales, empiezan a tener conectividad e incluso están siendo integrados en plataformas de gestión de energía en la nube.
Los datos que muestran dejan ver que el consumo de energía está fundamentalmente asociado a consumos eléctricos (iluminación y cargas enchufadas) y a la refrigeración. También se ve que aunque la iluminación y las cargas enchufadas(en parte) están correlacionadas con la ocupación, las cargas de climatización no lo están de forma tan evidente. La carga total, sí que presenta cierta correlación, pero no excesiva. Se puede ver que también existe una correlación entre la ocupación y la hora del día. por los colores cálidos en la gráfica de cargas, y por el patrón horario de las cargas.
Exploratoria de consumo de energía contra las variables principales y los horarios de uso del edificio. FUENTE © 2010-2019 The Regents of the University of California, Lawrence Berkeley National Laboratory
Y vamos a las conclusiones principales: Aparentemente, de este estudio se podría inferir que la ocupación es importante,… pero no tanto. Al menos en su forma matemática. Y tiene su motivación.
En principio, la conclusión sorprende, pero yo lo asocio con 2 temas: El edificio y la formulación matemática empleada.
Se trata de un edificio de oficinas relativamente grande (~6000m2), en el que se dan usos homogéneos, aparentemente en el típico horario de 8 a 5. Esto hace que la variación de la señal de ocupación no tenga suficiente varianza como para ser un buen predictor para el trabajo matemático que hicieron.
Building 101 in the Navy Yard, Philadelphia, Pennsylvania, US.
La formulación matemática puede ser considerada relativamente avanzada para un trabajo de medida y verificación del consumo energético de un edificio. Pero quizá por eso mismo esté dando lugar a una conclusión algo equivocada. Los autores emplean además de la temperatura, la hora de la semana como predictor. Esto, en sí es una buena idea. De esta forma, la temperatura se utiliza para considerar el impacto de la climatología en las cargas térmicas, mientras que la hora de la semana permite acomodar las inercias del edificio (hasta cierto punto), los horarios de apertura y cierre, comida, días sin ocupación, patrones de consumo de equipos de uso repetitivo,…
El tema está en que los propios usuarios entran dentro de los efectos que se toman en consideración en esta categoría. Si los usuarios tienen siempre el mismo horario de oficina, y entran a las 8:25 de la mañana, su efecto puede ser detectado de dos formas:
- Mediante un descriptor específico (léase, variable de ocupación)
- Mediante su inclusión en el descriptor de “hora de la semana”, en el que el coeficiente asociado a las 8h de los días laborables sea distinto que el de su hora precedente.
Es decir, no existe una diferencia matemática relevante entre ambas aproximaciones.
Sí que es conveniente indicar que la variable de ocupación puede ser cada vez más relevante en entornos volátiles como los actuales. De hecho, se están instalando sensores que permiten controlar los aforos en cada vez más edificios. Tanto de oficinas como comerciales. Pero su uso debe estar encaminado a detectar efectos que no se puedan detectar mediante el uso de patrones semanales estándar, tales como:
- Eran rebajas y hacía mal tiempo y todos pensamos que era buen momento para comprar vaqueros
- Alguien organizó un campeonato de baloncesto infantil, y los familiares de 20 equipos infantiles llenaron la grada
- Hoy hubo una reunión muy grande en que los empleados de 5 sedes se congregaron en el edificio XXX de 11:00 a 15:00.
El trabajo en sí, está muy bien construido y se basa en datos de muy buena calidad. Como no podía ser de otra forma considerando el prestigio de los autores, su institución y la revista en la que está publicado. Recomiendo su lectura:
Xin Liang, Tianzhen Hong, Geoffrey Qiping Shen, Improving the accuracy of energy baseline models for commercial buildings with occupancy data, Applied Energy, Volume 179, 2016, Pages 247-260, ISSN 0306-2619, https://doi.org/10.1016/j.apenergy.2016.06.141.
(disponible en abierto desde el repositorio del LBNL: https://eta.lbl.gov/publications/improving-accuracy-energy-baseline)