Predicción de consumo eléctrico de un edificio no residencial con Machine- Learning

Abstract

Dado que las personas pasan gran parte del tiempo en edificios, es necesario diseñar ambientesinteriores que les garanticen salud, bienestar y productividad. Esto podría lograrse a expensas dela energía consumida por los sistemas de calefacción, ventilación y aire acondicionado, querepresentan hasta el 56% del consumo total de los edificios. Para reducir este consumo, estrategiascomo precooling o preheating podrían resultar beneficiosas, siempre que se cuente coninformación anticipada sobre el comportamiento energético del edificio. En este trabajo, seaplicaron técnicas de machine learning para abordar el rellenado de vacíos en series de datos y lapredicción de consumo eléctrico del edificio del Rectorado de la Universidad Nacional de Salta. Seutilizaron datos meteorológicos de estaciones propias, del Servicio Meteorológico Nacional y datossatelitales. Mediante redes neuronales, se rellenaron datos faltantes en las series de temperaturay radiación solar, y se entrenaron 16 modelos, basados en Deep Learning, para predecir el consumoeléctrico a diferentes temporalidades. Se evaluó el rendimiento, el horizonte de predicción y elcosto computacional. Los resultados obtenidos muestran una buena capacidad predictiva delmodelo seleccionado, con un valor de correlación superior a 0.95 para predicciones a 15 minutos yde 0.75 para predicciones a 6 horas.Given that people spend a significant portion of their time in buildings, it is essential to design indoor environments that promote their health, well-being, and productivity. This could be achieved at the expense of the energy consumed by heating, ventilation, and air conditioning systems, which account for up to 56% of total building energy consumption. To reduce this consumption, strategies such as precooling or preheating could be beneficial, provided there is advanced information on the building’s energy performance. In this work, machine learning techniques were applied to address gap filling in data series and predict electricity consumption at the Rector’s Office building of the National University of Salta. Meteorological data from own stations, the National Meteorological Service, and satellite data were used. Using neural networks, missing data in the temperature and solar radiation series were filled, and sixteen models based on deep learning were trained to predict electricity consumption at different time periods. Performance, prediction horizon, and computational cost were evaluated. The results obtained demonstrate a good predictive capacity for the selected model, with correlation values greater than 0.95 for 15-minute predictions and 0.75 for 6-hour predictions.