Espanhol (pdf)
Artigo em XML
Referências do artigo
Tradução automática
Enviar este artigo por email
Citado por SciELO 
Citado por Google 
Similares em
SciELO 
Similares em Google 
Permalink
1. INTRODUCCIÓN
En 2021, los edificios y los sectores de construcción de edificios combinados fueron responsables de cerca del 30 % del consumo de energía final global y del 27 % de las emisiones totales del sector energético [1]. Las principales tendencias mundiales de los edificios y la construcción entre 2015 y 2021 señalan que la intensidad de emisiones de CO2 producida por estos sectores disminuyó un 7 % y el consumo de energía un 0,7 %. Lo anterior, debido a la pandemia de COVID-19 que representó cambios en el sector de los edificios y la construcción en 2020 en temas de demanda de construcción, cierres de lugares de trabajo y desafíos de asequibilidad energética. A pesar de la disminución de estos porcentajes, el consumo y huella de carbono de las edificaciones aún es muy alto, en 2021 las actividades de construcción recuperaron sus niveles previos a la pandemia y la demanda de energía se intensificó con la apertura de puestos de trabajo [2].
Los problemas ambientales ocasionados por la gran cantidad de energía consumida en los edificios producen efectos adversos sobre la existencia de la humanidad y sobre el planeta [3]. Por lo tanto, el aumento global de la demanda de energía se ha vuelto de suma importancia para propietarios de edificios [4], comunidades científicas, industrias y gobiernos [5].
Según A. D. Pham et al. [6], los edificios deben ser energéticamente eficientes y sostenibles, pues contribuyen significativamente al consumo mundial de energía y a la emisión de gases de efecto invernadero. La eficiencia energética presenta beneficios ambientales y económicos. Los edificios con sistemas de energía y estrategias de gestión eficientes tienen costos operativos más bajos [7].
La predicción del consumo de energía de los edificios es una herramienta de gran ayuda para investigadores e ingenieros interesados en el comportamiento energético de las edificaciones. Predecir el uso de energía de los edificios es necesario para la planificación, gestión y conservación de la energía [8]. La predicción exacta y rápida del consumo de energía puede ayudar a lograr los objetivos de evaluar nuevas alternativas de diseño de edificios y optimizar los sistemas de energía [9], [10]. El desarrollo de un modelo de predicción de energía con alta exactitud se considera uno de los enfoques más efectivos para comprender la eficiencia energética de los edificios [11]. El conocimiento basado en los patrones de consumo de energía de años anteriores podría usarse para predecir el uso de energía de los edificios y hacer más eficiente el consumo de energía [4].
En los últimos años, las tendencias asociadas al cambio climático han permitido promover el desarrollo de diversas técnicas/estrategias para predecir el consumo energético y el confort térmico de los edificios [12]. La revisión de la literatura permitió reconocer cuatro enfoques de predicción, a saber: estadístico, basado en datos, de ingeniería e híbrido. La Figura 1 presenta estos enfoques con algunas técnicas específicas.
Los modelos de regresión estadística correlacionan el consumo de energía o el índice de energía con las variables influyentes. Estos modelos empíricos se desarrollan a partir de datos históricos, por lo que se debe garantizar una cantidad significativa de éstos para construir un modelo [13].
El enfoque de ingeniería, también denominado de caja blanca, se basa en el modelado físico de la edificación, por lo que requiere información detallada de fenómenos de construcción complejos [14] y depende de las reglas termodinámicas para el modelado y análisis de energía detallados. Algunos de los programas que utilizan modelos físicos son EnergyPlus, TRNSYS, eQuest, ESP-r, Dymola y DOE-2 [15].
Los modelos basados en datos, conocidos como de caja negra, se basan en datos históricos para deducir o caracterizar la relación oculta entre la salida (e.g., consumo de energía del edificio) y las variables de entrada (e.g., clima, características físicas del edificio, comportamiento de los ocupantes y horarios de uso de los equipos) utilizando métodos matemáticos. Se aprecia el creciente uso de estos modelos para predecir el consumo energético en edificaciones [8], lo cual se debe a la alta confiabilidad de los algoritmos de aprendizaje en la resolución de problemas complejos y no lineales [16] y al aumento de la información disponible sobre las edificaciones [17].
Los enfoques híbridos o modelos de caja gris combinan el enfoque de caja negra y el enfoque de caja blanca. Dado que es posible obtener datos sintéticos sobre el consumo energético a través de software [10], [18], se puede utilizar un modelo físico simplificado y datos de fácil acceso para simular la demanda de energía del edificio, combinando así las ventajas de estos dos enfoques [9]. También se pueden clasificar dentro de este grupo las técnicas que usan modelos estadísticos y aprendizaje automático para mejorar la exactitud de la predicción [19]-[23]. El enfoque basado en datos aprende y mejora a partir de la experiencia adquirida en la etapa de entrenamiento, es capaz de resolver problemas no lineales y está ubicado en el campo de la computación y la inteligencia artificial. El enfoque estadístico utiliza ecuaciones matemáticas para deducir relaciones (lineales) entre variables, por lo que recopila, organiza, analiza, interpreta y presenta datos y utiliza reglas para entrenarse. Aunque ambos enfoques utilizan la técnica de la regresión lineal usando la misma base teórica, note que el enfoque basado en datos absorbe la regresión estadística y busca mejorar su exactitud [24].Específicamente, la regresión lineal en Machine Learning (ML) busca adaptar los datos de entrada para cumplir con cuatro supuestos, a saber: relación lineal entre las variables, independencia entre la tendencia de los errores (no deben tener un patrón identificable entre ellos), normalidad o ajuste de datos y variación constante del error [25].
Existen gran cantidad de técnicas empleadas para predecir el consumo de energía en edificios; sin embargo, es difícil para los investigadores identificar las técnicas que se usan para predecir el consumo de energía en edificaciones y encontrar esa diferenciación con otras técnicas empleadas para otros fines o predicciones. También resulta tedioso decidir cuál sea la técnica a usar según el caso de estudio, los datos y herramientas disponibles, los conocimientos de los encargados de entrenar los modelos, etc. Tampoco es claro la manera en que se deben aplicar las técnicas, cómo deben ser sus etapas y qué se debe hacer para entrenar un buen modelo. En consecuencia, este artículo busca ayudar a superar esas dificultades teniendo como objetivo explicar los modelos que más se usan para cada enfoque de predicción, las métricas para evaluar el rendimiento de los modelos, las etapas de construcción, las fortalezas y debilidades y los criterios de selección de un enfoque en específico.
2. METODOLOGÍA
La literatura permite apreciar la existencia de cuatro enfoques de predicción de energía; sin embargo, es pertinente mencionar que la selección de una técnica específica según las características del caso es una tarea compleja [13], [14] Esto se debe al número de técnicas asociadas a cada enfoque, al no conocimiento de los principios teóricos, a la diversidad de métricas de evaluación y la carencia de criterios que ayuden a facilitar la selección. Es por esto que, este trabajo presenta una revisión de la literatura que permita facilitar la respuesta a estas inquietudes.
Para ello, se hace un análisis bibliométrico con el propósito de evaluar y analizar la producción académica y científica en el campo de la predicción del consumo de energía de edificaciones y seleccionar los artículos más importantes para ser leídos y estudiados. Esta revisión está basada en la búsqueda de artículos publicados en la base de datos SCOPUS donde se tuvo en cuenta editoriales como ELSEVIER, MDPI, IEEE y Springer, entre otras, con los siguientes términos: edificio, energía, consumo, basado en datos y predicción. Estos términos engloban todo el contexto que se quiere revisar en esta investigación. La ecuación de búsqueda usada es (ALL (building AND energy AND consumption) AND ALL (data-driven) AND TITLE-ABS-KEY (prediction) ). AND PUBYEAR > 2016 AND PUBYEAR < 2024 AND (LIMIT-TO ( OA , "all" ) ) AND ( LIMIT-TO ( DOCTYPE , "cp" ) OR LIMIT-TO ( DOCTYPE , "ar" ) ). El tipo de documento buscado fue artículo y conferencia, de acceso abierto para el intervalo de años 2017-2023.
SCOPUS suministró 1257 resultados; mientras VOSVIEWER permitió ahondar en el análisis bibliométrico de los resultados, el cual puede suministrar mapas de visualización de red, superposición y densidad y establecer la co-ocurrencia de las palabras claves, tal como muestra la Tabla 1.
Es posible definir 33 términos claves en cuatro grupos usando un número mínimo de ocurrencia de cada palabra de 58 de un total de 8831 palabras claves. Además, la Figura 2 presenta la relación entre las palabras claves.
3. RESULTADOS Y DISCUSIÓN
En algunas investigaciones clasifican los enfoques de predicción de energía en tres, cuatro o más grupos. Por ejemplo, Deb et al. [7] menciona que los enfoques se dividen en simulación por computadora, estadísticos y aprendizaje automático e híbridos. Chen et al. [9] y Gassar et al. [15] los clasifican en tres grupos: modelos de energía físicos, basados en datos utilizando aprendizaje automático y modelos híbridos. En este estudio se decidió abordar los cuatro enfoques encontrados en la literatura, lo cual permita considerar la mayor cantidad de técnicas mencionadas en la literatura. A continuación, se presentan algunas técnicas de predicción por enfoque que fueron seleccionadas de acuerdo con la revisión de literatura realizada.
3.1 Enfoque estadístico
El método de predicción estadístico es un subcampo de la matemática que trata de encontrar relaciones entre variables para predecir un resultado. Usa ecuaciones matemáticas para crear cada una de estas relaciones. Para el campo de la predicción del consumo de energía, este enfoque de predicción se basa en relacionar el consumo de energía con las diversas variables que inciden en tal consumo. Estos métodos utilizan análisis de series temporales (datos medidos de una variable con un estampado de tiempo) con cierta resolución temporal (e.g., cada 15 minutos) para predecir valores futuros [19].
La Tabla 2 muestra artículos de la literatura que usan técnicas estadísticas para predecir el consumo de energía, siendo las más usadas ARIMA, SARIMA y SARIMAX con una representatividad del 46,7 %, 20 % y 20 %, respectivamente.
Tal representatividad fue calculada tomando el número de artículos donde se utilizó la técnica y dividiendo por el total de artículos. Las métricas de rendimiento más usadas son RMSE y MAPE con un 53,3 %. El 35,71 % de los estudios corresponden a edificios comerciales. Para todas las investigaciones, los datos recolectados fueron obtenidos por medición. El 26,7 % de los estudios identificados utilizaron el software MATLAB para el entrenamiento de los modelos. Las etapas generales de construcción de los modelos estadísticos son las presentadas en la Figura 3.
3.1.1 Regresión Lineal Múltiple
El consumo de energía depende de actividades específicas de los ocupantes (como la diferencia entre días festivos y días laborales), condiciones climáticas y eventos inesperados, entre otras. Suponiendo que la variable dependiente y varía con los 𝑚 grupos de datos de observación y las n variables observadas (Y k ,X k1 ,X k2 ,…,X kn ) k=1,2,…,m, se puede modelar como muestra (1), donde β 0 ,β 1 ,β 2 ,…,β n son los coeficientes de la regresión, e son los residuos de la regresión, X 1 ,X 2 ,…,X n son los factores que afectan la variable dependiente 𝑦 [26].
Los coeficientes 𝛽 𝑖 se pueden calcular utilizando el método de mínimos cuadrados, entonces 
son las estimaciones de mínimos cuadrados de β
0
,β
1
,β
2
,…,β
n
, el valor de 𝑦 puede ser observado en (2):
Donde e
k
es el valor estimado del residual e y es igual a 
, donde 
es el valor estimado de y
k
, entonces se puede obtener una relación como se muestra en (3):
β
0
,β
1
,β
2
,…,β
n
deben hacer que P cumpla con el mínimo, que son los cuadrados de desviación de los valores observados y
k
, y los valores de regresión, entonces P se define en (4):
Como P es una cuadrática no negativa de
, el valor mínimo debe existir, entonces deben satisfacer las ecuaciones en (5):
Sustituyendo (3) en (5), se obtiene (6):
La matriz de coeficientes de las ecuaciones normales es una ecuación simétrica presentada en (7):
Entonces (6) puede ser escrita en la forma de matriz 
En caso de que la matriz de coeficientes A sea de rango completo, resolviendo la ecuación matricial anterior el valor estimado de 
se puede obtener como en (8):
3.1.2 Media móvil integrada autorregresiva (ARIMA)
ARIMA es un modelo básico y general de técnicas de pronóstico de series de tiempo. Transforman la serie temporal en estacionaria mediante el proceso de diferenciación. Una serie temporal es estacionaria si sus propiedades estadísticas son todas constantes en el tiempo. En (9) se muestra la técnica ARIMA para una serie de tiempo como una función lineal donde la entrada consta de retraso de la variable dependiente junto con retrasos del error de pronóstico, donde w es la suma ponderada de uno o más valores pasados de y, c es una constante y e es la suma ponderada de uno o más valores pasados del error del pronóstico [7].
Los términos de retraso de la serie de tiempo estacionaria se denominan “autorregresivos”, mientras que los retrasos de los términos de error pronosticados se denominan “promedio móvil”. Estos modelos se denotan como ARIMA (p, d, q), donde p representa el orden de la parte autorregresiva, d denota el grado de la primera diferencia involucrada y q representa el orden de la parte media móvil. La parte autorregresiva del modelo con orden p es representada por (10). El modelo de promedio móvil de orden q se presenta en (11), donde Y t es la salida de una serie de tiempo como datos de consumo de electricidad y e t es la serie de error [7]. En (12) se muestra la combinación de las dos anteriores.
3.1.3 Modelos de promedio móvil integrado autorregresivo estacional (SARIMA)
SARIMA se usa para analizar y pronosticar datos de series temporales que se ocupan especialmente de los efectos estacionales. Está compuesta por tres componentes: autorregresión, media integrada y móvil. La autorregresión significa la relación de dependencia entre una observación y observaciones previas. También está integrada la diferenciación de observaciones sin procesar para hacer que la serie temporal sea estacionaria. El promedio móvil identifica la dependencia entre una observación y un error residual de un modelo de promedio móvil aplicado a observaciones retrasadas.
SARIMA generaliza los modelos de la familia ARIMA, teniendo la misma estructura con nuevos términos estacionales [19], tales como P (retrasos de la serie estacionaria), D (diferenciación estacional), Q (promedio móvil estacional) y s (longitud estacional en los datos), por lo que estos modelos se denotan como SARIMA(p,d,q)(P,D,Q)s.
La Figura 4 muestra los programas utilizados en las investigaciones de enfoque estadístico según el año de publicación.
3.2 Enfoque de ingeniería
El enfoque ingeniería, también llamado de caja blanca o físico, se basa en ecuaciones de balance de masa y calor que presentan el comportamiento térmico dinámico de una edificación. El análisis del balance de calor considera tres modelos de transferencia de calor (conducción, convección y radiación) entre la envolvente del edificio y sus alrededores. Por ello, comprender las características físicas generales de los edificios es importante para utilizar estas herramientas de simulación de edificios; por lo que, se requiere información detallada de la envolvente del edificio, configuración de los sistemas de calefacción, ventilación y aire acondicionado (HVAC), ganancias de calor internas, equipos, horarios de ocupación de espacios interiores y de uso de equipo, zonas térmicas, ubicación y datos meteorológicos, entre otros [9]. La Figura 5 presenta el proceso de creación del modelado y de simulación del comportamiento energético de edificaciones.
Fuente: imágenes tomadas de repositorio de imágenes de uso libre.
Figura 5 Esquema general del modelado de simulación energética
Generalmente, los modelos de simulación por computadora son usados para el diseño de nuevas edificaciones, ya que una vez está en operación el edificio se hace complejo monitorizar las condiciones climáticas, el horario de ocupación y las interacciones complejas de los sistemas HVAC e iluminación, lo cual dificulta la estimación del consumo de energía [7], [19]. La Tabla 3 relaciona algunas de las herramientas software más utilizadas para la predicción del consumo de energía en edificaciones.
La Tabla 4 muestra los artículos en los que se hizo uso de herramientas de simulación de energía de edificaciones. Los edificios residenciales son de gran interés en este enfoque, tuvieron una representatividad del 55,5 %, EnergyPlus y DesignBuilder son los programas más utilizados con un porcentaje de 27,8 % y 16,7 % respectivamente. El error relativo es la métrica de evaluación que se usa con mayor frecuencia. El enfoque de simulación se usa en mayor medida para calcular el consumo energético de las edificaciones, ya que se predijo para el 66,67 % de las investigaciones estudiadas.
Otra herramienta de simulación es el software DesignBuilder basado en EnergyPlus. Este programa permite estimar energía, emisiones de CO2, iluminación y confort. Facilita el proceso de simulación de edificios tridimensionales, sus diseños y rendimiento energético. Es utilizado por arquitectos, ingenieros, trabajadores de la construcción y consultores de energía.
3.3 Enfoque de datos
El enfoque basado en datos está dentro del campo de la computación y la inteligencia artificial. Se denomina Machine Learning (ML) y se centra en el uso de datos y algoritmos para imitar la forma en que los humanos aprenden, mejorando gradualmente la exactitud.
Mediante el uso de métodos estadísticos, los algoritmos se entrenan para hacer clasificaciones o predicciones y descubrir información clave en proyectos de minería de datos. No requieren la construcción de ecuaciones de balance térmico; por lo tanto, se necesita menos o ninguna información física del edificio. Se basan en datos históricos para reducir la relación oculta entre la salida y las variables de entrada utilizando métodos matemáticos [9].
ML se divide en 4 subgrupos: aprendizaje supervisado, aprendizaje no supervisado, aprendizaje por refuerzo y Deep Learning (DL). El aprendizaje supervisado se caracteriza por utilizar datos etiquetados (categorizados); el aprendizaje no supervisado usa gran cantidad de datos sin etiquetar que luego agrupa y asocia según colores, tamaños, formas y diferencias; el aprendizaje por refuerzo se retroalimenta de la experimentación con los datos y conduce al usuario hacia el mejor resultado, aprende a través de la prueba y el error.
DL utiliza arquitecturas profundas o multicapa, lo cual mejora la capacidad de clasificar, reconocer, detectar, describir y entender. La arquitectura puede tener cinco o más capas y presenta algoritmos más eficientes que pueden aumentar aún más la exactitud [60]. Uno de los usos del DL es la clasificación de imágenes, reconocimiento del habla, detección de objetos y descripción de contenido. Sin embargo, demanda un alto costo computacional debido a la naturaleza iterativa de los algoritmos, aumento de la complejidad conforme incrementa el número de capas y grandes volúmenes de datos necesarios para el entrenamiento.
En la Tabla 5 se puede apreciar un resumen de las investigaciones encontradas y revisadas sobre el enfoque basado en datos. Estos modelos de aprendizaje automático se utilizan mayormente para hacer predicciones en edificios residenciales y comerciales. El 44 % de los artículos utilizaron Python para entrenar las técnicas, EE. UU. es el país que más utiliza estos modelos en sus investigaciones, existen gran variedad de técnicas en las que se destaca SVR, ANN y DNN. El 72,2 % de las investigaciones utilizó datos medidos en lugar de datos simulados. También hay gran cantidad de métricas de evaluación, siendo MAE, RMSE y R2 las más usadas.
Tabla 5 Clasificación de literatura encontrada para enfoque basado en datos
Fuente: elaboración propia.
3.3.1 Regresión lineal
El método de regresión lineal relaciona variables y ofrece algunas ventajas, como la facilidad de uso y la interpretabilidad. El modelo de regresión lineal es definido en (13), donde 
es el valor predicho, β
0
y β
1
son los coeficientes de regresión y X son los datos observados. La relación entre la variable medida y la variable de respuesta no sugiere necesariamente causalidad, sino que existe una correlación significativa entre las dos variables [60].
Esta regresión lineal se diferencia de la regresión lineal del enfoque estadístico en los datos. Los datos de esta regresión requieren de un tratamiento para cumplir con características como relación lineal entre las variables, tendencia de los errores independiente, normalidad y variación constante del error. Está técnica se clasifica en tres tipos: regresión lineal simple, regresión lineal múltiple y regresión lineal multivariable [61].
3.3.2 Redes neuronales artificiales (ANN)
El principio de ANN se basa en la forma en que los sistemas nerviosos biológicos procesan la información. Consiste en las tres partes mostradas por la Figura 6: (i) primera capa (de entrada), que acomoda todas las variables de entrada del modelo, (ii) la capa final, con cada neurona representando una salida diferente del modelo y (iii) la(s) capa(s) oculta(s), donde los datos proporcionados por la capa de entrada son analizados por un número variable de neuronas en busca de un patrón en la relación entre las distintas variables de entrada y el objetivo.
El patrón se traduce en pesos y sesgos dados a la conexión entre cada neurona y la neurona en la capa anterior. Los pesos muestran la fuerza de cada conexión; mientras los sesgos son un factor agregado a los pesos para imponer compensaciones y aproximar los valores de las series de tiempo pronosticadas a los reales. Dada la flexibilidad de los modelos ANN, se pueden configurar para una sola salida o múltiples salidas [72]. En general, es utilizada como una única técnica o dentro de un conjunto de técnicas donde se evalúa su exactitud. Se pueden identificar cinco tipos de redes neuronales usadas para predecir el consumo energético: perceptrón multicapa (MLP), redes neuronales recurrentes profundas (DRNN), redes neuronales profundas (DNN), red neuronal Elman (ENN) y memoria a largo y corto plazo (LSTM).
MLP es un tipo de red neuronal profunda que utiliza propagación hacia adelante con una capa oculta donde se aprenden las características latentes y abstractas [11]. Está conformado por varios perceptrones simples o redes de una sola capa. Trata de imitar el comportamiento de una red neuronal biológica más grande. Cuenta con la capa de entrada, la capa de salida de la red y las capas ocultas de la red. Una red neuronal de avance de dos capas fue usada por Olu-Ajayi et al. [11] para predecir el consumo energético anual en la etapa de diseño de 4500 edificios. Este algoritmo tuvo una precisión de 0,58 y una puntuación F1 de 0,52.
Las DRNN modelan dependencias temporales presentes en los datos de series temporales mediante el uso de conexiones de retroalimentación para recordar los valores en pasos de tiempo anteriores. Las dependencias de la salida de tiempo anteriores utilizan el algoritmo de propagación hacia atrás a través del tiempo [63].
Este tipo red neuronal fue usado por Mawson et al. [67] para predecir el consumo hora a hora del sistema HVAC de una edificación industrial ubicada en Reino Unido con una exactitud de 96,8 %. Rahman et al. [63] usaron DRNN para predecir valores de consumo de electricidad con una resolución de una hora en un periodo de tiempo de mediano a largo plazo para dos casos: predicción del consumo de energía eléctrica en un edificio de seguridad pública durante un período de 83 días y predicción del consumo total de electricidad en edificios residenciales en un horizonte de tiempo de un año.
ENN generalmente tiene dos capas, la capa oculta tiene una realimentación desde su salida a su entrada. La realimentación permite a la red aprender a reconocer y generar patrones temporales o variantes en el tiempo. El retardo de la conexión almacena valores del instante de tiempo anterior, que pueden ser utilizados en el instante actual. Ruiz et al. [69] aplicaron este tipo de red neuronal para predecir el consumo de energía de 25 edificios educativos ubicados en España, fue el modelo más preciso y estable en comparación con árboles de regresión y máquinas de vectores de soporte.
LSTM contiene celdas que constan de una puerta de entrada, una puerta de salida y una puerta de olvido, que almacena y transmite datos desde la celda. La puerta de olvido es el proceso de decidir si descartar datos pasados, la puerta de entrada determina si almacenar la información actual y la puerta de salida es el proceso de decidir qué valor de salida generar. Este tipo de red neuronal es adecuada para modelos de predicción basado en el análisis de series temporales. Este algoritmo fue utilizado por Hwang et al. [20] junto con otras técnicas de aprendizaje automático para predecir el consumo de 28 edificaciones comerciales basados en información de edificios e instalaciones mediante un enfoque de dos pasos: recopilación y procesamiento previo de datos y desarrollo del modelo de predicción. La Tabla 6 presenta las características principales de las redes neuronales artificiales utilizadas en la predicción del consumo de energía en edificaciones.
Existen tres tipos de aprendizaje automático. En el aprendizaje supervisado las máquinas se programan con conjuntos de datos de entrenamiento que aseguran que la salida sea de cierto valor o calidad, se divide en dos categorías: clasificación y regresión. En el aprendizaje no supervisado se inicia con un algoritmo y un conjunto de datos, pero la máquina debe descubrir su propio significado en los datos que le proporciona, los algoritmos de este tipo de aprendizaje se clasifican en agrupamiento y asociación [73]. El aprendizaje por refuerzo toma decisiones y va aprendiendo de su experiencia con los datos [74].
Las redes neuronales no recurrentes son aquellas en las que el flujo de información va en una sola dirección, no existe realimentación y carecen de memoria. Las redes neuronales recurrentes poseen realimentación entre neuronas de una misma capa o de diferentes capas, lo anterior permite que posean memoria [63].
3.3.3 Máquinas de soporte vectorial (SVM)
SVM es un algoritmo de aprendizaje robusto para resolver problemas no lineales y se puede utilizar tanto para la regresión como para la clasificación. SVM permite encontrar un hiperplano óptimo que separe las clases con un margen máximo. Si la SVM se ejercita para predecir una serie de tiempo o números reales, se denomina regresión de vectores de soporte (SVR). SVR utiliza los mismos principios que SVM. La Figura 7 se muestra un esquema general de este tipo de algoritmo.
Para cada vector de parámetros de entrada (X) y su vector de salida correspondiente (Y), SVR relaciona las entradas y salidas usando (14), donde W representa el vector de peso y b representa el sesgo que depende de la función de Kernel seleccionada La función de Kernel cuantifica la similitud de dos observaciones [70].
3.3.4 Árboles de decisión
Utiliza una estructura de árbol similar a un diagrama de flujo para segregar un conjunto de datos en varias clases predefinidas, proporcionando así la descripción, categorización y generalización de conjuntos de datos dados. Como modelo lógico, el árbol de decisiones muestra cómo se puede predecir el valor de una variable de destino utilizando los valores de un conjunto de variables predictoras. Para ello, el proceso de entrenamiento se divide en dos etapas: (i) división sucesiva del espacio de los predictores en regiones (e.g., minimización de la raíz de la suma residual) y (ii) predicción de la variable respuesta en cada región establecida. La popularidad del método del árbol de decisión se atribuye principalmente a su facilidad de uso y su capacidad para generar modelos predictivos con estructuras comprensibles e interpretables que, en consecuencia, brindan información clara y útil sobre los dominios correspondientes [75]. Este algoritmo fue utilizado por Ramos et al. [76] para evaluar cuál algoritmo era el más adecuado para predecir el consumo de un edificio entre redes neuronales artificiales. La Figura 8 presenta el esquema
3.3.5 Aumento de gradiente (GB)
Este método utiliza un conjunto de modelos débiles que en conjunto forman un modelo más fuerte. El modelo final es una función que recibe un vector de atributos x ∈ Rn como entrada para identificar un valor F(X) ∈ R. Además, una de las razones para utilizar GB se basa en la reputación anterior de métodos de conjunto que superan a otros métodos de aprendizaje automático. Por lo general, se reconocen como los regresores o clasificadores que producen los mejores resultados listos para usar [60].
3.3.6 Árbol aleatorio de regresión (RFR)
Es una técnica de conjunto que ofrece varias características beneficiosas, tales como: (i) se basa en la teoría del aprendizaje por conjuntos, lo que le permite aprender tanto problemas simples como complejos; (ii) no exige muchos ajustes de hiperparámetros para lograr un buen rendimiento en comparación con otros algoritmos de ML (e.g., ANN y SVM) y (iii) sus parámetros predeterminados a menudo producen un rendimiento excelente. Por lo tanto, RFR está ganando más atención en el campo del consumo de energía en edificios [60].
Con base en lo mostrado en la Tabla 6, se puede apreciar el uso del software utilizado para entrenar las técnicas de aprendizaje automático. La Figura 9 muestra que el software Python es el más utilizado para entrenar las técnicas de predicción basadas en datos. Matlab, Azure Synapse Analytics, WEKA, VIMOEN y NeuroSolutions son programas que también se usan para el entrenamiento de los algoritmos.
3.4 Enfoque híbrido
El enfoque híbrido combina dos de los enfoques mencionados, enfoque estadístico & ML o simulación simplificada & ML, lo cual permite mitigar las desventajas que presenta un enfoque; por ejemplo, el tiempo de predicción empleado en simulación se puede reducir utilizando simulación simplificada y aprendizaje automático. También, este enfoque se ha usado para compensar la incapacidad de los modelos SARIMA para tratar con exactitud los componentes no lineales de los datos de predicción de energía de edificios, se combina el modelo estadístico SARIMA y las máquinas de soporte vectorial (SVM) [19]. Otro ejemplo, propone un enfoque de dos pasos basado en estadísticas y ML, para desarrollar un modelo de predicción de consumo de electricidad de alta exactitud superando limitaciones de información insuficiente [20]. Mui et. al [77] proponen un enfoque de simulación hibrido (EnergyPlus y ANN) que se puede aplicar a diversos tipos de edificios para estimar el consumo anual de energía de refrigeración. Utiliza el software EnergyPlus para realizar el modelado de los edificios, luego a través de Matlab y Python se gestionan los datos de energía (entregados por EnergyPlus) y se entrenan las redes neuronales artificiales. La Tabla 7 muestra los hallazgos encontrados en los artículos que usaron enfoque híbrido; por ejemplo, los edificios que más se usan para estudiar su comportamiento energético fueron los comerciales y los educativos, la combinación de técnicas estadísticas con técnicas de aprendizaje automático tiene una representatividad del 58,3 % mientras que en los artículos que usaron simulación y aprendizaje automático la representatividad fue del 47,7 %.
La Figura 10 hace un resumen de los tipos de edificaciones estudiadas por enfoque y el porcentaje de tipo de edificación estudiada a nivel global.
4. MÉTRICAS DE EVALUACIÓN DE DESEMPEÑO
Algunas de las métricas usadas para evaluar el desempeño de las técnicas de predicción del consumo energético de las edificaciones son las mostradas en la Tabla 8.
La Figura 11 muestra un resumen de los hallazgos más importantes en cuanto a estos indicadores de rendimiento; por ejemplo, las técnicas que se emplean con mayor frecuencia son RMSE, MAPE, MAE y R2. El MAPE estuvo en un rango de [0,05 %-18,95 %], CVRMSE: [0,02 % -30 %], RE: [0,5 %-17,04 %] y NMBE: [0,2 % -7,7 %]. La mediana de R2 y R fue 0,903 y 0,885, respectivamente.
MSE es la medida de la variación cuadrática entre los valores estimados y los valores reales. Es una evaluación de la calidad de un predictor. R2 representa la proporción predecible de la varianza en la variable dependiente que puede ser expuesta por la(s) variable(s). MAE es la diferencia promedio entre las variables esperadas y reales. MAPE es la medida promedio de los errores absolutos de los pronósticos. RMSE es la desviación estándar de los errores de predicción. El error relativo es el cociente entre el error absoluto y el valor real. El coeficiente de correlación R es un valor entre -1 y 1, mide la fuerza y la dirección de la relación lineal entre dos variables, para valores cercanos a 0 la relación lineal es débil, los valores de R igual a 1 y -1 expresan una relación lineal perfecta positiva o negativa, respectivamente. El CV-RMSE es una métrica que indica inestabilidad en la relación observada entre variables en el período de referencia. La N_MBE es una normalización del índice MBE que se utiliza para escalar los resultados haciéndolos comparables.
5. FORTALEZAS Y DEBILIDADES DE LAS TÉCNICAS DE PREDICCIÓN
Los enfoques de predicción utilizados para predecir el consumo de energía en edificaciones presentan algunas ventajas y desventajas. La Tabla 9 muestra las fortalezas y debilidades de cada enfoque. Los datos requeridos por el enfoque estadístico son datos históricos de tipo series temporales, pues necesita datos medidos en intervalos de tiempo secuenciales [32].
Los modelos basados en datos pueden utilizar series temporales, pero no son tan importantes como en el caso del enfoque estadístico, los datos históricos si son relevantes en este enfoque [17]. El enfoque de simulación solo necesita parámetros físicos (de construcción detallada), datos medioambientales y datos de cargas eléctricas. Los datos de la estructura de los edificios se obtienen de los planos de planta y planos eléctricos de las edificaciones [58]. Para el caso del modelo híbrido depende del modelo que se decida utilizar; en ambos casos se requiere de datos históricos, pues en los dos grupos en los que está dividido este enfoque se entrenan técnicas de aprendizaje automático [78]. Los datos meteorológicos se tienen en cuenta en los cuatro enfoques de predicción debido a que el clima afecta en gran medida el consumo energético en los edificios por el uso del aire acondicionado o los sistemas de calefacción. Los datos por lo general son recolectados por sensores, medidores de energía y estaciones meteorológicas.
La Tabla 10 analiza los enfoques de predicción a partir de diez criterios que favorecen el proceso de selección a investigadores
6. CONCLUSIONES
Este artículo es una revisión de investigaciones recientes sobre la predicción del consumo energético en edificaciones. Fue posible identificar cuatro enfoques de predicción: estadístico, ingeniería, basado en datos e híbrido. La técnica más utilizada en el enfoque estadístico es ARIMA con una representatividad de 46,7 % del total de las investigaciones estudiadas en este grupo, de segunda posición están SARIMA y SARIMAX con un 20 %. Matlab es uno de los programas utilizados para ensayar estas técnicas, 26,7 % de los artículos usaron este programa. Por otra parte, existe gran variedad de programas de simulación de energía los cuales se diferencian por sus características técnicas y tipo de modelado. Design Builder y EnergyPlus son programas bastante utilizados para evaluar el comportamiento energético de las edificaciones; note que para este enfoque se requiere de personal altamente capacitado y tiene costos computacionales altos. El enfoque de caja negra o basado en datos es el que se usa con mayor frecuencia en la literatura; se encontraron un promedio de 25 técnicas (es el enfoque que mayor número de técnicas emplea) en 18 artículos estudiados, siendo EE. UU. el país que más investigaciones realiza utilizando este enfoque. Es posible comprobar que el uso del enfoque híbrido mejora significativamente la exactitud de las predicciones como, por ejemplo, el modelo híbrido JP-MLR muestra un R2 de 0,9577 y los algoritmos separados JPR y MLR tienen un R2 de 0,8766 y 0,7098 [78]. El enfoque estadístico en conjunto con el aprendizaje automático tuvo una representatividad del 58,3 % y para el enfoque de simulación simplificada y ML fue de 41,7 %. Lo más destacado de estas técnicas es que permiten superar las desventajas presentadas por las técnicas y a través del trabajo en conjunto obtener buenos resultados.
En cuanto al tipo de información a procesar, se recomienda utilizar el enfoque basado en datos o estadístico si se tienen disponibles suficiente cantidad de datos históricos; si, por el contrario, sólo se tienen datos físicos de las edificaciones y ambientales el enfoque de ingeniería es el indicado para la predicción. Para el enfoque híbrido, depende de los criterios mencionados en conjunto con otros criterios, por ejemplo, si se dispone de datos históricos y se desea compensar la incapacidad de los modelos estadísticos de tratar con los componentes no lineales de los datos, se puede usar el enfoque estadístico & ML; pero si se tiene solo datos de construcción de las edificaciones, puede obtener datos de simulación simplificada y mejorar el modelo con técnicas de ML.
La exactitud de las técnicas de predicción puede ser evaluada a través de indicadores de rendimiento; según la Figura 11 a), a nivel general los más utilizados son RMSE y MAPE. Los tipos de edificaciones que más se estudian son residenciales (34 %), comerciales (24 %) y educativas (24 %).
Cada enfoque posee unas debilidades y unas fortalezas identificadas en este artículo que permitieron proponer un listado de diez criterios para la escogencia de una técnica de predicción. Estos criterios se basan en los recursos, habilidades e información disponible en la investigación. Se sugiere aplicar una o varias de las técnicas mencionadas en esta investigación para predecir el consumo energético de edificaciones y hacer uso de las métricas de rendimiento para evaluar la exactitud de las predicciones.
Esta investigación, a diferencia de otras revisiones, clasifica los enfoques en cuatro grupos, abordando la mayor cantidad de técnicas usadas para predecir el consumo de energía en edificios. Las revisiones encontradas muestran que unas dividen en tres enfoques y mezclan el enfoque estadístico con el aprendizaje automático; mientras, otras dejan por fuera los métodos estadísticos.
Este artículo puede ser de utilidad (i) para el sector académico porque puede servir como guía para investigadores que estén interesados en seleccionar y aplicar técnicas de predicción de energía de manera rápida y sencilla, (ii) para el sector de la construcción porque permite promover el uso de nuevas técnicas rápidas y exactas para la construcción de proyectos verdes o con estándares de eficiencia energética, (iii) para el sector gubernamental porque puede ayudar a motivar a los ciudadanos a gestionar el consumo de energía en los edificios donde realizan sus actividades y (iv) para el sector de la construcción podría incentivar a las empresas constructoras por medio de beneficios tributarios a construir proyectos verdes u otorgar becas a investigadores o instituciones educativas para que sigan profundizando en esta temática, lo anterior con el fin de apoyar la transición energética en el país.
