Towards Energy Efficiency: Forecasting Indoor Temperature via Multivariate Analysis

Resumen Técnico: Hacia la eficiencia energética: Pronóstico de la temperatura interior mediante análisis multivariante

Planteamiento del problema
El artículo aborda el desafío de mejorar la eficiencia energética en edificios residenciales, centráéndose específicamente en los sistemas de Calefacción, Ventilación y Aire Acondicionado (HVAC), que constituyen una parte significativa del consumo de energía residencial (53,89% en la casa estudiada, el sistema SML). El problema central es la necesidad de predecir la temperatura interior con precisión para permitir un control proactivo del HVAC. Los autores señalan que mantener una temperatura es más eficiente energéticamente que calentarla o enfriarla desde un estado diferente debido a la inercia térmica. Por lo tanto, el pronóstico de las temperaturas interiores futuras permite que el sistema de automatización de la edificación se anticipe a las condiciones térmicas y ajuste las operaciones del HVAC (por ejemplo, activando una bomba de calor) para mantener el confort mientras se minimiza el uso de energía. El estudio se centra en la "casa de sistema Pequeño-Mediano-Grande" (SMLsystem), un prototipo alimentado por energía solar construido para la competencia Solar Decathlon Europe 2012.

Metodología
La investigación emplea un enfoque de pronóstico de series temporales multivariantes utilizando Redes Neuronales Artificiales (ANN) y las compara con métodos estadísticos estándar.

• Adquisición y preprocesamiento de datos: Los datos se recolectaron de la casa SMLsystem utilizando un marco de monitoreo basado en KNX con 88 sensores y 49 actuadores. Los datos brutos, muestreados en intervalos de 1 minuto, se submuestrearon a intervalos de 15 minutos mediante el cálculo de medias. El conjunto de datos se particionó en conjuntos de entrenamiento (21 días, marzo de 2011), validación (7 días, marzo de 2011) y prueba (7 días, junio de 2011).
• Variables de entrada (covariables): Los modelos utilizaron las siguientes características de entrada:
  • Temperatura interior ($d$): La variable objetivo, diferenciada para mejorar la generalización.
  • Hora del día ($h$): Codificada como una categoría codificada localmente (24 componentes) para manejar la naturaleza cíclica del tiempo.
  • Irradiancia solar ($W$), Humedad relativa interior ($H$), Niveles de CO2 ($Q$) y Estado de lluvia ($R$): Normalizados mediante media y desviación estándar.
• Modelos de pronóstico:
  • Baselines estadísticos: Se utilizaron modelos de Suavizado Exponencial (ETS) y de Media Móvil Integrada Autorregresiva (ARIMA) como puntos de referencia.
  • Redes Neuronales Artificiales (ANN): Se entrenaron perceptrones multicapa utilizando el algoritmo de retropropagación con momentum y regularización L2 (decaimiento de pesos). El estudio utilizó un enfoque de Múltiple Entrada - Múltiple Salida (MIMO) para predecir una ventana futura de tamaño $Z=12$ (3 horas) en un solo paso.
  • Estrategias de ensamble: Para mejorar la robustez, los autores combinaron múltiples modelos ANN entrenados con diferentes tamaños de ventana de entrada ($I(x)$). Se probaron dos esquemas de combinación:
    • COMB-EQ: Combinación lineal uniforme (pesos iguales).
    • COMB-EXP: Combinación lineal exponencial (pesos softmax) basada en el inverso del Error Absoluto Medio (MAE) en el conjunto de validación.
• Evaluación: El rendimiento se midió mediante el Error Porcentual Absoluto Medio Simétrico (SMAPE), el Error Absoluto Medio (MAE) y la Raíz del Error Cuadrático Medio (RMSE) en las particiones de validación y prueba.

Resultos clave

• Superioridad de las ANN: Las ANN superaron significativamente a los métodos estadísticos estándar (ETS y ARIMA) con un nivel de confianza superior al 99%.
• Covariables óptimas: La configuración de modelo más efectiva combinó la temperatura interior con la hora del día e la irradiancia solar ($d + h + W$). La adición de más covariables (humedad, CO2, lluvia) produjo mejoras solo marginales.
• Rendimiento del ensamble: La estrategia COMB-EXP (combinación exponencial) generalmente produjo resultados ligeramente mejores que los modelos uniformes (COMB-EQ) o el mejor individual (BEST), aunque las diferencias a menudo no fueron estadísticamente significativas.
• Precisión del pronóstico: El modelo con mejor desempeño (COMB-EXP con $d + h + W$) logró un SMAPE de aproximadamente 0,45% y un MAE de alrededor de 0,11 °C en la partición de prueba.
• Sensibilidad del horizonte: Las tasas de error aumentaron a medida que se extendía el horizonte de pronóstico y los intervalos de confianza se ampliaron. Sin embargo, la inclusión de covariables como la irradiancia solar se volvió más crítica para horizontes más largos (mayores a 90 minutos).
• Información Mutua (MI): Un análisis de MI confirmó que la irradiancia solar tiene una relación fuerte con la temperatura interior, particularmente durante el día. Curiosamente, la humedad y la calidad del aire mostraron valores altos de MI, pero su inclusión en el modelo no mejoró significativamente el desempeño más allá de lo proporcionado por los datos de tiempo e irradiancia.

Significancia y afirmaciones
El artículo afirma que el pronóstico preciso de la temperatura interior es una estrategia viable para el control eficiente de la energía en los sistemas HVAC. Al predecir estados térmicos futuros, el SMLsystem puede adaptarse en sus operaciones para mantener el confort con un consumo de energía reducido. El estudio demuestra que las ANN multivariantes, particularmente cuando se combinan con covariables ambientales específicas (hora e irradiancia), ofrecen una solución robusta para esta tarea, superando a los métodos tradicionales de series temporales estadísticas.

Los autores enfatizan que su trabajo proporciona un marco práctico para integrar el pronóstico en los sistemas de automatización del hogar (Inteligencia Ambiental) para equilibrar el confort y el ahorro de energía. Mencionan modestamente que el estudio se basa en los datos de una sola casa en el sur de Europa durante un período de tiempo limitado, sugiriendo que el trabajo futuro debería validar estos hallazgos a través de diferentes estaciones, ubicaciones y tipos de edificios. El objetivo final es utilizar estas capacidades predictivas para diseñar sistemas de control predictivo que optimicen los subsistemas de energía más allá de la simple regulación de la temperatura.