Ciencia de Datos e Inteligencia Artificial para predecir el consumo energético de edificios
¿Puede la inteligencia artificial predecir el consumo energético de un edificio? Analizamos un estudio con datos reales y modelos de aprendizaje profundo.
¿Podemos anticipar cuánta energía consumirá un edificio? Analizamos una investigación que utiliza datos reales de sensores y modelos de aprendizaje profundo para predecir la demanda de calefacción y explorar nuevas posibilidades de gestión energética.
¿Puede la inteligencia artificial predecir cuánta energía consumirá un edificio?
La inteligencia artificial generativa ha transformado nuestra capacidad para producir imágenes arquitectónicas, explorar alternativas y desarrollar conceptos de diseño.
Pero existe otra aplicación de la inteligencia artificial, menos espectacular visualmente y potencialmente muy relevante para el entorno construido.
Predecir cómo se comportará un edificio antes de que ese comportamiento se produzca.
¿Cuánta energía necesitará mañana para calefacción?
¿Cómo cambiará su consumo cuando disminuya la temperatura exterior?
¿Qué ocurrirá si aumenta la ocupación?
¿Podemos anticipar determinados picos de demanda?
¿Y utilizar esas predicciones para gestionar mejor las instalaciones?
Estas preguntas nos llevan directamente al territorio de la Ciencia de Datos, el aprendizaje automático y los edificios inteligentes.
En el artículo científico Deep learning for prediction of energy consumption: an applied use case in an office building | Applied Intelligence | Springer Nature Link , publicado en 2024 en la revista Applied Intelligence, un equipo de investigadores de la Universidad de Granada analiza precisamente este problema.
Los autores utilizan datos procedentes de sensores de un edificio real de oficinas y comparan diferentes técnicas de aprendizaje automático y aprendizaje profundo para predecir su consumo de calefacción.
El resultado permite extraer una enseñanza importante:
Para construir edificios más inteligentes, no basta con disponer de algoritmos avanzados. Necesitamos datos adecuados, comprender su comportamiento y seleccionar modelos capaces de aprender de su evolución temporal.
En 30 segundos
El estudio utiliza datos reales de un edificio de oficinas situado en Bucarest, Rumanía.
Los investigadores trabajan con registros de consumo de calefacción, temperatura exterior y ocupación, entre otras variables, para desarrollar modelos capaces de predecir el consumo energético de las siguientes 12 horas.
Comparan diferentes algoritmos, entre ellos XGBoost, redes neuronales multicapa, redes convolucionales, redes recurrentes y modelos de secuencia a secuencia.
Los resultados muestran que los modelos capaces de incorporar información temporal, especialmente las redes recurrentes, ofrecen ventajas frente a determinados modelos que no representan explícitamente esa secuencia.
Sin embargo, no existe un algoritmo que obtenga los mejores resultados en todas las situaciones.
La cantidad y calidad de los datos condicionan decisivamente el rendimiento de los modelos.
Y debemos introducir una cautela fundamental: el estudio demuestra capacidad predictiva en un caso concreto, pero no mide ahorros energéticos obtenidos mediante la aplicación de sus predicciones.
De medir el consumo a anticiparlo
Los edificios modernos pueden disponer de numerosos sistemas para registrar información.
Contadores eléctricos.
Sensores de temperatura.
Medidores de consumo térmico.
Sistemas de climatización.
Detectores de ocupación.
Equipos de automatización.
Todos ellos pueden producir datos sobre el funcionamiento del edificio.
Pero registrar información no significa necesariamente aprovecharla.
Un sistema convencional puede mostrarnos cuánta energía consumimos ayer.
Un sistema analítico puede ayudarnos a comprender por qué se produjo ese consumo.
Un modelo predictivo añade una capacidad diferente:
estimar qué podría ocurrir durante las próximas horas.
Esta distinción es fundamental.
Si conocemos anticipadamente la demanda energética, podemos disponer de información adicional para planificar el funcionamiento de las instalaciones.
Por ejemplo, un gestor podría utilizar las previsiones para estudiar horarios de calefacción, anticipar picos de demanda o evaluar posibles cambios operativos.
La predicción no garantiza por sí misma una reducción del consumo.
Pero puede convertirse en una herramienta para fundamentar decisiones de gestión energética.
Un edificio real como laboratorio
La investigación se desarrolla utilizando datos del edificio ICPE, situado en Bucarest.
Se trata de un inmueble de oficinas equipado con sensores y contadores capaces de registrar diferentes variables relacionadas con su funcionamiento.
Los investigadores seleccionaron inicialmente tres zonas del edificio, aunque tuvieron que descartar una de ellas debido a problemas con los datos de sus sensores.
Finalmente trabajaron con dos zonas, denominadas D1 y D5/2.
El estudio se concentró en el consumo de calefacción durante los meses de enero, febrero y marzo.
Los datos se reorganizaron en intervalos de 15 minutos, obteniéndose un conjunto de 8.640 observaciones temporales.
Este detalle resulta especialmente importante.
No estamos ante un experimento desarrollado exclusivamente con datos sintéticos.
Los investigadores tuvieron que enfrentarse a problemas habituales cuando se trabaja con información procedente de edificios reales:
datos incompletos;
errores de sensores;
valores anómalos;
variables con diferente comportamiento;
y cambios en los patrones de consumo.
En otras palabras, tuvieron que enfrentarse al edificio tal como funciona realmente, no como debería funcionar en un modelo ideal.
La primera dificultad no es elegir el algoritmo
Cuando hablamos de inteligencia artificial aplicada a edificios, resulta tentador comenzar preguntando qué modelo debemos utilizar.
¿Una red neuronal?
¿Un modelo de aprendizaje profundo?
¿Un sistema basado en transformadores?
Sin embargo, el estudio muestra que existe una etapa anterior especialmente importante.
Preparar los datos.
Los investigadores desarrollaron un proceso que incluía limpieza, transformación, tratamiento de valores ausentes, detección de anomalías, selección de variables y normalización.
Cada una de estas operaciones responde a un problema concreto.
Datos que faltan
Los sensores pueden dejar de registrar información.
En el caso estudiado, durante febrero existían periodos con datos ausentes.
Los investigadores utilizaron técnicas de interpolación para estimar determinados valores intermedios a partir de observaciones conocidas.
Esta operación permite obtener series más completas.
Pero también introduce incertidumbre.
Un dato estimado no equivale a una medición real.
Valores anómalos
Un contador puede registrar un valor inesperado.
Puede tratarse de un error.
Pero también podría reflejar un episodio de consumo extraordinario.
El estudio utiliza procedimientos estadísticos para identificar y sustituir determinados valores extremos.
Esto mejora la preparación del conjunto de datos, aunque también puede eliminar información relevante si no se realiza cuidadosamente.
Transformar las mediciones
Algunas variables registraban valores acumulados.
Para conocer el consumo correspondiente a cada intervalo, los investigadores calcularon las diferencias entre mediciones consecutivas.
Es un ejemplo sencillo de una cuestión fundamental en Ciencia de Datos:
antes de analizar una variable debemos comprender qué representa realmente.
¿Qué variables ayudan a predecir el consumo?
Una vez preparados los datos, aparece otra pregunta.
¿Qué información necesitamos para estimar el consumo energético?
No todas las variables tienen la misma utilidad.
El estudio utiliza XGBoost para analizar la importancia de diferentes características.
Entre las variables más relevantes identifica:
- Temperatura exterior.
- Ocupación del edificio.
- Consumo de calefacción de la zona D1.
- Consumo de calefacción de la zona D5/2.
La figura 7 del artículo presenta precisamente la clasificación de variables según su importancia para el modelo.
El resultado tiene sentido desde una perspectiva física.
Cuando disminuye la temperatura exterior, las necesidades de calefacción pueden aumentar.
La ocupación también puede modificar el comportamiento energético.
Y el consumo registrado anteriormente proporciona información sobre el estado reciente del edificio.
Pero debemos introducir una distinción importante.
Que una variable sea útil para predecir no demuestra necesariamente que exista una relación causal directa.
Un algoritmo puede encontrar patrones estadísticos sin explicar completamente los mecanismos físicos que los producen.
Por eso la Ciencia de Datos debe complementarse con conocimiento sobre el funcionamiento del edificio.
El edificio tiene memoria
Aquí encontramos una de las ideas centrales del paper.
El consumo energético no depende únicamente de las condiciones existentes en un instante concreto.
También depende de lo ocurrido anteriormente.
Un edificio posee inercia térmica.
Sus materiales almacenan y liberan calor.
Los sistemas de climatización presentan tiempos de respuesta.
La temperatura interior evoluciona progresivamente.
Y las decisiones operativas pueden producir efectos durante varias horas.
Por tanto, dos edificios sometidos a la misma temperatura exterior pueden presentar consumos diferentes dependiendo de su estado térmico previo.
Incluso un mismo edificio puede comportarse de manera diferente a las nueve de la mañana según lo sucedido durante la noche.
Para predecir el futuro energético de un edificio, necesitamos comprender parte de su pasado.
Esta característica explica el interés de utilizar modelos diseñados para trabajar con series temporales.
Cinco familias de modelos para un mismo problema
Los investigadores comparan diferentes técnicas de aprendizaje automático.
Cada una aborda el problema desde una perspectiva distinta.
1. XGBoost: aprender relaciones entre variables
XGBoost combina múltiples árboles de decisión para construir un modelo predictivo.
Puede trabajar con numerosas variables y detectar relaciones complejas.
En el estudio también se utiliza para identificar características relevantes.
Sin embargo, en la configuración evaluada, sus resultados predictivos fueron inferiores a los obtenidos por determinadas redes neuronales.
Esto no significa que XGBoost sea inadecuado para cualquier problema energético.
Significa que, en este experimento concreto, otros modelos aprovecharon mejor determinadas características temporales de los datos.
2. Redes neuronales multicapa
Las redes neuronales multicapa, conocidas como MLP, aprenden relaciones entre variables mediante diferentes capas de procesamiento.
Pueden representar relaciones no lineales.
Pero no incorporan por sí mismas una estructura de memoria temporal equivalente a la de una red recurrente.
En este estudio no consiguieron superar a los modelos que procesaban explícitamente la evolución de las series.
3. Redes neuronales convolucionales
Las redes convolucionales, o CNN, son conocidas especialmente por sus aplicaciones en visión artificial.
Pero también pueden utilizarse para analizar series temporales.
En este caso permiten identificar patrones locales dentro de secuencias de consumo.
Los investigadores observaron que ofrecían resultados interesantes en determinadas condiciones, especialmente durante febrero.
4. Redes neuronales recurrentes
Las redes recurrentes, o RNN, incorporan mecanismos para procesar información secuencial.
Esto permite aprovechar observaciones anteriores al elaborar nuevas predicciones.
El estudio analiza especialmente arquitecturas con memoria, como LSTM.
Su capacidad para representar dependencias temporales resulta relevante cuando el consumo depende de la evolución previa del edificio.
5. Modelos de secuencia a secuencia
Los modelos sequence-to-sequence, o Seq2Seq, permiten trabajar con secuencias de entrada y salida.
Son especialmente interesantes cuando queremos utilizar observaciones anteriores para estimar una secuencia futura.
En el experimento obtuvieron resultados destacados durante enero.
Sin embargo, su mayor complejidad también puede convertirse en una desventaja cuando los datos disponibles son insuficientes.
¿Qué modelo obtuvo mejores resultados?
La respuesta es especialmente interesante porque no hubo un único modelo que destacara en todos los meses.
Los investigadores dividieron los datos por periodos mensuales y evaluaron diferentes configuraciones.
Los resultados fueron los siguientes:
Resultados principales del estudio
Modelos destacados según el periodo analizado
Enero
Modelo Seq2Seq
NMAE: 0,21 / 0,20
Febrero
Red convolucional (CNN)
Menor error de validación
Marzo
Red recurrente (RNN)
NMAE: 0,29
En enero, los valores corresponden respectivamente a las zonas D1 y D5/2. En marzo, ambas zonas registraron un NMAE de 0,29. Fuente: resultados del estudio original.
En términos generales, los autores encontraron ventajas en las arquitecturas capaces de incorporar información temporal.
También señalaron que los mejores modelos presentaban errores absolutos medios del orden de 5 kW.
No obstante, los resultados deben interpretarse dentro del contexto concreto del edificio, las zonas analizadas y las condiciones de validación.
No constituyen una garantía de precisión para otros edificios.
Más complejidad no significa necesariamente mejores predicciones
Una de las conclusiones más útiles del trabajo es que los modelos sofisticados necesitan datos suficientes para aprovechar sus capacidades.
El estudio dispone de información limitada a tres meses y presenta numerosos valores ausentes.
Esto condiciona especialmente a las arquitecturas más complejas.
Un modelo puede aprender demasiado bien las particularidades de los datos utilizados durante el entrenamiento y funcionar peor cuando recibe observaciones nuevas.
Este problema se conoce como sobreajuste.
Los investigadores observaron que las redes convolucionales podían ofrecer ventajas en periodos con tendencias relativamente estables y datos incompletos.
También señalaron que modelos recurrentes menos complejos podían resultar suficientemente precisos para determinados problemas.
La enseñanza es importante:
No debemos seleccionar el algoritmo más avanzado, sino el que resulte adecuado para los datos disponibles y el problema que queremos resolver.
Predecir no es lo mismo que ahorrar energía
Aquí debemos introducir una distinción fundamental.
El paper estudia la capacidad para predecir el consumo de calefacción.
No demuestra que la utilización de esos modelos haya reducido efectivamente el consumo del edificio.
Son dos problemas diferentes.
El primero consiste en anticipar un resultado.
El segundo exige utilizar esa predicción para modificar el funcionamiento del edificio y comprobar qué sucede.
Podemos representarlo así:
De la predicción a la gestión energética
01
Medir
Recopilar datos del edificio.
02
Predecir
Estimar la demanda energética futura.
03
Decidir
Seleccionar una estrategia de funcionamiento.
04
Actuar
Aplicar cambios autorizados en las instalaciones.
05
Verificar
Comprobar resultados, confort y consumo real.
Esquema de aplicación propuesto por Arquitectura.Tech. El estudio original evalúa fundamentalmente la etapa predictiva.
Para demostrar un ahorro real necesitaríamos evaluar una estrategia de gestión y comparar sus resultados con una referencia adecuada.
También deberíamos controlar variables como la meteorología, la ocupación y las condiciones de confort.
Reducir el consumo a costa de mantener a los ocupantes en condiciones inadecuadas no constituiría una mejora satisfactoria.
Lo que el estudio no demuestra
La investigación proporciona resultados interesantes, pero presenta limitaciones importantes.
La primera es su alcance.
Los datos proceden de un único edificio de oficinas en Bucarest.
El análisis se limita al consumo de calefacción durante tres meses de invierno.
Por tanto, no podemos extrapolar directamente los resultados a edificios residenciales, hospitales, hoteles o inmuebles situados en climas mediterráneos.
La segunda limitación es la calidad de los datos.
Una de las zonas inicialmente seleccionadas tuvo que descartarse debido a problemas con los sensores.
Además, fue necesario estimar valores ausentes y tratar observaciones anómalas.
La tercera limitación afecta a la validación.
Los modelos se entrenaron y validaron utilizando particiones cronológicas de los datos disponibles. El estudio no presenta una validación independiente en otros edificios ni demuestra su rendimiento durante años posteriores.
Existe además una pequeña discrepancia documental: la descripción del conjunto de datos sitúa la recogida en 2017, mientras que un ejemplo de partición temporal del artículo utiliza fechas de 2016. El texto consultado no permite resolverla con certeza.
Finalmente, el conjunto completo de datos no está disponible públicamente, aunque los autores indican que puede solicitarse un extracto.
Esto limita la posibilidad de reproducir íntegramente los experimentos de manera independiente.
El estudio demuestra capacidad predictiva en un contexto específico, no una solución universal para gestionar energéticamente cualquier edificio.
La lectura de Arquitectura.Tech
Este paper representa un cambio importante respecto a los cuatro artículos anteriores de nuestra serie.
Hasta ahora habíamos estudiado principalmente cómo la inteligencia artificial puede intervenir en el proceso de diseño.
Generar alternativas.
Interpretar imágenes.
Conversar con el arquitecto.
Coordinar herramientas.
Ahora empezamos a estudiar algo diferente:
cómo la inteligencia artificial puede aprender del comportamiento de un edificio real.
Y esto abre un territorio mucho más amplio.
Un edificio puede producir datos durante décadas.
Cada registro de temperatura, consumo, ocupación o funcionamiento puede contribuir a comprender mejor su comportamiento.
La Ciencia de Datos permite transformar esa información en modelos.
El aprendizaje automático permite identificar patrones y elaborar predicciones.
Y los sistemas de control pueden utilizar esas predicciones para fundamentar determinadas decisiones operativas.
De esta manera, el edificio deja de ser únicamente un objeto diseñado y construido.
Puede convertirse en un sistema observable, analizable y progresivamente optimizable.
Esta perspectiva conecta directamente con algunas de las áreas tecnológicas que queremos desarrollar en Arquitectura.Tech:
Ciencia de Datos.
Aprendizaje automático.
Internet de las Cosas.
Edificios inteligentes.
Gemelos digitales.
Optimización energética.
Y, eventualmente, agentes de inteligencia artificial capaces de coordinar algunas de estas capacidades bajo restricciones y supervisión humana.
Del paper al proyecto: nuestro primer laboratorio de predicción energética
Este estudio nos proporciona una oportunidad concreta para comenzar a construir capacidades propias.
Podríamos desarrollar un primer experimento de Arquitectura.Tech centrado en una pregunta sencilla:
¿Podemos predecir el consumo energético de un edificio utilizando datos históricos y variables meteorológicas?
No necesitaríamos empezar desarrollando un complejo gemelo digital.
Tampoco sería necesario construir inmediatamente un sistema multiagente.
Podríamos comenzar con un conjunto de datos público y un problema predictivo claramente definido.
El experimento tendría cinco etapas.
1. Seleccionar los datos
Buscaríamos un conjunto de datos de consumo energético de edificios con suficiente información temporal.
Idealmente incluiría:
consumo;
temperatura exterior;
fecha y hora;
características del edificio;
y, cuando estuviera disponible, información sobre ocupación.
2. Comprender el comportamiento
Antes de entrenar ningún modelo estudiaríamos las series temporales.
Identificaríamos patrones diarios y semanales, tendencias, valores anómalos y posibles relaciones con la temperatura.
Esta etapa permitiría conocer el problema antes de intentar resolverlo.
3. Construir un modelo de referencia
Empezaríamos con un modelo sencillo.
Por ejemplo, una predicción basada en el consumo observado a la misma hora del día anterior o de la semana anterior.
Después podríamos utilizar un algoritmo como Random Forest o XGBoost.
Esto permitiría disponer de una referencia cuantitativa.
4. Incorporar modelos temporales
Una vez establecido el modelo inicial, podríamos experimentar con una red recurrente LSTM.
Compararíamos sus resultados utilizando las mismas particiones temporales y métricas.
La pregunta sería:
¿Aporta realmente valor incorporar un modelo más complejo?
5. Evaluar y documentar
Registraríamos los errores, los problemas encontrados y las limitaciones.
También analizaríamos si el modelo funciona adecuadamente durante periodos de consumo elevado.
El resultado no tendría que ser una aplicación comercial desde el primer momento.
Podría ser un pequeño demostrador reproducible que permitiera adquirir conocimiento, generar contenido técnico y comenzar a construir una capacidad propia.
Y, posteriormente, podríamos estudiar cómo trasladar esa capacidad a un caso real del entorno construido.
Conclusión: el edificio como fuente de conocimiento
La inteligencia artificial aplicada a arquitectura no termina cuando se completa el diseño.
Tampoco cuando finaliza la construcción.
Una parte importante de su potencial puede encontrarse precisamente después, durante los años en los que el edificio está funcionando.
Los datos permiten observar.
Los modelos permiten comprender patrones.
Las predicciones permiten anticipar.
Y las decisiones informadas pueden ayudar a mejorar la gestión.
El estudio analizado muestra que las redes neuronales capaces de procesar información temporal pueden resultar útiles para predecir el consumo de calefacción de un edificio real.
Pero también recuerda que los algoritmos dependen de algo mucho más básico:
datos suficientes, datos fiables y una comprensión adecuada del problema.
Para Arquitectura.Tech, esta es una idea central.
El futuro del entorno construido no dependerá únicamente de diseñar edificios con inteligencia artificial.
También dependerá de nuestra capacidad para aprender de los edificios que ya existen.
Ficha del paper
Investigación aplicada · Artículo 05
Deep learning for prediction of energy consumption: an applied use case in an office building | Applied Intelligence
Roberto Morcillo-Jimenez, Jesús Mesa, Juan Gómez-Romero, M. Amparo Vila y Maria J. Martin-Bautista.
| Revista | Applied Intelligence |
| Año | 2024 |
| Volumen | 54 |
| Páginas | 5813–5825 |
| Publicación | 30 de abril de 2024 |
| Tipo | Artículo de investigación |
| Caso de estudio | Edificio ICPE, Bucarest |
| Datos | 8.640 observaciones temporales |
| Objetivo | Predicción del consumo de calefacción a 12 horas |
DOI: 10.1007/s10489-024-05451-9 Consultar el artículo científico original
Este artículo ha sido desarrollado con ayuda de herramientas de inteligencia artificial para apoyar las tareas de investigación, análisis, síntesis y redacción. La selección del enfoque, la interpretación de los resultados y la revisión editorial se han realizado bajo dirección, supervisión y guía humana.
Deja una respuesta