PREDICCIÓN DE CONSUMO ELÉCTRICO DE UN EDIFICIO PÚBLICO CON MACHINE LEARNING

Resumen

Dado que las personas pasan gran parte del tiempo en edificios, es necesario diseñar ambientes interiores que les garanticen salud, bienestar y productividad. Esto podría lograrse a expensas de la energía consumida por los sistemas de calefacción, ventilación y aire acondicionado, que representan hasta el 56% del consumo total de los edificios. Para reducir este consumo, estrategias como precooling o preheating podrían resultar beneficiosas, siempre que se cuente con información anticipada sobre el comportamiento energético del edificio. En este trabajo, se aplicaron técnicas de machine learning para abordar el rellenado de vacíos en series de datos y la predicción de consumo eléctrico del edificio del Rectorado de la Universidad Nacional de Salta. Se utilizaron datos meteorológicos de estaciones propias, del Servicio Meteorológico Nacional y datos satelitales. Mediante redes neuronales, se rellenaron datos faltantes en las series de temperatura y radiación solar, y se entrenaron 16 modelos, basados en Deep Learning, para predecir el consumo eléctrico a diferentes temporalidades. Se evaluó el rendimiento, el horizonte de predicción y el costo computacional. Los resultados obtenidos muestran una buena capacidad predictiva del modelo seleccionado, con un valor de correlación superior a 0.95 para predicciones a 15 minutos y de 0.75 para predicciones a 6 horas.