Predicción de consumo energético en edificios de oficinas mediante modelos de tipo caja negra

Kazacos Winter Pais de Brito, Duarte Alexis (2017). Predicción de consumo energético en edificios de oficinas mediante modelos de tipo caja negra. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. de Minas y Energía (UPM).

Descripción

Título: Predicción de consumo energético en edificios de oficinas mediante modelos de tipo caja negra
Autor/es:
  • Kazacos Winter Pais de Brito, Duarte Alexis
Director/es:
  • Prieto Ortiz, Juan Luis
Tipo de Documento: Proyecto Fin de Carrera/Grado
Grado: Grado en Ingeniería de la Energía
Fecha: Septiembre 2017
Materias:
Escuela: E.T.S.I. de Minas y Energía (UPM)
Departamento: Ingeniería Energética
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (4MB) | Vista Previa

Resumen

Se ha realizado un análisis de 5 enfoques distintos a la modelización de tipo Caja Negra con el propósito de predecir el consumo de energía tanto térmica como eléctrica en edificios de oficinas. La reducción del impacto medioambiental y el aumento de la eficiencia energética son aspectos primordiales en las directrices de desarrollo de políticas europeas. El sector de la edificación ha sido identificado como uno de los sectores clave para alcanzar los objetivos 20/20/20 de la UE. Los edificios son responsables del 40 % del consumo energético y del 36 % de las emisiones de CO2 en Europa. Se hará una breve revisión de conceptos fundamentales de estadística y técnicas de Machine Learning. La metodología está basada en Python y apoyándose en librerías de código abierto para minería de datos y Machine Learning supervisado como lo son Pandas y Scikit-Learn. Se propone el uso de algoritmos de “regresión recursiva” para la aplicación de dichos modelos sobre dos sitios demostrativos: Cork Institute of Technology (CIT), Cork, Irlanda; y el edificio GALEO, sede central de Bouygues Immoblier, Paris, Francia. Se llevará a cabo un análisis detallado y una comparación cruzada de los resultados para cada modelo. Se ha podido comprobar que los mejores modelos para la predicción de consumo de energía térmica se construyen usando los métodos Random Forest Regression y k-Nearest Neighbors Regression haciendo uso de la temperatura exterior y las condiciones climáticas del interior y de comportamiento de los usuarios del edificio. Los mejores modelos para la predicción de consumo de energía eléctrica se construyen usando los métodos Random Forest Regression y k-Nearest Neighbors haciendo uso de las condiciones de comportamiento de los usuarios del edificio. An analysis of 5 different Black Box modelling approaches for the purpose of thermal and electricity energy consumption prediction in office buildings is carried out. Environmental impact reduction and energy efficiency are paramount European policy making guidelines. The building sector has been identified as one of the key sectors to achieve the 20/20/20 targets of the EU. Buildings are responsible for 40 % of energy consumption and 36 % of CO2 emissions in the EU. A quick walkthrough across fundamental statistical and machine learning concepts is found in this thesis. The methodology is Python based supported by open source libraries for data mining and supervised machine learning: Pandas and Scikit-Learn. Rolling regression algorithms are proposed for the application over two demonstration sites: Cork Institute of Technology (CIT), Cork, Ireland; and GALEO building, headquarters of Bouygues Immoblier, Paris, France. A detailed analysis and model cross-comparison of results is carried. Evidence is found that the best models for the prediction of thermal energy consumption are built by using Random Forest Regression and k-Nearest Neighbors methods accounting for outside temperature and indoor climatic and personnel behavioural conditions. Best models for electricity energy consumption prediction are found to be Random Forest Regression and k-Nearest Neighbors methods accounting for personnel behavioural conditions.

Más información

ID de Registro: 48458
Identificador DC: http://oa.upm.es/48458/
Identificador OAI: oai:oa.upm.es:48458
Depositado por: Biblioteca ETSI Minas y Energía
Depositado el: 17 Nov 2017 07:24
Ultima Modificación: 17 Nov 2017 07:24
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM