Los sistemas de HVAC se utilizan cada vez más en una amplia gama de edificios, incluyendo com‐
erciales, residenciales y educativos. Por esta razón, según el Departamento de Energía de los Estados
Unidos, los sistemas de HVAC utilizan en promedio el 35% de la energía en un edificio. Teniendo en
cuenta esta gran proporción de consumo, la gestión de la demanda energética y la estimación del
consumo futuro desempeñan un papel significativo debido a los altos costos del uso de la energía
y, por supuesto, a la contribución a un mundo más ecológico. Existen numerosos estudios y aplica‐
ciones cuando se trata de mantener la temperatura del área u otros parámetros, como la calidad del
aire, etc., en los intervalos deseados mediante modelos basados en datos o inteligencia artificial.
En este caso, un almacén en Marchamalo, Guadalajara, España, es el objeto de investigación. Este
edificio se extiende sobre una superficie de 114.894 m2, tiene una altura de 15 metros e incluye un
sistema de HVAC con control ON‐OFF.
Anteriormente, se realizaron algunos estudios para investigar el comportamiento del entorno del al‐
macén, y en los años siguientes, se empleó un gemelo digital para comprender el comportamiento
del consumo de energía en diversas circunstancias sin interactuar con el sistema real.
Este estudio nació con el propósito de comprender el comportamiento del consumo de energía y,
por lo tanto, estimar la demanda energética futura mediante la implementación de varios métodos
de inteligencia artificial, teniendo en cuenta las herramientas disponibles en el almacén, como un
sistema de monitoreo ambiental en la nube que permite la extracción de datos del almacén.
Como enfoque, en primer lugar, se desarrolló un modelo univariable que utiliza el consumo histórico
de energía para predecir la demanda de energía de los próximos 2 días mediante un modelo basado
en redes neuronales recurrentes, y en la segunda etapa, enriquecer el estudio con los parámetros
que pueden tener un impacto en el consumo de energía y construir un modelo de series temporales
multivariable basado en boosting de gradientes para predecir las próximas 48 horas de demanda de
energía. Y finalmente, verificar cuántas precisas son las predicciones. Esto nos permite entender si
el comportamiento de la demanda de energía puede ser comprendido mediante modelos basados
en inteligencia artificial para contribuir a la gestión de la energía.
Els sistemes de HVAC s’estan utilitzant cada vegada més en una àmplia gamma d’edificis, incloent
comercials, residencials i educatius. Per aquesta raó, segons el Departament d’Energia dels Estats
Units, els sistemes de HVAC utilitzen en promig el 35% de l’energia en un edifici. Tenint en compte
aquesta gran proporció de consum, la gestió de la demanda energètica i l’estimació del consum futur
juguen un paper significatiu a causa dels alts costos de l’ús de l’energia i, per descomptat, de la con‐
tribució a un món més ecològic. Hi ha nombrosos estudis i aplicacions quan es tracta de mantenir
la temperatura de l’àrea o altres paràmetres, com la qualitat de l’aire, etc., en els intervals desitjats
mitjançant models basats en dades o intel∙ligència artificial.
En aquest cas, un magatzem a Marchamalo, Guadalajara, Espanya, és l’objecte de recerca. Aquest
edifici s’estén sobre una superfície de 114.894 m2, té una altura de 15 metres i inclou un sistema de
HVAC amb control ON‐OFF.
Prèviament, es van realitzar alguns estudis per investigar el comportament de l’entorn del magatzem,
i en els anys següents, es va emprar un bessó digital per comprendre el comportament del consum
d’energia en diverses circumstàncies sense interactuar amb el sistema real.
Aquest estudi va néixer amb el propòsit de comprendre el comportament del consum d’energia i,
per tant, estimar la demanda energètica futura mitjançant la implementació de diversos mètodes
d’intel∙ligència artificial, tenint en compte les eines disponibles al magatzem, com un sistema de
monitorització ambiental a la núvol que permet l’extracció de dades del magatzem.
Com a enfocament, en primer lloc, es va desenvolupar un model univariable que utilitza el consum
històric d’energia per predir la demanda d’energia dels pròxims 2 dies mitjançant un model basat
en xarxes neuronals recurrents, i en la segona etapa, enriquir l’estudi amb els paràmetres que po‐
den tenir un impacte en el consum d’energia i construir un model de sèries temporals multivariable
basat en boosting de gradient per predir les pròximes 48 hores de demanda d’energia. I finalment,
verificar quan precises són les prediccions. Això ens permet entendre si el comportament de la de‐
manda d’energia pot ser comprès mitjançant models basats en intel∙ligència artificial per contribuir
a la gestió de l’energia.
HVAC systems are being used more frequently in a wide range of buildings, including commer‐
cial, residential, and educational ones. This is why, according to the US Department of Energy, HVAC
systems use 35% of the energy in a building on average. Taking into account this large proportion of
consumption, managing energy demand and estimating future consumption play a significant role
due to the high costs of energy usage and, of course, the contribution to the greener world. There
are numerous studies and applications when it comes to maintaining the area temperature or other
parameters, such as air quality, etc., at the desired intervals with data‐driven or artificial intelligence
based models.
In this instance, a warehouse in Marchamalo, Guadalajara, Spain, is the subject of investigation. This
building extends over an area of 114.894 m2, is 15 meters tall, and includes an HVAC system with
ON‐OFF control.
Previously, some studies have been held to investigate warehouse environment behavior, and in the
following years, digital twin has been employed to understand energy consumption behavior under
various circumstances without having any interaction with the real system.
This study was born to comprehend the energy consumption behavior and, by that, estimate the
future energy demand by implementing several artificial intelligence methods considering the avail‐
able tools in the warehouse, such as a cloud environmental monitoring system that allows for the
extraction of data from the warehouse.
As an approach, In the first place, to develop an univariable model that introduces historical energy
consumption to predict the following 2 days of energy demand by using a recurrent neural network‐
based model, and in the second stage, enrich the study with the parameters that can have an impact
on the energy consumption and build a gradient‐boosting‐based multivariate time series model to
predict the following 48 hours of energy demand. And finally, verify how accurate the predictions
are. This allows us to understand if the energy demand behavior can be comprehended by using
artificial intelligence‐based models to contribute to energy management.
GMAIL.COM
; Guardo Zabaleta, Alfredo de Jesús