Metodologia

Metodologia

Preprocessat

• Detecció de valors anòmals
• Omplir petits forats de dades
• Filtratge

Transformacions

• Dades en format requerit

Entrenament models

• Sintonització d'hiperparàmetres

Validació models

• Anàlisis biaix-desviació
• Indicadors estadístics
  

Generació d'escenaris

• Canvis d'ocupació en l'edifici

Càlcul estalvis

• Estalvis energètics
• Estalvis d'emissions de GHI

Dades harmonitzades

Resultats

Edificis Pilot

Metodologia

Banc Sabadell - Las Tablas 

CTTI

Banc Sabadell - CBS 

Cuatrecasas 

Fonts energia:

• Electric
• Gas

Fonts energia:

• Electric
• Fotovoltaic
• Gas

Fonts energia:

• Electric
• Districte clima
• Gas

Fonts energia:

• Electric
• Districte clima
• Futur fotovoltaic

Models de predicció del consum d'energia

Model genèric

S'han avaluat tres models basats en algoritmes XGboost: 

• El model escollit generalitza bé ja que serà aplicat a dades de diverses fonts d'energia
• La relació entre ocupació i consum variarà segons la font considerada.
• Es farà servir un model diferent per a cada font d'energia (dades amb diferents granularitats)

Models de predicció de consum d'energia

Model adaptat

Models de predicció de consum d'energia

S'ha desenvolupat un model adaptat:

• Model creat per a situacions específiques (edifici CTTI) amb dades generals de comptador que inclouen varis edificis o espais dels que només es diposa de dades de consum mensual

Edifici Pilot 1 - Banc Sabadell - Las Tablas

Dades disponibles

Edifici Pilot 1 - Banc Sabadell Las Tablas

• Dades de consum elèctric (horàries)

Tot el consum d'aquest edifici prové de l'energia elèctrica de xarxa i de gas

• Dades d'ocupació

Origen Foot Analytics

• Dades meteorològiques

Origen Meteogalicia

Origen Datadis

Avaluació dels resultats dels models

Pilot 1 - Resultats entrenament

Avaluació dels resultats dels models

En l’entrenament es veu que el model 3 no té millora respecte al 2, llavor la precipitació no sembla aportar millores a la predicció.

Període de dades comprès entre 2023 i 2024

Pilot 1 - Resultats de validació

Avaluació dels resultats del models

En la validació es veu que el model 1 es porta millor, els altres poden estar fent “overfitting”, per tant, el model 1 generalitzarà millor.

Període de dades comprès entre 2023 i 2024

Pilot 1 - Entrenament model

Avaluació dels resultats del models

Resultats del model escollit en el període definit per a l'entrenament.

Període de dades comprès entre 2023 i 2024

Pilot 1 - Validació model

Avaluació dels resultats del models

Resultats del model escollit en el període definit per a la validació.

Període de dades comprès entre 2023 i 2024

Avaluació d'escenaris de canvi d'ocupació

Pilot 1 - Escenaris plantejats

Generació d'escenaris

Escenari 1

Passar ocupació de les zones P4 i P6 a P5 durant tot el període

Escenari 2

Baixar la ocupació un 15% durant tot el període

Escenari 3

Passar la ocupació de les zones P4 i P6 a P5 els divendres

Escenari 4

Passar la ocupació de les zones P4 i P6 a P5 durant el juliol

Escenari 5

Pujar la ocupació un 15% durant tot el període

Pilot 1 - Resultats escenari 1

Generació d'escenaris

Passar ocupació de les zones P4 i P6 a P5 durant tot el període

Factor (dades CNMC per 2023) = 260 g CO2eq/kWh.*

Pilot 1 - Resultats escenari 2

Generació d'escenaris

Baixar la ocupació un 15% durant tot el període

Factor (dades CNMC per 2023) = 260 g CO2eq/kWh.*

Pilot 1 - Resultats escenari 3

Generació d'escenaris

Passar la ocupació de les zones P4 i P6 a P5 els divendres

Factor (dades CNMC per 2023) = 260 g CO2eq/kWh.*

Pilot 1 - Resultats escenari 4

Generació d'escenaris

Passar la ocupació de les zones P4 i P6 a P5 durant el juliol

Factor (dades CNMC per 2023) = 260 g CO2eq/kWh.*

Pilot 1 - Resultats escenari 5

Generació d'escenaris

Pujar la ocupació un 15% durant tot el període

Factor (dades CNMC per 2023) = 260 g CO2eq/kWh.*

Edifici Pilot 2 - CTTI

Dades disponibles

Edifici Pilot 2 - CTTI

• Dades de consum de diferents fonts d'energia

• Dades d'ocupació

Origen Foot Analytics

• Dades meteorològiques

Origen Meteogalicia

Orígens i granularitats diverses

Avaluació dels resultats dels models

Pilot 2 - Entrenament model

Avaluació dels resultats del models

Període de dades comprès entre 2023 i 2024

Resultats del model escollit en el període definit per l'entrenamet.

Pilot 2 - Validació model

Avaluació dels resultats del models

Resultats del model escollit en el període definit per a la validació.

Període de dades comprès entre 2023 i 2024

Avaluació d'escenaris de canvi d'ocupació

Pilot 2 - Escenaris plantejats

Generació d'escenaris

Escenari 1

Baixar la ocupació un 30% durant tot el període

Escenari 2

Tancar la zona P2  els divendres durant tot el període

Escenari 3

Tancar la zona P2 durant els mesos de juliol i agost

Escenari 4

Tancar la zona P2  a partir de les 15h durant tot el període

Escenari 5

Pujar la ocupació un 30% durant tot el període

Pilot 2 - Resultats escenari 1

Generació d'escenaris

Baixar la ocupació un 30% durant tot el període

Factor (dades CNMC per 2023) = 260 g CO2eq/kWh.*

Pilot 2 - Resultats escenari 2

Generació d'escenaris

Tancar la zona P2 els divendres durant tot el període

Factor (dades CNMC per 2023) = 260 g CO2eq/kWh.*

Pilot 2 - Resultats escenari 3

Generació d'escenaris

Tancar la zona P2 durant els mesos de juliol i agost

Factor (dades CNMC per 2023) = 260 g CO2eq/kWh.*

Pilot 2 - Resultats escenari 4

Generació d'escenaris

Tancar la zona P2 a partir de les 15h durant tot el període

Factor (dades CNMC per 2023) = 260 g CO2eq/kWh.*

Pilot 2 - Resultats escenari 5

Generació d'escenaris

Pujar la ocupació un 30% durant tot el període

Factor (dades CNMC per 2023) = 260 g CO2eq/kWh.*

Conclusions

BEE Group Research Lines

• El fet de tindre diferents granularitats i a tindre diferents fonts d'energia que poden tindre diferents relacions amb les variables d'ocupació ha portat a triar una estratègia basada en utilitzar un model per a cada font d'energia
• Degut a que s'ha triat com a estratègia fer servir un model diferent per a cada font d'energia, el model ha de generalitzar prou bé per ser aplicable.
• En alguns casos específics, en que les dades exigeixin un tractament específic diferent a l'habitual, requeriràn un preprocessament especial, això implica que no es podrà realitzar una implementació totalment automàtica dels processos d'analítica.
• L'eina analítica ajuda a dissenyar estratègies diferents per a edificis amb comportaments diferents davant canvis d'ocupació.

Gràcies per la vostra atenció