Cómo superar las limitaciones actuales de los sistemas de información en la gestión energética integral de edificios • CASADOMO

Comunicación presentada al III Congreso Edificios Inteligentes:

Autores

María Pérez Ortega, Jefa de Proyectos de Innovación, Freemind Consulting

Frederic Wauters, Director de Producto, Freemind Consulting

Romain Hollanders, Consultor Senior, Freemind Consulting

Resumen

La innovación tecnológica ha permitido la creación de herramientas software que facilitan el control energético de todo tipo de infraestructuras, incluyendo edificios. Sin embargo, para conseguir una precisión adecuada en los cálculos energéticos, habitualmente estos sistemas utilizan modelos de datos y cálculos complejos que dificultan su uso y mantenimiento por profesionales sin conocimientos tecnológicos. Esta ponencia presenta 1) un análisis de las necesidades técnicas para calcular consumos actuales y estimar los futuros; 2) la problemática y dificultades de los usuarios finales a la hora de usar herramientas IT dependiendo de sus características; 3) una plataforma, llamada Energis, que facilita la gestión de los edificios de manera sencilla y con bajo coste aplicando la metodología IPMVP; 4) dos casos de uso en los que dicha solución se ha utilizado de manera efectiva: Un centro deportivo/recreativo y un centro de datos con producción fotovoltaica local (en el contexto de un proyecto Europeo llamado DC4Cities).

Introducción

Estudios recientes han revelado que los edificios se llevan una buena parte del “pastel” cuando se habla de emisiones de CO2 y consumo energético global, representando aproximadamente un 40% del total (World Energy Council, 2013). Además, el sector IT es responsable del 2% de las emisiones de CO2 a nivel mundial, con los centros de datos como uno de los mayores consumidores (Neves et. Al, 2012).

Teniendo en cuenta estas cifras, resulta crítico y urgente el reducir el consumo energético de edificios y centros de datos.

Además, por interés propio cualquier entidad debe preocuparse por reducir su huella ecológica. Por un lado, cualquier entidad tiene que adaptarse a nuevas regulaciones medioambientales. Por otro lado, se calcula que se podrían ahorrar entre un 20% y un 40% de consumo mediante la aplicación de estrategias de ahorro energético (World Energy Council, 2013).

Por estas razones, existe una clara tendencia a invertir en medidas de reducción de consumos. Pero dichas inversiones son a menudo costosas, e incluso complicadas, a pesar de ser implementadas por especialistas de empresas de servicios energéticos (ESEs).

Dificultades a la hora de aplicar soluciones de ahorro energético: mediciones

Ciertamente, la capacidad de poder medir de manera precisa y certera el consumo energético actual es el primer paso para conseguir la eficiencia energética. Pero, además, cualquier entidad tiene que establecer medidas de verificación que les ayude a producir informes y análisis detallados, exactos, transparentes y consistentes del rendimiento de eficiencia conseguida, y por lo tanto verificar que se han logrado los objetivos esperados.

Para llevar a cabo su misión, las herramientas de gestión energética necesitan incluir algoritmos de modelización con el objetivo de establecer la relación entre los diferentes tipos de consumos (electricidad, gas, agua, etc.) y un gran número de indicadores (ocupación del edificio, climatología, actividad del equipamiento IT en un centro de datos, etc.

Diseñar un modelo de este tipo se puede realizar básicamente de dos maneras: 1) mediante un modelo físico de la infraestructura y todos sus elementos (conocido como “forward” – directa); 2) mediante el uso de datos históricos de los consumos energéticos (conocido como “inverse” – inverso).

Las mediciones que aplican un modelo físico “physical model” son a menudo los que son capaces de lograr la precisión más alta, ya que pueden ajustarse a voluntad e incluir tantas dependencias entre parámetros como sean necesarias. Como puntos negativos, normalmente se requiere información especializada sobre el edificio – siendo habitual obtenerla mediante una auditoría, y generalmente están limitados a un tipo específico de edificio. Además, estos modelos requieren un soporte técnico constante para mantenerlos actualizados a los cambios que se produzcan en el sistema.

En contraposición a los modelos físicos se encuentran los modelos basados en datos “data-driven model”. Este tipo de modelos no necesita, a priori, ningún tipo de información sobre las características físicas del sistema, pero requiere un buen conocimiento de su historial energético y el de su entorno mediante registros de datos. Su efectividad se basa en recuperar o encontrar tendencias escondidas en los datos para poder crear perfiles de aspectos concretos del sistema como por ejemplo el consumo energético medio. Los modelos basados en datos son universales; el mismo modelo suele poder aplicarse en casi cualquier edificio). Además, solo requieren un mínimo mantenimiento y el conocimiento técnico necesario es limitado. Como contrapunto, suelen ser menos precisos que los modelos físicos. Para obtener un nivel de precisión aceptable se necesita una cierta cantidad de información (alta granularidad) registrada durante un cierto tiempo.

La elección de la técnica de modelización es otro punto crítico para los sistemas IT de eficiencia energética. Durante los últimos años, estas técnicas han evolucionado de manera constante para crear mecanismos de optimización más sofisticados (Jordan and Mitchell, 2015) (Marsland, 2015). Pero a pesar de ello, es llamativo ver como la mayoría de los profesionales continúan usando técnicas elementales al estilo de regresiones lineales simples, sumas acumuladas y reglas de tres.

Una solución equilibrada: Energis

Energis, desarrollada por Freemind Consulting – PYME belga, es una plataforma online que facilita a cualquier entidad soluciones “un solo click” para la monitorización y optimización de la eficiencia energética de cualquier edificio o conjunto de edificios, incluyendo centros de datos. Energis ofrece las siguientes funcionalidades, entre otras:

Monitorización en tiempo real de un conjunto de edificios. Incluye herramientas para alertas en caso de consumos energéticos inusuales o producción con auto-diagnosis, gráficos para visualizar todos los consumos finales en tiempo real, centros de mando personalizables, informes automáticos, etc.
Soporte a la toma de decisiones para definir estrategias de ahorro de consumos basado en simulaciones.
Verificación de los ahorros conseguidos en la factura energética gracias a un proyecto de eficiencia energética.
Gestión de órdenes automáticas de optimización para mantener los consumos bajo control y conseguir el ahorro esperado día a día.

Figura 1. La funcionalidad de monitorización permite comparar consumos en un periodo concreto de tiempo con otro periodo equivalente (en este ejemplo, el mes en curso con el mismo mes del año anterior).

Energis combina las lecciones aprendidas en casos reales con técnicas evolutivas “machine-learning” y un tipo de modelo basado en datos.

Como primer paso para la eficiencia energética, Energis facilita el registro de las señales de consumo energético a través de una interface sencilla de usar. A continuación, se debe aprender de estas señales para ser capaces de predecir, con modelos de alta precisión, lo que dichas señales deben reflejar en un cierto periodo de tiempo. Gracias a este conocimiento, Energis puede ofrecer simulaciones y verificación de ahorros.

Figura 2. El modelo linear (en gris) es demasiado simple para explicar los datos. El verde – modelo físico - es muy complejo: Tiene la precisión perfecta sobre los datos aprendidos (puntos marrones rellenos) pero no es capaz de adaptarse a datos desconocidos/inusuales (puntos marrones no rellenos). El modelo sinusoidal en azul, ejemplo de los utilizados en Energis, es un buen equilibrio entre precisión y complejidad. — Figura 2. El modelo linear (en gris) es demasiado simple para explicar los datos. El verde – modelo físico – es muy complejo: Tiene la precisión perfecta sobre los datos aprendidos (puntos marrones rellenos) pero no es capaz de adaptarse a datos desconocidos/inusuales (puntos marrones no rellenos). El modelo sinusoidal en azul, ejemplo de los utilizados en Energis, es un buen equilibrio entre precisión y complejidad.

Como resultado de este equilibrio: 1) la precisión del modelo es mucho más alta que los cálculos realizados mediante regresiones simples; 2) está prácticamente al mismo nivel que los obtenidos con modelos físicos; 3) aprovecha las ventajas de flexibilidad, facilidad de uso y mantenimiento evolutivo de dichos modelos.

Los resultados de los modelos de Energis son compatibles con el protocolo IPMVP (the International Performance Measurement and Verification Protocol). El IPMVP estandariza, entre otras cosas, los requisitos de los modelos para validar su utilidad práctica a la hora de realizar predicciones y verificar ahorros. IPMVP es una manera neutral de cuantificar la precisión de un modelo.

Figura 3. Ejemplo de un modelo IPMVP-compliant (indicado en las cajas verde o amarillas para cada uno de los tres primeros criterios) incluso con una granularidad baja de una medición al mes (en la ilustración se muestra el consumo de gas de un centro de deporte y recreación en Bélgica).

Caso de Uso 1: Mediciones y Verificación en un Centro deportivo/lúdico

Una compañía de ingeniería en Bélgica, con experiencia en el diseño, ingeniería y puesta en marcha (“commissioning”) de edificios sostenibles ofrece a sus clientes un servicio llamado Medición y Verificación (Measurement and Verification – M&V). El tener un plan M&V plan es crucial para los proyectos ejecutados a través de contractos EPC (Energy Performance Contract) para acordar la manera en la que se van a computar los ahorros conseguidos mediante dicho proyecto. Esta empresa ha preparado un plan M&V utilizando Energis para un centro de deportes y recreación en Bélgica.

La piscina se calienta con bomba de calor con un techo solar y calentadores de gas, mientras que el área de deportes tiene un calentador de gas y colectores termales solares. Los datos de consumo – con una granularidad mensual – se han obtenido por parte del distribuidor energético y mediante un Sistema de Gestión de Edificios (Building Management System- BMS). Tanto la información ambiental (grados de temperatura, velocidad del viento, visibilidad y nubosidad), proveniente de un servicio de información meteorológica, como los datos de ocupación de la piscina han sido importados a Energis.

Se han identificado y evaluado varios modelos de predicción basados en datos para el periodo de referencia 2013 y 2014. La figura 3 representa el modelo IPMVP-compliant que se encontró para el consumo de gas usando la ocupación y los grados de los días de calefacción como variables de entrada. En este caso, este simple modelo fue suficiente para obtener una precisión por encima del 85%, el CVRMSE por debajo de 15 y el MBE dentro del intervalo [-5; 5], como IPMVP requiere para un modelo que se puede usar para una granularidad mensual.

El mismo ejercicio se realizó para la electricidad y el agua. Las fórmulas de dichos modelos pasaron a formar parte del plan M&V del cliente y se usarán en un futuro para verificar los ahorros reales conseguidos por el proyecto desarrollado.

Caso de Uso 2: Centro de datos

En el proyecto Europeo DC4Cities (http://www.dc4cities.eu/) la capacidad de modelización de Energis se ha utilizado para 1) predecir la producción fotovoltaica; 2) para estimar la potencia consumida por los recursos IT de un centro de datos, como por ejemplo los servidores, las máquinas virtuales o incluso las propias aplicaciones. Estas tareas se han implementado en 3 centros de datos: CreateNet en Trento (Italia) y CSUC e IMI en Barcelona (España), así como en un laboratorio experimental de Hewlett-Packard Enterprise (HPE) en Milán (Italia).

La producción fotovoltaica situada en el tejado del edificio de HPE y los datos climáticos se han almacenado en Energis con una granularidad de 15 minutos durante un mes completo.

Esta información se ha analizado con las estrategias de modelización de Energis para crear un modelo que relacione la producción de energía solar con las condiciones meteorológicas incluyendo la irradiación, la temperatura externa y la velocidad y dirección del viento.

Figura 4. El modelo reproduce exactamente el patrón de producción fotovoltaica (kWh) de 5 días, extraídos de un mes de registros, en el laboratorio experimental simulando un centro de datos de Hewlett-Packard Enterprise en Milán.

Dicho modelo se ha validado de acuerdo al protocolo IPMVP, como muestra la figura 4, y ha sido utilizado para predecir, junto con la predicción meteorológica, la producción fotovoltaica de las siguientes 24 horas. Mediante el uso de datos históricos, se identificaron modelos para predecir a) la potencia consumida por un servidor concreto determinada por la CPU y el uso de memoria; b) la potencia consumida por una máquina virtual a partir de la suma de las métricas de uso de una CPU virtual.

Figura 5. El modelo y la potencial real consumida por las máquinas virtuales están especialmente alineados en este caso. Si se hubiera utilizado un modelo de regresión linear se habría degradado el resultado por un factor 5 para cada criterio.

Referencias

Jordan M. I. and Mitchell T. M. Machine learning: Trends, perspectives, and prospects. Science, 349(6245):255{260, 2015.
Marsland S. Machine learning: an algorithmi perspective. CRC press, 2015.
Neves L., Krajewski J., Jung P., and Bockemuehl M. GeSI SMARTer 2020: the role of ICT in driving a sustainable future. Global e-Sustainability Initiative (GeSI), 2012.
World energy resources – 2013 survey. World Energy Council, 2013.
Energis. http://www.freemind-group.com/en/energy-management/ (14 Abril 2017).
International performance measurement & verification protocol. Efficiency Valuation Organization (EVO), 2001. http://evo-world.org/en/ (14 Abril 2017).