Termostato inteligente para el control de la climatización en smart homes

Comunicación presentada al IV Congreso de Edificios Inteligentes

Autores

José L. Hernández, Ingeniero-Investigador, Fundación CARTIF

Susana Gutiérrez, Ingeniero-Investigador, Fundación CARTIF

Álvaro Corredera, Ingeniero-Investigador, Fundación CARTIF

Ruşen Can Acet, Ingeniero I+D, MIR ARASTIRMA ve GELISTIRME A.S.

Emre Uncuoğlu, Director Departamento, MIR ARASTIRMA ve GELISTIRME A.S.

Palabras clave

Smart Homes, Termostato Inteligente, Aprendizaje Automático, Climatización, COMFOStat

Introducción

En la actualidad, el 40% de la energía consumida en Europa se debe a los edificios, por lo tanto, se hace necesaria la mejora del rendimiento de los mismos. De hecho, bajo las directivas Europeas actuales (EC, 2002), se trata de lograr una masa crítica de edificios energéticamente eficientes. La estrategia Europea 2020 (Europa, 2020) tiene unos objetivo de 20% de ahorro energético, 20% de reducción de emisión de gases de efecto invernadero y 20% de aumento del uso de fuentes de energía renovable para el año 2020.

Bajo este contexto, los edificios inteligentes suponen una contribución a la eficiencia energética de modo que, a través de las nuevas tecnologías, sistemas domóticos y de automatización optimizan los recursos energéticos del edificio (ESDIMA, 2018). Dos de los conceptos clave son la monitorización y automatización. En primer lugar, disponer de datos para facilitar la toma de decisiones, por ello, monitorizar el comportamiento de la vivienda. En segundo lugar, automatizar los procesos a través de algoritmos inteligentes capaces de tomar decisiones más óptimas, acorde a los datos medidos y con cantidades de información más grandes que las que los humanos son capaces de analizar.

De esta manera, una de las mayores tendencias tecnológicas es la implementación de termostatos inteligentes capaces de obtener información del edificio y aplicar algoritmos inteligentes para la toma de decisiones para optimizar el rendimiento de los sistemas de climatización. El objetivo de este artículo es presentar un termostato inteligente en desarrollo dentro del proyecto COMFOStat (financiado bajo el esquema Eureka) cuya finalidad es aprender los patrones de comportamiento y tomar decisiones en base a la temperatura operativa.

Productos comerciales existentes

Hoy en día existen múltiples productos comerciales que tratan de dar solución a la gestión inteligente de los sistemas de calefacción y refrigeración en viviendas. Entre los más comúnmente utilizados, la Tabla I incluye Nest de Google, Ecobee, Honeywell Lyric T6, Tado y la comparativa con COMFOStat.

Tal y como se observa, las 2 grandes diferencias se encuentran en el aprendizaje de la calidad de la vivienda, es decir, cómo se comporta la propia vivienda antes los cambios climáticos cuando no existe sistema de calefacción. Por otro lado, control basado en temperatura operativa que representa de manera más fiel el confort del usuario. Además, el termostato de COMFOStat es capaz de determinar la predicción de radiación solar, conjunto los datos comunes de predicción meteorológica, de manera que permite estimar la ganancia solar.

Concepto del termostato

El concepto del termostato inteligente se muestra en la Figura 1, teniendo tres módulos principales, dos para aprendizaje automático y otro para la toma de decisiones. Con respecto al aprendizaje, por un lado, se pretende aprender sobre la inercia térmica de los sistemas de climatización para determinar el patrón y capacidad de calentamiento/enfriamiento de los sistemas existentes. Por otro lado, adaptar los horarios del usuario desde la configuración inicial hasta el aprendizaje del comportamiento real de los habitantes.

Algoritmo de aprendizaje de inercia

Como se ha mencionado anteriormente, el aprendizaje del termostato se centra en dos conceptos: aprendizaje del horario y aprendizaje de inercia, en el cual se centra esta sección. Una vez que el termostato ha sido instalado, éste comienza a aprender y va “perfeccionando” su conocimiento sobre el lugar en el que está instalado utilizando para ello la información obtenida por los algoritmos de aprendizaje. Para ser capaz de aprender la inercia del sistema en cada vivienda o edificio particular, el algoritmo de aprendizaje de inercia (en adelante, HeSLA – Heating System Learning Algorithm) se ejecuta cada cierto tiempo (en principio, una vez al día) y, utilizando los datos históricos almacenados desde la última vez que se llevaron a cabo tareas de aprendizaje, actualizará el conocimiento extraído hasta el momento. De entre todos los datos históricos almacenados por el termostato, HeSLA necesita los siguientes:

• Timestamp en que el sistema se pone en marcha
• Timestamp en que se alcanza la temperatura objetivo
• Predicción meteorológica y de radiación
• Temperatura operativa
• Con estos datos, HeSLA es capaz de aprender la inercia del sistema de calefacción en función de las condiciones externas.

Durante la fase de diseño del algoritmo, varias fueron las alternativas planteadas para llevar a cabo el aprendizaje automático, de entre las cuales cabe destacar:

• Redes Neuronales Artificiales
  • Redes Neuronales convencionales
• Redes Neuronales convolucionales
  • Modelos estadísticos
• Aproximación por funciones. Rectas de regresión.

Finalmente, y tras evaluar las posibilidades de aplicación de las diversas técnicas de aprendizaje automático mencionadas (Kdnuggets, 2017)(Stanford, 2017), se decidió apostar por los modelos estadísticos, ya que la escasa cantidad de datos de que se va disponiendo una vez instalado el termostato hace inviable la aplicación de cualquier tipo de red neuronal (en una vivienda o edificio, el número de ciclos de encendido-apagado al día del sistema de calefacción es realmente bajo, por lo que para poder aplicar redes neuronales sería necesario tener el termostato funcionando meses y meses). La Tabla II muestra una comparativa de las diversas técnicas de aprendizaje automático evaluadas.

Utilizando métodos estadísticos, los datos recogidos hasta el momento (como se ha comentado, el algoritmo se ejecuta periódicamente para ir actualizando la información aprendida en base a los datos que se hayan recogido hasta el momento) son aproximados utilizando una función conocida, que irá ajustándose cada vez mejor a medida que se va disponiendo de más y más datos.

El análisis de regresión (Minitab, 2017) es una técnica de modelado predictivo que evalúa la relación entre ciertas variables independientes (predictores) y una variable dependiente (variable de salida). En este caso, el objetivo es encontrar una función que aproxime los datos recogidos y que sea capaz de predecir la inercia. De esta forma, las relaciones entre la variable dependiente y las independientes quedan patentes, así como el grado de influencia de cada una de las variables independientes sobre la variable de salida.

Una vez seleccionado el método de aprendizaje automático a utilizar, cabe destacar que en el caso de HeSLA es necesario realizar dos análisis de regresión: uno para estimar la “bondad” del aislamiento de la vivienda/el edificio en el que está instalado el termostato (y predecir el valor de la temperatura interior en base a la temperatura exterior y la radiación solar), y otro para predecir la inercia en función de las condiciones externas.

Algoritmo de aprendizaje de los hábitos usuario

El programador horario del termostato tiene dos modos de funcionamiento:

• Programador básico: en este caso, el termostato no realiza ningún tipo de aprendizaje. El usuario programa el termostato manualmente, y opera en base a dichas consignas de funcionamiento.
• “Auto programador”: el termostato aprende de los hábitos del usuario, creando así un horario personalizado centrado en los hábitos de los usuarios que ocupan el lugar donde está instalado.

El algoritmo de aprendizaje de los hábitos del usuario utiliza la información relativa a los cambios de consigna o de modo de operación que el usuario realiza sobre el termostato para ir ajustando el horario inicial especificado por el usuario durante la instalación de COMFOStat, de forma que el termostato va aprendiendo cuáles son los hábitos del usuario y se anticipa a las acciones del mismo, permitiéndole desentenderse completamente del control de los sistemas de climatización. Este algoritmo de aprendizaje utiliza también la información de geofencing.

Una vez instalado el termostato, se toma como base el horario introducido por el usuario durante la instalación, y a partir de dicho horario, va utilizando la información anteriormente mencionada para ir ajustándolo y adaptándolo a lo que el usuario vaya haciendo en el día a día. Para cada día de la semana, y en tramos de media hora, el termostato va calculando probabilidades para cada uno de los tres modos de operación definidos (off, stand by, confort), los cuales tienen asociada una temperatura “de base”. Dichas probabilidades, junto a los datos relativos a las condiciones internas y externas y al resto de información disponible procedente del resto de algoritmos de aprendizaje, son utilizadas por el controlador basado en temperatura operativa para realizar sus funciones.

Controlador basado en temperatura operativa

Respecto al controlador, este algoritmo trata la toma de decisiones sobre las variables de actuación de los sistemas de climatización. La gran ventaja que presenta este algoritmo es la toma de decisiones basándose en la temperatura operativa, que se encuentra relacionada con la exergía. La exergía se puede definir como el máximo trabajo útil durante un proceso y, en relación con confort térmico, su valor se encuentra entre 20 y 40 W/m² (Juusela & Shukuya, 2014). Para llevar a cabo este concepto, se considera que el cuerpo humano trabaja como un motor de calor, siendo el metabolismo otra expresión del proceso de la exergía. Por lo tanto, se puede afirmar que el cuerpo humano consume exergía y depende de la temperatura media radiante.

Teniendo en cuenta este concepto, es indudable que controlar en base a la exergía, en lugar de la temperatura del aire, incrementaría el confort térmico. Tal y como se expone en (Juusela & Shukuya, 2014), la sostenibilidad se mejoraría puesto que la demanda se reduce puesto que la exergía proporciona predicción más exacta con respecto a las necesidades de calefacción. La exergía relaciona directamente las temperaturas del ambiente y la temperatura radiante media, tal y como se muestra en la Figura 2. De esta manera, la recta en negro proporciona el valor donde el confort térmico se maximiza, incrementando el bienestar del usuario.

Aparte del control basado en exergía, la otra gran ventaja es que el algoritmo toma las salidas de los módulos de aprendizaje, por lo tanto, conoce en todo momento la inercia de la vivienda y los hábitos del usuario. De esta manera, tiene la capacidad de decidir si el sistema de calefacción/refrigeración debe encenderse/apagarse acorde a las condiciones de confort proporcionados por la temperatura operativa, ahorrando consumo de energía y mejorando las condiciones de habitabilidad. Por último, cabe destacar que el usuario siempre tiene la capacidad de modificar los valores, en cuyo caso, se priorizan dichos comandos.

Involucración de los usuarios

Un aspecto importante que hay que tener en cuenta es la interacción del usuario, del cual es necesario extraer mucha de la información necesaria para dotar de inteligencia al sistema, puesto que el principal actor. Con tal fin, el termostato posee una interfaz gráfica en el propio dispositivo y otra a través de una aplicación Android, las cuales facilian interacción entre el usuario, el dispositivo y, por lo tanto, con la vivienda. La Figura 3 muestra la versión preliminar de la interfaz para la interacción máquina-humano que permite al usuario configurar sus hábitos, temperaturas de consigna y modo de funcionamiento.

Conclusiones

Como ya se ha mencionado, se ha desarrollado un termostato que, en lugar de controlar los sistemas de climatización utilizando la temperatura del aire, utiliza la temperatura operativa, la cual se relaciona directamente con el confort humano, logrando así un control totalmente orientado a incrementar el confort de los usuarios. Además, conocer la inercia del sistema permite una utilización más eficiente de los sistemas de climatización, ya que se sabe exactamente cuándo deben ponerse en marcha o apagarse, evitando el gasto innecesario que supone tenerlos funcionando más tiempo del estrictamente necesario.

Por otra parte, el aprendizaje del horario permite anticiparse a las acciones del usuario, reduciendo al mínimo la interacción del mismo con el termostato y permitiendo que el usuario esté totalmente “despreocupado” del funcionamiento del mismo. La utilización de técnicas de geofencing también favorece enormemente esta “anticipación” a las acciones del usuario.

Referencias

• Directive 2002/91/EC, Energy performance of buildings, online: http://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A32002L0091, accedido 10 de abril 2018.
• Escuela de diseño de Madrid, ESDIMA, ¿Qué es un edificio inteligente?, online, http://esdima.com/que-es-un-edificio-inteligente/, accedido 10 de abril 2018.
• Europa 2020, online, http://ec.europa.eu/europe2020/index_es.htm, accedido 28 marzo 2018.
• Juusela, M., Shukuya, M., 2014, Human body exergy consumption and thermal comfort of an office worker in typical and extreme weather conditions in Finland, Energy and Buildings, V. 76, pp. 249-257, ISSN 0378-7788,
• Kdnuggets, online, https://www.kdnuggets.com/2017/07/introduction-neural-networks-advantages-applications.html, accedido 19 diciembre 2017.
• Minitab Blog, http://blog.minitab.com/blog/adventures-in-statistics-2/how-to-choose-the-best-regression-model, accedido 21 diciembre 2017.
• Stanford, online, http://ufldl.stanford.edu/tutorial/supervised/ConvolutionalNeuralNetwork/, accedido 19 diciembre 2017.