Control y detección de anomalías de confort térmico y eficiencia energética en edificios a partir de variables autocorreladas

Abstract

[Resumen]: En este trabajo se presenta, de una forma intuitiva, paso por paso, la metodología propuesta en el artículo “Assessing thermal comfort and energy efficiency in buildings by statistical quality control for autocorrelated data” para el control de procesos definidos por una variable (critical to quality variable, CTQ) cuyas observaciones están autocorreladas, permitiendo, a su vez, la detección de anomalías, siendo éste su principal objetivo. De hecho, el origen de este procedimiento estáa en la necesidad de detección automática de alarmas que tienen las empresas relacionadas con las instalaciones de energía en edificios, en el marco de la Industria 4.0 y la digitalización de la producción y los servicios. En concreto, la empresa Σqus, desarrolladora de plataformas de Internet of Things (IoT) en el sector de la energía en edificaciones (centros comerciales, oficinas, hoteles, hospitales) presentó a los autores su necesidad de implementar algoritmos que permitieran la detección automática de anomalías en sus sistemas de climatización (Heating, Ventilation, and Air Conditioning, HVAC) a partir de variables como la temperatura ambiente interior o el consumo de energía en climatización, es decir, anomalías relacionadas con la eficiencia energética y de confort térmico del edificio. En consecuencia, se propuso la aplicación de gráficos de control x, de medidas individuales y de medias ponderadas exponencialmente (EWMA) a las variables CTQ. Dado que sus observaciones no son independientes (como es común en datos monitorizados continuamente con respecto al tiempo), se propone un procedimiento para aplicar estos gráficos a los residuos correspondientes al previo ajuste de modelos ARIMA para series de tiempo. El estudio se complementa con el análisis de la capacidad de las instalaciones HVAC del edificio para cumplir las especificaciones en términos de consumo energía y confort térmico, a través de la propuesta de aplicación de índices de capacidad univariante para datos autocorrelados.