Predicción de consumo eléctrico de un edificio no residencial con Machine Learning ; Prediction of electricity consumption in a non-residential building using Machine Learning

Dado que las personas pasan gran parte del tiempo en edificios, es necesario diseñar ambientes interiores que les garanticen salud, bienestar y productividad. Esto podría lograrse a expensas de la energía consumida por los sistemas de calefacción, ventilación y aire acondicionado, que representan ha...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Escudero, Camila, Concha, Tomás, Hongn, Marcos
Formato: Artículo acceptedVersion
Lenguaje:Español
Publicado: Universidad Católica de Salta. Facultad de Arquitectura y Urbanismo (Salta) 2025
Materias:
Arquitectura sustentable
Consumo de energía
Inteligencia artificial
Previsión
Acceso en línea:https://bibliotecas.ucasal.edu.ar/opac_css/index.php?lvl=cmspage&pageid=24&id_notice=80550
Aporte de:
Repositorio Digital - Universidad Católica de Salta (UCASal) de Universidad Católica de Salta
id I49-R155-80550
record_format dspace
spelling I49-R155-805502026-02-23T09:25:56Z https://bibliotecas.ucasal.edu.ar/opac_css/index.php?lvl=cmspage&pageid=24&id_notice=80550 80550 20260223u u u0frey0103 ba spa Predicción de consumo eléctrico de un edificio no residencial con Machine Learning ; Prediction of electricity consumption in a non-residential building using Machine Learning Universidad Católica de Salta. Facultad de Arquitectura y Urbanismo (Salta) 2025-12-18 info:ar-repo/semantics/artículo info:eu-repo/semantics/article info:eu-repo/semantics/acceptedVersion application/pdf 1001514 Salta (province) Dado que las personas pasan gran parte del tiempo en edificios, es necesario diseñar ambientes interiores que les garanticen salud, bienestar y productividad. Esto podría lograrse a expensas de la energía consumida por los sistemas de calefacción, ventilación y aire acondicionado, que representan hasta el 56% del consumo total de los edificios. Para reducir este consumo, estrategias como precooling o preheating podrían resultar beneficiosas, siempre que se cuente con información anticipada sobre el comportamiento energético del edificio. En este trabajo, se aplicaron técnicas de machine learning para abordar el rellenado de vacíos en series de datos y la predicción de consumo eléctrico del edificio del Rectorado de la Universidad Nacional de Salta. Se utilizaron datos meteorológicos de estaciones propias, del Servicio Meteorológico Nacional y datos satelitales. Mediante redes neuronales, se rellenaron datos faltantes en las series de temperatura y radiación solar, y se entrenaron 16 modelos, basados en Deep Learning, para predecir el consumo eléctrico a diferentes temporalidades. Se evaluó el rendimiento, el horizonte de predicción y el costo computacional. Los resultados obtenidos muestran una buena capacidad predictiva del modelo seleccionado, con un valor de correlación superior a 0.95 para predicciones a 15 minutos y de 0.75 para predicciones a 6 horas. Given that people spend a significant portion of their time in buildings, it is essential to design indoor environments that promote their health, well-being, and productivity. This could be achieved at the expense of the energy consumed by heating, ventilation, and air conditioning systems, which account for up to 56% of total building energy consumption. To reduce this consumption, strategies such as precooling or preheating could be beneficial, provided there is advanced information on the building’s energy performance. In this work, machine learning techniques were applied to address gap filling in data series and predict electricity consumption at the Rector’s Office building of the National University of Salta. Meteorological data from own stations, the National Meteorological Service, and satellite data were used. Using neural networks, missing data in the temperature and solar radiation series were filled, and sixteen models based on deep learning were trained to predict electricity consumption at different time periods. Performance, prediction horizon, and computational cost were evaluated. The results obtained demonstrate a good predictive capacity for the selected model, with correlation values greater than 0.95 for 15-minute predictions and 0.75 for 6-hour predictions. Fil: Hongn, Marcos. Universidad Nacional de Salta; Argentina. Fil: Concha, Tomás. Universidad Nacional de Salta; Argentina. Fil: Escudero, Camila. Universidad Nacional de Salta; Argentina. Escudero, Camila Concha, Tomás Hongn, Marcos Arquitectura sustentable Consumo de energía Inteligencia artificial Previsión Teks del Sud. Cuadernos de Arquitectura & Diseño info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Atribución/Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) Researchers Students
institution Universidad Católica de Salta
institution_str I-49
repository_str R-155
collection Repositorio Digital - Universidad Católica de Salta (UCASal)
language Español
orig_language_str_mv spa
topic Arquitectura sustentable
Consumo de energía
Inteligencia artificial
Previsión
spellingShingle Arquitectura sustentable
Consumo de energía
Inteligencia artificial
Previsión
Escudero, Camila
Concha, Tomás
Hongn, Marcos
Predicción de consumo eléctrico de un edificio no residencial con Machine Learning ; Prediction of electricity consumption in a non-residential building using Machine Learning
topic_facet Arquitectura sustentable
Consumo de energía
Inteligencia artificial
Previsión
description Dado que las personas pasan gran parte del tiempo en edificios, es necesario diseñar ambientes interiores que les garanticen salud, bienestar y productividad. Esto podría lograrse a expensas de la energía consumida por los sistemas de calefacción, ventilación y aire acondicionado, que representan hasta el 56% del consumo total de los edificios. Para reducir este consumo, estrategias como precooling o preheating podrían resultar beneficiosas, siempre que se cuente con información anticipada sobre el comportamiento energético del edificio. En este trabajo, se aplicaron técnicas de machine learning para abordar el rellenado de vacíos en series de datos y la predicción de consumo eléctrico del edificio del Rectorado de la Universidad Nacional de Salta. Se utilizaron datos meteorológicos de estaciones propias, del Servicio Meteorológico Nacional y datos satelitales. Mediante redes neuronales, se rellenaron datos faltantes en las series de temperatura y radiación solar, y se entrenaron 16 modelos, basados en Deep Learning, para predecir el consumo eléctrico a diferentes temporalidades. Se evaluó el rendimiento, el horizonte de predicción y el costo computacional. Los resultados obtenidos muestran una buena capacidad predictiva del modelo seleccionado, con un valor de correlación superior a 0.95 para predicciones a 15 minutos y de 0.75 para predicciones a 6 horas. Given that people spend a significant portion of their time in buildings, it is essential to design indoor environments that promote their health, well-being, and productivity. This could be achieved at the expense of the energy consumed by heating, ventilation, and air conditioning systems, which account for up to 56% of total building energy consumption. To reduce this consumption, strategies such as precooling or preheating could be beneficial, provided there is advanced information on the building’s energy performance. In this work, machine learning techniques were applied to address gap filling in data series and predict electricity consumption at the Rector’s Office building of the National University of Salta. Meteorological data from own stations, the National Meteorological Service, and satellite data were used. Using neural networks, missing data in the temperature and solar radiation series were filled, and sixteen models based on deep learning were trained to predict electricity consumption at different time periods. Performance, prediction horizon, and computational cost were evaluated. The results obtained demonstrate a good predictive capacity for the selected model, with correlation values greater than 0.95 for 15-minute predictions and 0.75 for 6-hour predictions.
format Artículo
Artículo
acceptedVersion
author Escudero, Camila
Concha, Tomás
Hongn, Marcos
author_facet Escudero, Camila
Concha, Tomás
Hongn, Marcos
author_sort Escudero, Camila
title Predicción de consumo eléctrico de un edificio no residencial con Machine Learning ; Prediction of electricity consumption in a non-residential building using Machine Learning
title_short Predicción de consumo eléctrico de un edificio no residencial con Machine Learning ; Prediction of electricity consumption in a non-residential building using Machine Learning
title_full Predicción de consumo eléctrico de un edificio no residencial con Machine Learning ; Prediction of electricity consumption in a non-residential building using Machine Learning
title_fullStr Predicción de consumo eléctrico de un edificio no residencial con Machine Learning ; Prediction of electricity consumption in a non-residential building using Machine Learning
title_full_unstemmed Predicción de consumo eléctrico de un edificio no residencial con Machine Learning ; Prediction of electricity consumption in a non-residential building using Machine Learning
title_sort predicción de consumo eléctrico de un edificio no residencial con machine learning ; prediction of electricity consumption in a non-residential building using machine learning
publisher Universidad Católica de Salta. Facultad de Arquitectura y Urbanismo (Salta)
publishDate 2025
url https://bibliotecas.ucasal.edu.ar/opac_css/index.php?lvl=cmspage&pageid=24&id_notice=80550
work_keys_str_mv AT escuderocamila predicciondeconsumoelectricodeunedificionoresidencialconmachinelearningpredictionofelectricityconsumptioninanonresidentialbuildingusingmachinelearning
AT conchatomas predicciondeconsumoelectricodeunedificionoresidencialconmachinelearningpredictionofelectricityconsumptioninanonresidentialbuildingusingmachinelearning
AT hongnmarcos predicciondeconsumoelectricodeunedificionoresidencialconmachinelearningpredictionofelectricityconsumptioninanonresidentialbuildingusingmachinelearning
_version_ 1861514783518359552

Ejemplares similares