Transformando la Gestión Energética de Edificios: Aprendizaje Automático Híbrido Escaso, Interpretable y Transparente para Clasificación Probabilística y Modelado Energético Predictivo
Autores: Meng, Yiping; Sun, Yiming; Rodriguez, Sergio; Xue, Binxia
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Transformando la Gestión Energética de Edificios: Aprendizaje Automático Híbrido Escaso, Interpretable y Transparente para Clasificación Probabilística y Modelado Energético Predictivo
Categoría
Artes
Subcategoría
Arquitectura
Palabras clave
Sector de la construcción
Consumo de energía
Sostenibilidad
Aprendizaje automático
Gestión de energía
Cuantificación de la incertidumbre
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 37
Citaciones: Sin citaciones
El sector de la construcción, responsable del 40% del consumo energético global, enfrenta crecientes demandas de sostenibilidad y eficiencia energética. La previsión precisa del consumo energético es esencial para optimizar el rendimiento y reducir el impacto ambiental. Este estudio presenta un marco híbrido de aprendizaje automático basado en un modelado Escaso, Interpretable y Transparente (SIT) para mejorar la gestión energética de los edificios. Aprovechando el Conjunto de Datos de Hogares Inteligentes REFIT, el marco integra el análisis de patrones de ocupación, la predicción del consumo energético a nivel de electrodomésticos y la cuantificación de incertidumbres probabilísticas. El marco agrupa los patrones de uso energético impulsados por la ocupación utilizando K-means y Modelos de Mezcla Gaussiana, identificando tres perfiles de hogar distintos: ocupación frecuente de alta energía, ocupación variable de energía moderada y ocupación irregular de baja energía. Se emplea un clasificador de Bosque Aleatorio para identificar los electrodomésticos clave que influyen en la ocupación, con un análisis de caída en la precisión que verifica su poder predictivo. El análisis de incertidumbre cuantifica la confianza en la clasificación, revelando períodos ambiguos vinculados a patrones de uso irregular de electrodomésticos. Además, la descomposición de series temporales y las predicciones a nivel de electrodomésticos se contextualizan con dinámicas estacionales y de ocupación, mejorando la interpretabilidad. Las evaluaciones comparativas demuestran la superior precisión predictiva y transparencia del marco en comparación con modelos tradicionales de aprendizaje automático único, incluidos Máquinas de Vectores de Soporte (SVM) y XGBoost en Matlab 2024b y Python 3.10. Al capturar comportamientos energéticos impulsados por la ocupación y tener en cuenta las incertidumbres inherentes, esta investigación proporciona información práctica para la gestión energética adaptativa. El modelo híbrido SIT propuesto puede contribuir a sistemas energéticos inteligentes sostenibles y resilientes, allanando el camino para estrategias eficientes de gestión energética en edificios.
Descripción
El sector de la construcción, responsable del 40% del consumo energético global, enfrenta crecientes demandas de sostenibilidad y eficiencia energética. La previsión precisa del consumo energético es esencial para optimizar el rendimiento y reducir el impacto ambiental. Este estudio presenta un marco híbrido de aprendizaje automático basado en un modelado Escaso, Interpretable y Transparente (SIT) para mejorar la gestión energética de los edificios. Aprovechando el Conjunto de Datos de Hogares Inteligentes REFIT, el marco integra el análisis de patrones de ocupación, la predicción del consumo energético a nivel de electrodomésticos y la cuantificación de incertidumbres probabilísticas. El marco agrupa los patrones de uso energético impulsados por la ocupación utilizando K-means y Modelos de Mezcla Gaussiana, identificando tres perfiles de hogar distintos: ocupación frecuente de alta energía, ocupación variable de energía moderada y ocupación irregular de baja energía. Se emplea un clasificador de Bosque Aleatorio para identificar los electrodomésticos clave que influyen en la ocupación, con un análisis de caída en la precisión que verifica su poder predictivo. El análisis de incertidumbre cuantifica la confianza en la clasificación, revelando períodos ambiguos vinculados a patrones de uso irregular de electrodomésticos. Además, la descomposición de series temporales y las predicciones a nivel de electrodomésticos se contextualizan con dinámicas estacionales y de ocupación, mejorando la interpretabilidad. Las evaluaciones comparativas demuestran la superior precisión predictiva y transparencia del marco en comparación con modelos tradicionales de aprendizaje automático único, incluidos Máquinas de Vectores de Soporte (SVM) y XGBoost en Matlab 2024b y Python 3.10. Al capturar comportamientos energéticos impulsados por la ocupación y tener en cuenta las incertidumbres inherentes, esta investigación proporciona información práctica para la gestión energética adaptativa. El modelo híbrido SIT propuesto puede contribuir a sistemas energéticos inteligentes sostenibles y resilientes, allanando el camino para estrategias eficientes de gestión energética en edificios.