32 4 Ingeniería Hoy

Climatización – Control – Eficiencia Energética

Eduardo Dulce Chamorro (edulce@riojasalud.es)Ingeniero Industrial

Subdirector de Infraestructuras y Servicios TécnicosServicio Riojano de Salud

1. Introducción

Los edificios europeos son responsa-bles del 38% de las emisiones de CO2. Losobjetivos de ahorro de energía en los edi-ficios de la Unión Europea para el año 2020se fijaron en un aumento del 20% en laeficiencia energética de los mismos, y enuna reducción del 20% en las emisiones degases de efecto invernadero. El 28 de no-viembre de 2018, la Comisión Europeapresentó su nueva estrategia a largo plazocon el objetivo de limitar el aumento de latemperatura global muy por debajo de los2°C previstos de aumento, y perseguir losesfuerzos para mantenerla por debajo de1,5°C. Por lo tanto, para 2050, la UE debe-ría reducir sus emisiones en un 80%, pordebajo de los niveles emitidos en 1990.

Los hospitales son edificios que re-quieren grandes cantidades de energía. Losusuarios y trabajadores demandan siste-mas de aire acondicionado para conforthumano. Los servicios y actividades asis-tenciales emplean sistemas de refrigera-ción que también utilizan la red de aguarefrigerada del hospital. Estos sistemas seencuentran entre las instalaciones hospi-talarias que consumen más energía. Estu-dios anteriores como los realizados por elIDAE y Fenercom en la “Guía de ahorro yeficiencia energética en hospitales”, handemostrado que la energía utilizada paragenerar agua refrigerada supera el 45% de

la energía total demandada por un hospi-tal, mientras que la demandada para ilumi-nación es un 35% y el 20% restante ACS.

Los sistemas de gestión técnica deedificios BMS (Building ManagementSystems) contribuyen a aumentar la efi-ciencia energética y el ahorro económicode los hospitales. Además, si implementa-mos en los mismos la predicción de la de-manda de refrigeración, podemos contarcon una función de gran utilidad, ya querepresenta un problema común y un factorclave de decisión cuándo deben entrar enfuncionamiento los generadores. Si conta-mos con un modelo de predicción de de-

manda de agua refrigerada de nuestro edi-ficio, como la realizada para este artículo,podremos disponer de una previsión delfuncionamiento de las enfriadoras.

El BMS utilizado en este estudio fueimplementado durante la construcción delhospital en enero de 2008. El control de lasinstalaciones se hace en tiempo real, me-diante la información capturada por los di-ferentes sensores instalados tanto en elexterior del edificio como en las sondas deinmersión de las tuberías del sistema deagua refrigerada. Pero el sistema de controlexistente generaba más arranques y para-das de las necesarias. Esto produce un en-

Nuevo control de climatización utilizandométodos de aprendizaje automáticoy predicciones meteorológicasAplicación a un hospital de 600 camasLa predicción de la demanda de refrigeración térmica de una instalación hospitalaria es un método innovador con potencialpara mejorar la eficiencia energética de estos edificios. Un modelo puede ayudarnos a predecir la actividad de los generadorestérmicos de agua refrigerada y a mejorar la eficiencia general de todo el sistema. El objetivo es que la generación de energíapueda conocerse anticiadamente, adaptarse y ajustarse a la demanda real esperada. Además se pueden reducir los costes demantenimiento relacionados con las averías de estos generadores térmicos al prevenirse los arranques y paradas ineficientes.

Figura 1. Vista aérea del edificio del Hospital San Pedro de Logroño.

Ingeniería Hoy 4 33

Climatización – Control – Eficiencia Energética

vejecimiento prematuro de los generado-res, problemas de sub-enfriamiento delagua refrigerada al trabajar las enfriadoraspor debajo de la temperatura de consignay averías frecuentes. La generación deagua de refrigeración se debe adaptar a lademanda real esperada para el día encurso. Los costes de mantenimiento rela-cionados con las averías de las enfriadorasy los arranques y paradas ineficaces tam-bién se pueden reducir.

Un modelo predictivo de la demandade enfriamiento térmico puede ayudar apronosticar la actividad de los generadoresenfriados por agua, controlados por elBMS, y mejorar la eficiencia general deledificio. Este artículo detalla los pasos to-mados para desarrollar un modelo predic-tivo de baja complejidad a través del ajustede parámetros automático y de la selec-ción de algoritmos de predicción. Estenuevo método operacional empleado aquípuede ser replicado en hospitales similarescon generadores enfriados por agua, sinimportar si son nuevos o existentes.

1.1 Creación de un modelo de predicción

Para la creación del modelo de predic-ción se utilizó el proceso de trabajo deno-minado técnica KDD. Su acrónimo eninglés significa Knowledge Discovery inDatabases, y su descripción gráfica es la si-guiente (figura 2).

Este método consiste en extraer la lec-tura de los datos del sistema de control ode otras fuentes y consolidarlos en unaúnica base de datos (Dataset). Posterior-mente se realiza una limpieza de los datoshasta tener una base de datos preproce-sada. En muchos modelos se realiza una in-geniería de datos para crear nuevasvariables o registros, técnica denominadaFeature Engineering. Esta técnica consisteen el uso de algoritmos que utilizando otrasvariables permiten calcular nuevos paráme-tros destacables en los patrones de mode-lado. Finalmente y una vez que tenemos labase de datos consolidada para el cálculo,mediante el uso de un algoritmo de cálculoadecuado, y con los parámetros ajustados,obtendremos un modelo con unos erroreslo suficientemente aceptables como parapoder realizar predicciones.

Existen innumerables técnicas paraobtener modelos matemáticos, pero su usodepende de la adaptación de las mismos ala distribución de los datos, y a la obtenciónde los menores errores de predicción. Entrelas principales técnicas de minería de datosse pueden destacar los métodos bayesia-

nos, los árboles de decisión, las redes neu-ronales, las máquinas vector soporte, losalgoritmos evolutivos, etc.

Para el test del modelo se utilizó la li-brería de R denominada GAparsimony. Setrata de un sistema que mediante algorit-mos genéticos permite testear los mode-los con diferentes técnicas de minería dedatos y ajustar los parámetros, para obte-ner de manera automática el modelo óp-timo más sencillo y con menor error depredicción.

2. Descripción del edificio estudiado

El Hospital de San Pedro se encuentraen la ciudad de Logroño, es el hospital dereferencia de la comunidad autónoma deLa Rioja y forma parte del sistema sanitariopúblico español. El edificio del Hospital SanPedro tiene una superficie de unos125.000 m2. La mayoría de las instalacio-nes de generación térmica, gas y alta ten-sión están ubicadas en un edificio anexopero independiente del propio hospital.

Los servicios médicos ofrecidos poreste hospital que requieren más energía

para su funcionamiento se enumeran acontinuación: edificio de hospitalizaciónde 600 camas, área de diagnóstico porimagen, 23 quirófanos, servicio de urgen-cias con 21 boxes, consultas externas, he-modiálisis, unidad de cuidados intensivoscon 17 boxes, endoscopia, rehabilitación,laboratorios, farmacia, esterilización, y ser-vicios generales.

2.1 Descripción de las instalaciones

El hospital cuenta con un sistema deproducción de agua fría centralizado en eledificio de instalaciones. Consta de 4 en-friadoras EF1, EF2, EF3 y EF4: 3 de ellas detipo centrífugo de 3.51 MW (modelo CVFGde Trane) y 1 máquina de tornillo (modeloTrane RTHD) de 1 MW de capacidad de re-frigeración. Los datos de consumo eléctricodel sistema se describen en la Tabla 1.

El BMS del hospital está compuestoprincipalmente por controladores que per-tenecen a la familia Sauter EY3600 y quese comunican entre sí a través del bus no-vaNet. El sistema de gestión es unaSCADA, cuyo entorno es novaPro Open4.1.

Figura 2. Técnica de realización de modelos de predicción KDD.

Tabla 1. Información técnica sobre la producción de frío.

34 4 Ingeniería Hoy

Climatización – Control – Eficiencia Energética

El agua refrigerada en un hospital tieneaplicaciones esenciales no solo para elbienestar humano, sino también para lasnecesidades sanitarias e industriales deledificio, a saber: climatización de salas deintervención y cirugía ambulatoria, cuida-dos intensivos, salas de parto y boxes deemergencia. También se utiliza en equiposde radiología y diagnóstico por imagen,escáneres, equipos de mamografía, etc.,para refrigeración de cámaras frigoríficascomo en banco de sangre, cocina, farmaciay para Kardex de medicamentos, refrige-ración de carros de cocina, anatomía pato-lógica, mortuorio, laboratorios, centros dedatos, etc.

Es por esta criticidad que este estudiose centra en determinar un modelo de pre-dicción para un sistema de agua refrige-rada, dada su importancia para los servicioshospitalarios y su alto nivel de consumoeléctrico total.

2.2 Descripción de trabajos previosy soluciones propuestas

Dentro de los trabajos previos al estu-dio se detectaron cuatro problemas prin-cipales que debían solucionarse: arranquesy paradas incontrolados, prevención deaverías, subenfriamiento del agua del anilloy por último temperaturas del anillo supe-riores a las establecidas como consigna.Por lo tanto, como resultado del análisis dedatos exploratorios (EDA) inicial y de la re-visión de las instalaciones, se implemen-taron algunas acciones previas paramejorar la eficiencia del sistema:

– Instalación un sistema de variador defrecuencia inverter en la enfriadora EF4. Elvariador de frecuencia (AFD) puede regularla velocidad del motor del compresor conuna carga parcial.

– En las enfriadoras EF1, EF2, EF3, que

son enfriadoras de tipo centrífugo, la ins-talación de un AFD no es posible, ya queeste tipo de enfriadoras poseen una mo-dulación con la carga de refrigerante. Sí seinstalaron y configuraron tarjetas de hard-ware de comunicación que mejoran la in-tegración con el sistema de control BMSdel edificio.

–Mejora del cálculo del punto de con-signa de la temperatura del anillo de aguafría, para reducir el número de arranques yparadas en las enfriadoras. Para ello se es-tableció una consigna lineal en función dela temperatura exterior, en contra de lasconsignas en escalones, lo que permitióuna drástica reducción del número dearrancadas de las enfriadoras.

3 DATASET: conjunto de datos

3.1 Extracción de datos

El BMS instalado en el Hospital SanPedro tiene dos formas de registrar datos:mediante el sistema de generación (el BMSSauter novaPro Open) y mediante el sis-tema para registrar los parámetros de con-sumo, como son electricidad, agua y gas,etc. (el Sistema de Gestión de Energía,Sauter EMS). En este caso la lista de datosde las variables se extrajeron del sistemade generación de BMS para realizar esteestudio se incluye en la Tabla 2.

3.2 Pre-procesado de datos

Se llevaron a cabo las siguientes accio-nes:

1. Extracción de datos del BMS.

2. Agrupación de datos cada hora. Elsistema registra en la base de datos única-mente cuando una variable altera su es-tado o cambia su medida. La diferencia detiempo entre mediciones puede variar desegundos a horas. Por lo tanto, fue nece-sario diseñar un algoritmo que agrupara lasmediciones en bloques temporales de 1hora sin generar errores acumulados.

3.3 Feature Engineering

Durante esta parte se llevaron a cabolas siguientes acciones:

1. Creación de nuevas variables, calcu-lándolas como en el caso de la potenciatérmica y de la energía térmica generada.

2. Filtrado de la variable a predecir,ENERGIAKWHPOST.

El BMS existente carece de un sistemade medición de la energía térmica gene-rada de las enfriadoras, no obstante se cal-culó tanto la potencia térmica instantáneacomo la energía térmica generada, graciasa las otras variables disponibles en el sis-tema de medición, y al hecho de que eneste sistema hidráulico el caudal de labomba no es variable.

La potencia térmica se puede calcularmediante la siguiente fórmula:

Potencia térmica( W ) = Caudal( l/h )x Salto térmico(°C) x Ce

Siendo: Ce, el calor específico del agua =1.16 Wh / kg°C.

Al ser una hora el tiempo de trabajomínimo de los generadores, la variable depredicción elegida fue la variable energía:ENERGIAKWHPOST [kWh], en lugar de lapotencia instantánea [kW].

Debido a los ajustes iniciales que se hi-cieron, el número de arranques y paradasde los generadores se redujo enorme-mente, y por tanto la variable de la EnergíaTérmica generada, ENERGIAKWHPOST,presentaba un gran número de dientes desierra, lo que hubiera provocado más ade-lante un aprendizaje incorrecto, por lo sefiltró previamente. Se probaron diferentesfunciones de filtrado para suavizar lospicos. El método gaussiano fue el métodoseleccionado para filtrar la variable deenergía térmica, ENE_GAUSSFILT7, repre-

Figura 3. Esquema de principio del sistemahidráulico de agua refrigerada.

Tabla 2. Variables del sistema de control BMS.

Ingeniería Hoy 4 35

sentada por la línea azul en la figura 4. Seeligió este método por sus bajos erroresmedios, y porque la energía suma acumu-lada, en el mes analizado, fue similar a lacantidad real de energía acumulada.

3.4 Conjunto de datos seleccionados

Las variables seleccionadas finalmentepara realizar el modelo de predicción de laenergía demandada fueron los siguientes:

- ENE_GAUSSFILT7, variable a predecir.- mes.- día de la semana.- variable booleana para definir si el día

actual es festivo.- Temperatura de impulsión del anillo.- Temperatura exterior.- Temperatura media diaria.- Temperatura máxima diaria.- Temperatura mínima diaria.

4. Modelado

La librería de R, GAparsimony fue elmétodo elegido para seleccionar el algo-ritmo más óptimo de predicción. GAparsi-mony permite probar entre variosalgoritmos de predicción, ajustando susparámetros y seleccionando el menor nú-mero de variables de entrada, hasta en-contrar el el modelo con un menor error.Esta metodología se ha utilizado con éxitoen una variedad de aplicaciones reales,como en los procesos industriales delacero, la previsión de reservas de habita-ciones de hotel, el diseño mecánico y laprevisión de la radiación solar.

Para este modelo, se han realizadopruebas con tres algoritmos de predicción:redes neuronales artificiales (ANN), má-quinas de vectores de soporte (SVR) y má-quinas de aumento de gradiente extremo(XGB).

5. Resultados obtenidos

El algoritmo SVR obtuvo los menoreserrores de validación y de prueba con solo3 atributos: el mes y la temperatura exte-rior y mínima. ANN quedó en segundolugar con 7 atributos y, finalmente, XGBseleccionó solo 4.

La figura 5 muestra la representaciónde datos de testeo para la predicción deEnergía térmica generada utilizando elmodelo desarrollado, siendo la línea centralroja la situación ideal en la que el modelono tuviera errores.

La Tabla 3 muestra los errores de vali-

dación con los datos de testeo, y las varia-bles empleadas para cada algoritmo.

Debido al análisis de datos explorato-rios (EDA) realizado al principio y aplicadodespués de abril de 2018, el SVR obtuvo unmejor modelo con una solución de bajacomplejidad que promedia "el ruido" y re-duce las diferencias entre la base de datoscreada el primer año y los datos de valida-ción / testeo de los últimos 12 meses.

6. Conclusiones

Este estudio ha demostrado satisfac-toriamente como un modelo de predicciónpuede resultar de utilidad para pronosticarla demanda de energíatérmica del edificio, yasí poder realizar unaprogramación horariade las enfriadoras delcentro en las próximashoras.

Las variables de en-trada del modelo resul-tante son 3 variablesconocidas previamente,y que las podemos ex-traer de modelos depredicción meteoroló-

gicos que están a disposición pública(TEXT, TMIN), por lo que se muestra total-mente viable y sencillo utilizar este modelopara realizar predicciones.

Con nuevos datos, y eliminando losdatos no optimizados de los primeros 12meses, podremos obtener un modelo másoptimizado y con menores errores.

El último paso de este estudio consisteen implementar el modelo de predicciónen el software de decisión BMS, y hacer unseguimiento de la respuesta real para rea-lizar los ajustes correspondientes hastatener un sistema completamente auto-matizado.

Climatización – Control – Eficiencia Energética

Figura 4. Filtrado Gaussiano de la Energía Térmica generada.

Figura 5. Predicción de energía térmica generada vs. Energía térmica generada realmente.

Tabla 3. Parámetros seleccionados de los modelos.