A Data-Driven Forecasting Strategy to Predict Continuous Hourly Energy Demand in Smart Buildings

Abstract

Los edificios inteligentes buscan tener un equilibrio entre el consumo energético y el confort de los ocupantes. Para que esto sea posible, los edificios inteligentes deben poder prever cambios repentinos en el consumo energético del edificio. Con la ayuda de modelos de previsión, los sistemas de gestión energética de los edificios, que son parte fundamental de los edificios inteligentes, saben cuándo podrían producirse cambios repentinos en el patrón de consumo energético. Actualmente, diferentes métodos de previsión utilizan modelos que permiten a los sistemas de gestión energética de los edificios pronosticar el consumo de energía. Debido a esto, cada vez es más necesario disponer de modelos de previsión adecuados para poder mantener un equilibrio entre el consumo energético y el confort de los ocupantes. El objetivo de este artículo es presentar una estrategia de previsión del consumo de energía que permita realizar predicciones horarias para el día a día. La estrategia de previsión presentada se prueba utilizando datos reales de dos edificios ubicados en Valladolid, España. Se utilizaron diferentes modelos de aprendizaje automático y aprendizaje profundo para analizar cuál podría funcionar mejor con la estrategia propuesta. Después de establecer el rendimiento de los modelos, se armó un modelo utilizando la media de los valores de predicción de los cinco modelos principales para obtener un modelo con mejor rendimiento.

Smart buildings seek to have a balance between energy consumption and occupant comfort. To make this possible, smart buildings need to be able to foresee sudden changes in the building’s energy consumption. With the help of forecasting models, building energy management systems, which are a fundamental part of smart buildings, know when sudden changes in the energy consumption pattern could occur. Currently, different forecasting methods use models that allow building energy management systems to forecast energy consumption. Due to this, it is increasingly necessary to have appropriate forecasting models to be able to maintain a balance between energy consumption and occupant comfort. The objective of this paper is to present an energy consumption forecasting strategy that allows hourly day-ahead predictions. The presented forecasting strategy is tested using real data from two buildings located in Valladolid, Spain. Different machine learning and deep learning models were used to analyze which could perform better with the proposed strategy. After establishing the performance of the models, a model was assembled using the mean of the prediction values of the top five models to obtain a model with better performance.