BuildingIQ ha desarrollado Predictive Energy Optimization™ (PEO), una plataforma de software basada en la nube que reduce el consumo de energía de HVAC entre un 10 y un 25% durante el funcionamiento normal. PEO se ha desarrollado en colaboración con la Organización de Investigación Científica e Industrial de la Commonwealth (CSIRO), la agencia científica nacional de Australia. Sus avanzados algoritmos y métodos de aprendizaje automático, implementados en MATLAB®, optimizan continuamente el rendimiento de los sistemas de calefacción, ventilación y aire acondicionado basándose en las previsiones meteorológicas a corto plazo y en las señales de los costes energéticos.
«CSIRO utilizó MATLAB para desarrollar la tecnología inicial. Seguimos utilizando MATLAB porque es la mejor herramienta disponible para crear prototipos de algoritmos y realizar cálculos matemáticos avanzados», afirma Borislav Savkovic, científico de datos principal de BuildingIQ. «MATLAB nos permitió hacer la transición de nuestros algoritmos prototipo directamente a algoritmos a nivel de producción que tratan con fiabilidad el ruido y la incertidumbre del mundo real».
El Reto
BuildingIQ necesitaba desarrollar algoritmos que pudieran procesar continuamente gigabytes de información procedente de diversas fuentes, como medidores de potencia, termómetros y sensores de presión de HVAC, así como datos meteorológicos y de costes energéticos. Un solo edificio produce a menudo miles de millones de puntos de datos, y los científicos e ingenieros necesitaban herramientas para filtrar, procesar y visualizar eficazmente estos datos.
Para ejecutar sus algoritmos de optimización, los científicos e ingenieros tuvieron que crear un modelo matemático preciso de la dinámica térmica y energética de un edificio. Los algoritmos utilizarían este modelo calculado para ejecutar optimizaciones restringidas que mantuvieran el confort de los ocupantes y minimizaran los costes energéticos.
BuildingIQ necesitaba una forma de desarrollar rápidamente modelos matemáticos, probar enfoques de optimización y aprendizaje automático, crear prototipos de algoritmos e implementarlos en su entorno informático de producción.
Validación en MATLAB de los datos de energía reales frente a la respuesta de energía del modelo.
La Solución
BuildingIQ utilizó MATLAB para acelerar el desarrollo y la implantación de sus algoritmos de optimización energética predictiva.
El flujo de trabajo de optimización comienza en MATLAB, donde los ingenieros de BuildingIQ importan y visualizan de 3 a 12 meses de datos de temperatura, presión y energía que comprenden miles de millones de puntos de datos. Utilizan Statistics and Machine Learning Toolbox™ para detectar picos y lagunas, y eliminan el ruido producido por los fallos de los sensores y otras fuentes mediante funciones de filtrado en Signal Processing Toolbox™. Los ingenieros de BuildingIQ ajustaron un modelo matemático desarrollado en MATLAB a los datos denotados utilizando funciones de ajuste de mínimos cuadrados de Optimization Toolbox™. Este modelo de medición y verificación (M&V) correlaciona la temperatura y la humedad ambiental con la energía consumida por el sistema de HVAC.
Como parte del proceso de modelado, utilizan algoritmos de aprendizaje automático de regresión SVM, modelos de mezcla gaussiana y agrupación k-means de Statistics and Machine Learning Toolbox para segmentar los datos y determinar las contribuciones relativas de la energía de gas, eléctrica, de vapor y solar a los procesos de calefacción y refrigeración.
El equipo construye un modelo PEO en MATLAB que captura el efecto del sistema HVAC y las condiciones ambientales en las temperaturas internas de cada zona, así como en el consumo total de energía para el edificio. Utilizando Control System Toolbox™ analizan los polos y ceros del sistema de control HVAC para estimar el consumo de energía total y determinar la rapidez con la que cada zona puede converger a su punto de ajuste.
Los ingenieros de BuildingIQ utilizan Optimization Toolbox y el modelo PEO para ejecutar optimizaciones multiobjetivo con cientos de parámetros, así como funciones de coste no lineales y restricciones para optimizar continuamente la eficiencia energética en tiempo real. Estas optimizaciones tienen en cuenta las previsiones meteorológicas y los precios de la energía para las próximas 12 horas, e identifican los puntos de ajuste óptimos de la climatización. En funcionamiento, el software Java® en la nube invoca los algoritmos de optimización de MATLAB periódicamente a lo largo del día.
Cada día, BuildingIQ calcula el coste energético de referencia del modelo de M&V, que representa lo que el cliente habría pagado por la energía de HVAC sin la plataforma PEO de BuildingIQ. El ahorro oscila entre el 10% y el 25%.
Un gráfico de la plataforma de optimización energética predictiva (PEO) de BuildingIQ. La plataforma optimiza el consumo de energía mediante la supervisión y el control de varias variables
Los Resultados
- Gigabytes de datos analizados y visualizados. «MATLAB facilita el procesamiento y la visualización de los grandes conjuntos de datos con los que trabajamos», afirma Savkovic. «Creamos diagramas de dispersión, gráficos en 2D y 3D y otros gráficos que muestran de forma significativa el rendimiento de nuestro sistema».
- La velocidad de desarrollo de los algoritmos se ha multiplicado por diez. «El desarrollo de algoritmos en MATLAB es 10 veces más rápido y más robusto que el desarrollo en Java», dice Savkovic. «Tenemos que filtrar nuestros datos, buscar polos y ceros, ejecutar optimizaciones no lineales y realizar otras numerosas tareas. En MATLAB, todas esas capacidades están integradas, son robustas y están validadas comercialmente».
- Los mejores enfoques algorítmicos se identifican rápidamente. «Con MATLAB podemos probar rápidamente nuevos enfoques para encontrar el que mejor funciona para nuestros datos», dice Savkovic. «Por ejemplo, probamos varios enfoques de optimización antes de seleccionar la programación cuadrática secuencial, y probamos varios algoritmos de aprendizaje automático de agrupación. Es una gran ventaja explorar diferentes métodos con tanta rapidez».
