Comunicación presentada al V Congreso Ciudades Inteligentes
Autores
- Sofía Mulero, José L. Hernández & Julia Vicente, Investigadores, Fundación CARTIF
- Patxi Sáez de Viteri, Investigador, Corporación MONDRAGON
- Félix Larrinaga, Investigador, Mondragon Unibersitatea
Resumen
El creciente movimiento de población de las zonas rurales a las ciudades hace que el modelo de gestión de recursos de la ciudad deba ser revisado, evolucionando hacia el concepto de Smart City, en el que estos son tratados de forma inteligente y eficiente. Uno de los más importantes es la energía y su planificación es vital para que demanda y consumo encajen. Se presenta un servicio de planificación energética sobre la plataforma urbana de Vitoria bajo el contexto del proyecto SmartEnCity (GA #691883), basado en datos estáticos y dinámicos para, mediante técnicas de machine-learning, adaptarse al contexto. Los elementos de ciudad incluidos en el modelo de entrenamiento se han caracterizado en base a datos del proyecto CITyFiED (GA #609129).
Palabras clave
Smart Cities, Eficiencia Energética, Planificación, Servicios Digitales, Machine-Learning
Introducción
Hoy en día, el 55% de la población mundial vive en áreas urbanas, una proporción que se espera que aumente al 68% para 2050 (United Nations, 2018). El cambio de las zonas rurales a las ciudades, junto con el crecimiento general de la población mundial, podría incrementar la población urbana en 2.500 millones de personas (United Nations, 2018). En este sentido, las ciudades deben adaptarse a este nuevo paradigma a través del concepto de Smart Cities para reducir el impacto ambiental y desarrollar un crecimiento sostenible con el objetivo de mejorar la calidad de vida de los ciudadanos.
Existen varias definiciones para ciudades inteligentes, según la Comisión Europea (European Commission, 2016), “una ciudad inteligente es un lugar donde las redes y servicios tradicionales se hacen más eficientes con el uso de las tecnologías digitales y de telecomunicaciones en beneficio de sus habitantes y negocios”. Dentro de este concepto, se incluyen temáticas como redes de transporte urbano más inteligentes, instalaciones de suministro de agua más eficientes, gestión de residuos, formas más eficientes de iluminar ciudades y sistemas eficientes de calefacción/refrigeración para edificios. Todos estos servicios están respaldados por las Tecnologías de la Información y la Comunicación (TIC), lo que aumenta la interactividad.
Para lograr un nivel de integración apropiado, las ciudades están implantando las Plataformas Urbanas Integradas (IUP de sus siglas en inglés Integrated Urban Platform). Una IUP se define según (Facchin & De Lathouwer, 2017) y (Heuser & Scheer, 2016) como “la realización implementada de una arquitectura / diseño lógico que reúne flujos de datos dentro y a través de los sistemas de la ciudad en una capa horizontal. Además, explota tecnologías modernas (sensores e IoT, cloud computing, dispositivos móviles, analíticas, redes sociales, etc.) que proporcionan datos en múltiples pilares (movilidad, gobernanza, energía), los integra y permite el aprovisionamiento de datos abiertos de servicios digitales mejorados”. Para llevarlo a cabo, una plataforma urbana debe cubrir un conjunto de requisitos (European Commission, 2016):
- Enfoque holístico: todas las aplicaciones disponibles en la ciudad deben ofrecerse como un todo en un contexto multidisciplinario, lo que aumenta las sinergias entre los diferentes pilares.
- Calidad de vida: los servicios de la plataforma urbana deben ofrecer una solución tecnológica con el objetivo de beneficiar la calidad de vida.
- Eficiencia: reducción del consumo de energía, gestión más eficiente de los recursos, disminución de los costes, herramientas de toma de decisions, etc.
- Interoperabilidad: se trata de lograr una integración global de las infraestructuras de las TIC mediante el aseguramiento de una comunicación basada en estándares abiertos entre todos los servicios inteligentes.
Tal y como se ha mencionado anteriormente, la gestión de la energía se constituye como uno de los pilares principales y de ahí el servicio propuesto en este artículo. Las ciudades buscan tomar decisiones con mayor precisión y eficiencia, pero, para tal fin, se hace necesario el uso de datos. El aprendizaje y las técnicas digitales (Big-Data o machine-learning) actuales permiten desplegar herramientas de soporte a la toma de decisiones que aprenden de situaciones anteriores para mejorar el futuro. Es por ello que, en este artículo se presenta un servicio digital capaz de predecir la demanda energética de un conjunto de edificios para facilitar la gestión de los recursos energéticos, teniendo siempre como objetivo el confort de los usuarios finales (ciudadanos). El servicio se enmarca como uno de los verticales de la plataforma urbana del proyecto SmartEnCity (https://smartencity.eu/, GA #691883) cuya arquitectura se explica en la siguiente sección. Sin embargo, debido a la falta de datos históricos, el proyecto CITyFiED (http://www.cityfied.eu/, GA #609129) ha servido como modelo de entrenamiento, siendo la solución energética muy similar a la del caso de SmartEnCity.
Plataforma digital urbana smartencity
Antes de detallar los conceptos de plataforma digital del proyecto, es importante tener en mente las metas del proyecto SmartEnCity. El principal objetivo es desarrollar un enfoque altamente adaptable y replicable de la transición urbana hacia ciudades sostenibles, inteligentes y eficientes en el uso de recursos en Europa. Para ello, se parte de una planificación integrada, así como la implementación de medidas destinadas a mejorar la eficiencia energética en los principales sectores consumidores de las ciudades, al mismo tiempo que aumenta el suministro de energía renovable. Hay tres pilares fundamentales que se tratan en el proyecto:
- Energía, o eficiencia energética, eje que se logra a través de la renovación de edificios desde el punto de vista térmico (es decir, aislamiento de fachadas y cambios de ventana), así como la integración de una red de calor basada en energía renovable, reduciendo el consumo de fuentes fósiles.
- Movilidad sostenible con el despliegue de vehículos eléctricos y puntos de recarga.
- TICs que se corresponden con la plataforma urbana y servicios de digitalización.
Es en este último punto donde encaja el servicio presentado en el documento, aunque con el objetivo de mejorar el pilar de energía. Para enmarcarlo dentro de la plataforma urbana, es importante conocer la arquitectura que se ha seleccionado para el proyecto SmartEnCity. En este caso, se corresponde con la arquitectura descrita dentro de la norma UNE 17804:2015 (AENOR, 2015) que lo define dentro de su comité para Ciudades Inteligentes CTN 178. Dicha norma es también parte de un estándar internacional publicado por la ITU-T (International Telecommunication Union). El esquema se presenta en la Fig. 1.
Se divide en diferentes capas, como sigue:
- Capa de sistemas de colección de datos que está relacionada con todas las infraestructuras que proveen datos, como sensores IoT (SCADAs y PLCs), sistemas de información externos, redes sociales, etc.
- Capa de interconexión y recogida de datos que implementa los adaptadores con los protocolos de la red de sensores para adquirir la información necesaria.
- Capa de conocimiento, donde los modelos de datos y la gestión de los mismos (repositorios) se despliegan para su análisis con los mecanismos ETL (extracción, transformación y carga).
- Capa de interoperabilidad para facilitar el intercambio de información entre diferentes partes a través de modelos comunes de representación.
- Capa de servicios inteligentes donde se encuentran los servicios de valor añadido o “verticales” que incluyen desde servicios de eficiencia energética o movilidad hasta servicios de gobernanza. Es precisamente en esta última capa en la que se engloba el servicio digital y, en particular, dentro del vertical de eficiencia energética.
Servicio de planificación de recursos energéticos
Esta sección describe los conceptos teóricos sobre los que se desarrolla el servicio de planificación energética, mientras que la siguiente detalla los resultados que se han obtenido. En este sentido, el objetivo del servicio es la predicción de la demanda energética que van a tener los edificios para cubrir las condiciones de confort según la previsión meteorológica. Gracias a esta predicción, tanto compañías de servicios energéticos (ESCO) como planificadores urbanos pueden estimar con una mejor exactitud los recursos energéticos necesarios. De esta forma, demanda y consumo real se ajustan en mayor medida a las necesidades, reduciendo las pérdidas y, por tanto, incrementando la sostenibilidad de una ciudad. Además, permite ajustar la compra de fuentes de energía (por ejemplo, biomasa) a la demanda real haciendo el sistema más sostenible.
El servicio digital se basa en grandes cantidades de datos para proporcionar un mejor soporte a la toma de decisiones. La solución se fundamenta en el concepto de Big Data para el tratamiento de datos y mecanismos de machine-learning capaces de aprender, así como de adaptarse continuamente a las condiciones cambiantes. Los conjuntos de información necesarios se establecen básicamente como históricos del consumo, caracterización de los “elementos consumidores” y predicción meteorológica.
Bajo las anteriores premisas, el servicio muestra dos partes bien diferenciadas. En primer lugar, se realiza una clasificación estática de, en este caso, los edificios como “elementos consumidores”. Con tal fin, técnicas de agrupamiento o clustering organizan los edificios en base a diferentes parámetros como, por ejemplo, orientación. Este análisis previo permite que edificios con diferentes condiciones se agrupen para mejorar el proceso. Es necesario tener en cuenta que, durante la ejecución del proyecto, los edificios no tendrán las mismas condiciones estáticas, lo cual es un factor clave en la valoración de la demanda. Es decir, habrá conjuntos de edificios donde los aislamientos de envolvente estarán implantados, otros que estarán en fase de implantación y otros que ni siquiera hayan comenzado, con el alto impacto que tiene en la demanda.
La principal razón de realizar un clustering previo está basada en la reducción de las necesidades computacionales: aplicar técnicas de machine-learning por edificio es viable, pero consume muchos recursos. Sin embargo, aplicar los mismos métodos a un único edificio por cluster disminuye cuantitativamente las necesidades de computación. Además, de este modo también se reducen los costes de monitorización puesto que solamente sería necesario monitorizar un edificio por grupo, extrapolando los resultados a todo el conjunto de edificios. En resumen, en lugar de generar n modelos (siendo n el número total de edificios), se reduce a k (siendo k el número de clusters).
En la segunda fase es donde los datos históricos del edificio seleccionado por cada cluster son utilizados para la aplicación de machine-learning. A través de técnicas de regresión se busca la relación entre la energía consumida por el edificio y las condiciones climáticas. Además, el machine-learning permite también determinar los patrones de comportamiento. Es decir, identificar cómo es la distribución de energía en los edificios que puede ser cambiante en función de factores de ocupación, utilización de diferentes consignas de calefacción, etc. Una vez que los modelos son validados, se extrapola al resto de edificios de cada grupo para, a través de la aplicación de predicción meteorológica, tener la capacidad de predecir la demanda del conjunto de edificios en un horizonte de 4 días.
Resultados durante el proceso de entrenamiento
Esta sección muestra los resultados obtenidos durante el proceso de entrenamiento. Es importante destacar que el proyecto SmartEnCity no dispone todavía de información histórica, por lo que el entrenamiento se ha realizado sobre los datos del proyecto CITyFiED. SmartEnCity propone una solución energética similar.
El escenario de partida se enmarca en el distrito de Torrelago, zona residencial de Laguna de Duero (Valladolid), lugar donde se ha desarrollado el proyecto CITyFiED. Se compone de 31 edificios construidos en torno a 1980 de tres topologías diferentes (A-C), que cuentan con 12 plantas y reúnen un total de 1488 viviendas. Los bloques se dividen en dos fases administrativas: 1-12 pertenecen a la primera de ellas, y el resto, 13-31, a la segunda. Las actividades desarrolladas por este proyecto afectan a más de 4000 residentes (CITyFiED, 2014). En la Fig. 2 (CITyFiED, 2015) puede observarse la distribución de los bloques.
Clasificación y caracterización de los edificios
Clasificar es el proceso de asignar una observación u objeto a su lugar correspondiente, considerando una serie de categorías establecidas. Dichas categorías pueden ser consideradas como etiquetas que pueden ser medidas o valoradas para la comparación. Esta tarea se compone de tres fases: selección de variables, normalización de datos y aplicación de técnicas de clustering. Se han considerado tres instantes temporales diferentes: antes de iniciar los trabajos de rehabilitación (invierno 2016-2017), durante ellos (invierno 2017-2018) y a posteriori (invierno 2018-2019). Los edificios se han agrupado de forma diferente en cada escenario, como puede comprobarse en la Fig. 3 (arriba-izquierda situación anterior, arriba-derecha situación durante la rehabilitación y abajo, situación posterior).
Los elementos estáticos que se han considerado son el tamaño del edificio, la orientación, la existencia de bloques contiguos, las sombras, el tipo y cantidad de ventanas, el horario de calefacción establecido y, por último, la fase de rehabilitación, en el caso en que se evalúa el tercero de los periodos mencionados. Para agrupar los edificios una vez terminadas las obras, se han tenido en cuenta los datos de simulación de consumo de energía (CITyFiED, 2015).
Una vez normalizados los datos, se aplica el algoritmo k-means para realizar el agrupamiento de los edificios de la forma más adecuada posible. Se ha testeado con k=3, 4 y 5, y las conclusiones son que, al menos, son necesarios 4 clusters para obtener buenos resultados, y aunque el algoritmo se ajusta mejor a medida que crece el número de grupos, también lo hace la complejidad. Los datos de precisión en la agrupación obtenidos para cada periodo se recogen en la Tabla I. El hecho de agrupar los edificios por comportamiento pretende facilitar la tarea de predicción, para, en vez de analizar cada bloque por separado, poder realizar una estimación de recursos en base a un edificio representativo por cluster.
Predicción de los recursos energéticos
La técnica de aprendizaje automático seleccionada para tal fin es la regresión lineal. Este método ha sido elegido por diferentes motivos: por un lado, en base a los resultados recogidos en la documentación de CITyFiED (CITyFiED, 2019), el modelo encaja en este tipo de escenario. Por otro, la cantidad de datos con los que se va a contar en el proyecto SmartEnCity no va a permitir desarrollar modelos de aprendizaje demasiado complejos y con alta carga computacional. Esta regresión se realiza en base a los heating degree days, y los resultados obtenidos superan el umbral de 0.75 recomendado por el IMPVP (International Performance Measurement and Verification Protocol). Asimismo, se ha valorado incluir nuevos parámetros relacionados con las condiciones climatológicas como la radiación, la humedad relativa y la velocidad del viento. Después de realizar varios ensayos se ha comprobado que los resultados empeoran al utilizar todas las variables a la vez. Tan sólo en el caso de usar la radiación como parámetro adicional se obtiene un resultado satisfactorio (pequeña mejora, la cual no resulta significativa para el incremento que se produce en la complejidad del modelo). Esto ha hecho que se descarte un modelo de regresión multivariable. Asimismo, dadas las condiciones de falta de confort en los edificios antes del proceso de rehabilitación, el valor base de heating degree days considerado en ese escenario ha sido 16.5, mientras que para los periodos posteriores ha sido de 18.5. Los resultados del coeficiente de determinación, denominado R2, evaluado en los datos de predicción se recoge en la Tabla II para cada uno de los escenarios considerados y para dos horizontes temporales diferentes: una semana, plazo en el cual las estimaciones resultan buenas gracias a la agregación, y 4 días, periodo mínimo en el que se cumple con un nivel mínimo aceptable.
Si se realiza una estimación del consumo que se va a tener en el plazo de una semana en cada uno de los cluster, partiendo de los datos de heating degree days propios de una semana tipo del mes de Octubre (con un valor medio diario de 10.71) obtenemos los valores recogidos en la Tabla III. A modo de ejemplo, extrapolando los resultados semanales obtenidos, un edificio perteneciente al cluster 1 con una superficie de 4579.92 m2, consumiría un total de 1252 KWh para uno de los días comprendidos en dicho periodo, suponiendo el total del distrito 38190 KWh.
Si se compara el resultado con los valores medidos en el mes de Octubre, los valores son muy similares, tal y como se esperaba. La razón es que, tras la rehabilitación, el consumo se ha reducido considerablemente gracias a la renovación. Por tanto, la demanda estimada está validada en contraposición de las medidas reales históricas.
Conclusiones
La planificación de los recursos energéticos se ha convertido en un aspecto clave dentro del nuevo paradigma de Smart Cities. Teniendo en cuenta que cada año más personas viven en entornos urbanos, las necesidades energéticas están en continuo crecimiento. Es por ello, que gestionar los recursos disponibles se convierte en un reto. De este modo, gracias a los procesos de digitalización de las ciudades y a la tecnología, nuevos servicios están disponibles, como el que se ha presentado en este artículo.
El objetivo del servicio de planificación de energía es el de predecir la demanda que, en este caso, van a tener un conjunto de edificios. Con dicha demanda, la ciudad o una ESCO tienen la capacidad de realizar una compra de energía más sostenible o de gestionar más eficientemente los sistemas de generación y distribución, reduciendo las pérdidas. Para tal fin, técnicas de clustering y regresión han sido aplicadas.
Agradecimientos
Los autores quieren agradecer a los proyectos SmartEnCity (GA #691883) y CITyFiED (GA #609129), así como sus respectivos consorcios, la posibilidad de realizar el presente trabajo. Por otro lado, también agradecer a la Comisión Europea por financiar ambos proyectos.
Referencias
- CITyFiED, 2014, “D4.1: Technical definition of the Spanish demo Site (Laguna de Duero, Valladolid, Spain)”, informe técnico, diciembre 2014.
- CITyFiED, 2015, “D4.4: Implementation plan of the Spanish demonstrator”, informe técnico, marzo 2015.
- CITyFiED, 2019, “D4.20: Report of the energy performance analysis”, informe técnico, marzo 2019.
- European Commission, 2016, “Requirements specification for Urban Platforms”, EIP SCC, Integrated Infrastructures action cluster – Urban Platform, informe técnico, v2.2.
- Facchin, I., De Lathouwer, 2017, B., “D4.3: Products and best practices for Smart City implementations”, informe técnico, v1.4, abril 2017.
- Heuser, L., Scheer, J., 2016, “Reference architecture & design principles”, EIP SCC Work Stream 2, informe técnico, v0.8, noviembre 2016.
- SmartEnCity partners, 2017, “Deliverable 6.2: CIOP architecture generic implementation”, informe técnico, v1.0, enero 2017.
- AENOR CTN-178, (2015), UNE 17804:2015, último acceso agosto 2017.
- United Nations, Social Affairs, 2018, último acceso enero 2019.