Desarrollo de un modelo E-GIS DB (Environment and energy geographical information system database) para apoyar iniciativas de ciudades inteligentes

Comunicación presentada al I Congreso Ciudades Inteligentes:

Autores

• Emanuela Giancola, Investigador Senior, CIEMAT
• Carlos Isaac Martin Chicott, Arquitecto urbanista
• M. Rosano Heras Celemin, Jefa Unidad de Eficiencia Energética en la Edificación, CIEMAT

Resumen

Dentro del entorno urbano el sector de la construcción normalmente representa alrededor de la mitad de la energía total utilizada. Una cuantificación y localización precisa de la demanda energética de los edificios es esencial para ayudar la gestión de la energía y las iniciativas de planificación urbana. Sin embargo, es evidente una escasez de técnicas que permitan la ampliación efectiva de modelos de energía típicos de un edificio a áreas más grandes. Para ayudar a satisfacer esta necesidad, este estudio propone como alternativa el uso de las Tecnologías de la Información Geográfica como herramienta de apoyo a la planificación urbana, aplicando un modelo Environment and energy Geographical Information System Database (E-GIS DB) a través de una metodología estadística bottom-up de estimación de consumo de energía de un distrito de la ciudad española de Zamora.

Introducción

Una cuantificación y localización precisa de la demanda energética de los edificios en un distrito entero es importante para la planificación de estrategias de energía sostenible que aceleran el proceso de renovación energética.

La reciente Directiva europea 2012/27/UE[i], obliga a los Estados miembros a establecer una estrategia a largo plazo para movilizar la inversión en la renovación del parque inmobiliario nacional a fin de asegurar la eficiencia energética de las urbes. El ahorro de energía para el sector de la construcción es un aspecto importante en el que los ayuntamientos pueden actuar al sugerir planes de renovación.

De acuerdo con la revisión de (Swan and Ugursal, 2009), existen dos tipos de modelos energéticos para edificios: los enfoques top-down que consisten en establecer una relación entre el consumo energético y los datos agregados tales como descripción de vivienda, estadísticas o datos económicos; y los enfoques bottom-up que estiman el consumo de energía de un único edificio o de un grupos de edificios para diferentes usos finales a través de una jerarquía de datos de entrada desglosados y luego extrapolando los resultados para el entero parque inmobiliario utilizando algunos indicadores indirectos. Existen dos tipos diferentes de enfoques bottom-up: uno basado en la ingeniería (o físico) y uno basado en la estadística. Los enfoques basados en la ingeniería utilizan información cuantitativa sobre las características de los edificios existentes para calcular el consumo de energía de un conjunto de edificios representativos de una ciudad mediante un modelo numérico; (Fracastoro, Serraino, 2011); (Tian, Choudari, 2012). Los enfoques estadísticos utilizan una serie de técnicas estadísticas para atribuir los históricos del consumo de energía a datos de usos finales de los edificios. Muchos métodos estadísticos presentes en la literatura tienen el objetivo de analizar la relación entre el consumo individual de energía de los edificios y una serie de variables relacionadas con las características del edificio, las características de las viviendas y el comportamiento de los ocupantes de una muestra de edificios (Guerra Santin et. al, 2009).

Una ventaja de los métodos estadísticos es la capacidad de tener en cuenta el comportamiento de los ocupantes (Swan and Ugursal, 2009) que tiene un gran impacto en el consumo final de energía. Por esta razón, su aplicación es decisiva para obtener información fiable sobre el consumo de los edificios en condiciones reales de uso y para el proceso de validación y calibración de los modelos basados en la ingeniería. Los modelos estadísticos que se están desarrollando en la actualidad son, en general limitados, ya que no son directamente aplicables a escala de la ciudad dado que los datos de consumo medidos en gran parte de los edificios individuales son de difícil acceso, y rara vez tienen en cuenta la distribución espacial del consumo. Relativamente a este último aspecto, los Sistemas de Información Geográfica (GIS) ofrecen la oportunidad de caracterizar el parque inmobiliario en unas dimensiones sistemáticas utilizando la información georreferenciada. Aunque ya se han desarrollado varios modelos basados en GIS a escala de la ciudad (Caputo et. al, 2013); (Heiple, DSailor, 2008), actualmente están disponibles sólo unos pocos modelos estadístico basados en GIS (Howard et al, 2012). El objetivo de este estudio es definir un método para crear un modelo de apoyo a la planificación urbana y permitir a las instituciones públicas, en particular a los municipios, crear una base de datos global del comportamiento energético de los edificios en un entorno urbano. Este trabajo es parte de una serie de estudios llevados a cabo dentro del Proyecto Innpacto SmartZa por la unidad de Eficiencia energética en la Edificación del Ciemat, y objeto de investigación del TFM de C.I. Martín Chicott dentro del Master en Tecnologías de la Información Geográfica de la UCM.

Material y Métodos

La metodología se basa en un modelo GIS aplicado a través de una metodología estadística bottom-up de estimación de consumo de energía de un distrito de la ciudad española de Zamora. A términos de este estudio, el consumo energético está dividido en: consumo eléctrico y consumo térmico.

Base de datos

Esta fase incluye la recopilación de toda la información que pueda ser útil para el análisis, por ejemplo, mapas de sitio, levantamientos fotogramétricos, datos catastrales y censales. Generalmente esta información es proporcionada por los departamentos técnicos de las municipalidades, de los archivos históricos de los edificios o de registros de la propiedad. La gestión de los datos se basa en una plataforma GIS; muchos departamentos técnicos municipales ya tienen este tipo plataforma. Teniendo en cuenta la escala de referencia a nivel regional o local, la definición de la base de datos del edificio es de importancia crítica. Algunos autores (Dall’O’, 2003) han demostrado que si el objetivo es analizar el comportamiento energético de un parque inmobiliario, entonces es posible caracterizar los edificios individuales con un número limitado de variables:

• Geometría.
• Característica de la envolvente del edificio.
• Tipo de la planta (centralizado, local, etc.).
• Tipo de uso (por ejemplo, residencial, comercial, etc.).

La base de datos GIS generada a partir de estas variables fue la principal fuente de información para la descripción de los edificios existentes y para los datos de entrada del análisis estadístico del distrito de la ciudad de Zamora (Figura 1). Los datos sobre características de las viviendas, como el tipo de vivienda, año de construcción, superficie del suelo, número de ocupantes, están disponibles para todas las direcciones. Los datos de consumo de energía medidos disponibles consisten en registros anuales de gas natural y el consumo de electricidad en el sector público para el año 2012. Los datos fueron preprocesados para ser introducidos en el modelo, de acuerdo con los criterios elegidos. Para el sector privado, al no disponer de datos medidos, se utilizan: para el consumo eléctrico la Guía Técnica de aplicación al Reglamento Electrotécnico de Baja Tensión, perteneciente al Real Decreto 842/2002[ii]; y por el consumo térmico el índice de consumo medio térmico para viviendas continentales en edificaciones tipo bloque de España[iii].

Análisis Estadístico

Los modelos estadísticos bottom-up utilizan diferentes técnicas, como el análisis de regresión, análisis condicional y de redes neuronales (Swan and Ugursal, 2009) para describir el consumo energético de las viviendas con el cambio de varios parámetros relacionados con el edificio y la vivienda. Una comparación de análisis de regresión, árbol de decisión y redes neuronales mostró que las diferencias en términos de errores en la predicción eran bastante pequeñas, lo que indica que las tres técnicas son generalmente comparables en la predicción de consumo de energía (Tso, Yau, 2007). La ventaja de utilizar el método de regresión se refiere a la facilidad de uso y la capacidad de interpretación de los parámetros introducidos en el análisis

Este estudio estadístico se basa en un modelo de regresión lineal múltiple capaz de atribuir los valores de consumo de gas natural y de electricidad a los edificios individuales con características definidas.

Modelo de regresión lineal múltiple

La formulación final del modelo está dada por las dos ecuaciones siguientes, respectivamente, para el gas natural y la electricidad:

Y_gas=β_0,gas+X_floor*β_floor,gas+Ε_i=1,z(X_type,I,gas*β_type,i,gas)+E_gas

Y_elec=β_0,elec+X_floor*β_floor,elec+X_peopleβ_{people, elec}Σ_i=1,z(X_type,i,elec*β_type,i,elec)+E_elec

La variable dependiente y está representada por los valores anuales del consumo de energía por vivienda por el sector privado y por edificio por el sector público. Las variables independientes se relacionan con las características de los edificios y las viviendas: metros cuadrados de superficie edilicia por uso urbano X_floor, número de ocupantes X_people tipo de vivienda X_type,i. De acuerdo con el procedimiento de regresión, la variable X_floor, superficie del suelo, se encontró significativa para los modelos tanto de gas natural y electricidad, mientras que la variable número de ocupantes X_people fue significativa solo por el modelo de electricidad. Para los dos modelos de consumo se definió una variableX_type,i para cada combinación de tipo de vivienda y periodo de construcción (Figura 2).

Resultados y discusión

Modelo de regresión lineal múltiple

Los resultados de regresión lineal múltiple para el consumo de gas natural y eléctrico demostraron que el ajuste del modelo fue bastante exhaustivo. El valor de R obtenido al aplicar el modelo de regresión ha sido de R2= 0,918, lo que significa que el 91,8% de los datos utilizados corresponden a la explicación de los valores medios de consumo; de igual forma el coeficiente de correlación múltiple de las variables tiende a valores cercanos a 1 por lo cual la correlación existente entre las variables es fuerte y directa. Estos valores son comparables a otros estudios (Guerra Santin et. al, 2009).

Consumo de energía

Los gráficos de la Figura 3 muestran los resultados de los edificios representante por tipo y periodo de construcción en términos de diferente tipo de uso y propiedad. Por lo que respecta al consumo eléctrico se observa que la sumatoria de los valores obtenidos por edificio, es mayor en los equipamientos de carácter deportivo. En cuanto al consumo térmico, las edificaciones de orden residencial son las de mayor consumo, así como la edificación de Sanidad; en conjunto suponen más del 81% del consumo térmico del área. Por lo que se refiere a la desagregación por tipo de propiedad, las edificaciones de orden público suponen el 39% del consumo energético eléctrico del área de estudio, los equipamientos de orden deportivo, educativo y de sanidad son los de mayor previsión respectivamente, las unidades de vivienda, 1406 en total, suponen más del 80% del consumo energético del ámbito. En cuanto al comportamiento térmico de la propiedad alrededor del 91% del consumo térmico proviene de edificaciones de carácter privado; las unidades de vivienda representan la fuente de mayor consumo térmico del área.

Distribución espacial del consumo de energía

La aplicación de los resultados de la regresión linear a toda el área de estudio ha producido la distribución espacial del consumo de energía de los edificios en base a los distintos usos principales. El consumo total de energía anual para cada bloque se muestra en la Figura 4. Como esperado el consumo muestra los valores más altos en los edificios con más alturas. Aunque el modelo proporciona un punto de partida adecuado para un análisis a nivel de ciudad, las limitaciones actuales son que los valores del consumo de energía son anuales. Perfiles horario permitirían evaluaciones más precisas de la distribución de energía. Para futuros estudios sería interesante poder obtener mediciones horarias del consumo de energía para cada edificio.

Conclusiones

En este trabajo se ha presentado un método para crear un modelo de apoyo a la planificación urbana, aplicando un modelo Environment and energy Geographical Information System Database (E-GIS DB) a través de una metodología estadística bottom-up de estimación de consumo de energía. El estudio ha proporcionado resultados relevantes para el parque inmobiliario de un distrito de la ciudad española de Zamora. La principal ventaja de utilizar este método ha sido la habilidad de predicción del consumo de energía a gran escala mediante una herramienta simple y rápida, y al mismo tiempo, precisa, sin la necesidad de un gran número de datos de entrada. El modelo se puede adaptar fácilmente a otros contextos diferentes, proporciona flexibilidad en la introducción de varios tipos de información disponible para un determinado parque inmobiliario y puede actualizarse y ampliarse. Los resultados también se pueden utilizar fácilmente para la calibración de otros modelos que sirvan para el cálculo del ahorro de energía potencial. El modelo espacial de consumo de energía final desarrollado permite la identificación de diferentes opciones de generación distribuida y medidas de reducción de energía que surjan de los patrones urbanos de la demanda. El método constituye una herramienta eficaz para apoyar la gestión de energía y la planificación urbana sostenible.

Referencias

• Caputo,P., Costa, G., Ferrari, S., 2013, A supporting method for defining energy strategies in the building sector at urban scale, Energy Policy 55 ,261–270.
• Dall’O’, G., Calsolaro, G., Galante, A., 2003,  Applicazione di reti neurali nelle problematiche energetiche degli edifici 58° Congresso Nazionale ATI, Padova.
• Fracastoro, G.V., Serraino, M., 2011,A methodology for assessing the energy performance of large scale building stocks and possible applications, Energy and Buildings 43, 844–852.
• Guerra Santin, O., Itard, L., Visscher, H., 2009, The effect of occupancy and building characteristics on energy use for space and water heating in Dutch residential stock, Energy and Buildings 41, 1223–1232.
• Heiple, S., Sailor, D. J., 2008, Using building energy simulation and geospatial modeling techniques to determine high resolution building sector energy consumption profiles, Energy and Buildings 40, 1426–1436.
• Howard,B., Parshall, L., Thompson, C., Hammer, S., Dickinson, J., Modi, V., 2012, Spatial distribution of urban building energy consumption by end use, Energy and Buildings 45 , 141–151.
• Swan, L. Ugursal, V., 2009, Modeling of end-use energy consumption in the residential sector: a review of modeling techniques, Renewable and Sustainable Energy Reviews 13, 1819–1835.
• Tian, W., Choudari, R., 2012, A probabilistic energy model for non-domestic building sectors applied to analysis of school buildings in greater London, Energy and Buildings 54, 1–11
• Tso, G., Yau, K., 2007, Predicting electricity energy consumption: a comparison of regression analysis, decision tree and neural networks, Energy 32 , 1761–1768.Panczer, W., Qui, S. & Ruto, A., 1987, Minerals of Mexico, Van Nostrand Reinhold Co. Nueva York.

Nota: Este artículo fue presentado y publicado en el Libro de Comunicaciones del I Congreso Ciudades Inteligentes.