Resumen

El consumo de energía en los edificios, especialmente en los de oficinas, es alarmante y suscita el deseo de realizar más trabajos de análisis energético para probar modelos que puedan estimar la situación energética de los edificios comerciales, y los factores clave que contribuyen a ello se basan en factores humanos, carga de trabajo y variables meteorológicas como la radiación solar y la temperatura. En la investigación, se seleccionó el bloque administrativo de la Universidad de Energía y Recursos Naturales de Ghana y se modeló para su análisis energético utilizando SketchUp. El consumo energético diario del edificio se generó con EnergyPlus indicando el consumo eléctrico del bloque para el año 2018 para el que el 68,7% fue utilizado por los equipos del bloque, el 26,98% en refrigeración y el resto en iluminación. Se modeló en MATLAB el modelo de Red Neuronal Artificial que tenía como neuronas de entrada la variable meteorológica y los días y como neuronas de salida la refrigeración, la iluminación, los equipos y el consumo eléctrico total del edificio. Tras el entrenamiento, el modelo obtuvo unos valores R de 0,999 para el entrenamiento, la validación y la prueba, y un rendimiento de validación de 1,7∗10-04. El modelo fue capaz de predecir el consumo de energía de un edificio. Fue capaz de predecir el consumo de energía para iluminación, refrigeración y equipos muy cerca de los resultados con un mínimo. Los resultados de la predicción del modelo RNA se compararon con las simulaciones de EnergyPlus. El perfil máximo de desviación para los siguientes parámetros (iluminación, refrigeración y equipos) es del 13%, 8% y 4%, respectivamente. La gran diferencia en la iluminación y la refrigeración se debe a la dificultad que entraña predecir el comportamiento humano y las condiciones meteorológicas. El menor valor registrado para el equipamiento se debe a su independencia de factores externos.

• Materias:Simulación numérica Controladores Programación bioobjetiva Redes de retransmisión Simulador dinámico
• Subjects:Numerical simulation Controllers Bioobjective programming Relay networks Dynamic simulator
• Palabras claves:refrigeración, equipos, iluminación, modelo de Red Neuronal Artificial, más trabajo de análisis energético, consumo eléctrico total del edificio, predicción del modelo RNA, consumo energético diario, factores clave que contribuyen, perfil de desviación máxima
• Keywords:cooling, equipment, lighting, Artificial Neural Network model, more energy analysis work, total building electricity consumption, ANN model prediction, Daily energy consumption, key contributing factors, maximum deviation profile