Modelado y predicción de la temperatura interna en edificios de salones de clase.
El confort térmico es un factor importante que determina la productividad, la salud y el bienestar de los ocupantes. El exceso de la demanda de energía eléctrica debido a los sistemas de calefacción, ventilación y aire acondicionado (HVAC) en edificios inteligentes requieren de la predicción y contr...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2014 |
| País: | México |
| Institución: | Universidad Autónoma de Querétaro |
| Repositorio: | Repositorio Institucional de la Universidad Autónoma de Querétaro |
| Idioma: | español |
| OAI Identifier: | oai:ri-ng.uaq.mx:123456789/5569 |
| Acceso en línea: | https://ri-ng.uaq.mx/handle/123456789/5569 |
| Access Level: | acceso abierto |
| Palabra clave: | Modelado de temperatura Edificios inteligentes Confort térmico |
| Sumario: | El confort térmico es un factor importante que determina la productividad, la salud y el bienestar de los ocupantes. El exceso de la demanda de energía eléctrica debido a los sistemas de calefacción, ventilación y aire acondicionado (HVAC) en edificios inteligentes requieren de la predicción y control de la temperatura interna, lo cual representa un impacto positivo hacia la sustentabilidad energética. El objetivo principal, es investigar en qué medida los modelos lineales autoregresivos con entrada externa (ARX) y los modelos de redes neuronales artificiales (RNA) se podrían utilizar para predecir la temperatura interna en edificios de manera óptima. En particular se muestran los resultados obtenidos en salones de clase de la Universidad Autónoma de Querétaro, U.A.Q., México. Temperatura externa, humedad relativa externa, velocidad del viento, radiación solar y la humedad relativa interna fueron utilizadas como variables de entrada. El algoritmo implementado para la predicción de la RNA fue Levenberg-Marquardt, la validación de los datos se realizó por medio de análisis de varianza (ANOVA) y fue comparado con los modelos ARX. Los resultados obtenidos mostraron que los modelos RNA dan una mejor predicción de la temperatura interna que los modelos ARX, obteniéndose los mejores resultados con la RNA (6,4,1) con un coeficiente de determinación de 0.9647, un porcentaje promedio del error absoluto de 0.0565 y un error cuadrático medio de 0.0609. |
|---|