Los controles de edificios centrados en los ocupantes o controles centrados en los ocupantes (OCC) son una estrategia de control para el ambiente interior, que se enfoca específicamente en satisfacer las necesidades actuales de los ocupantes del edificio y al mismo tiempo disminuir el consumo de energía del edificio . OCC se puede utilizar para controlar la iluminación y los electrodomésticos, pero se utiliza más comúnmente para controlar la calefacción, la ventilación y el aire acondicionado ( HVAC ). [1] OCC utiliza datos en tiempo real recopilados sobre las condiciones ambientales interiores, la presencia y las preferencias de los ocupantes como datos de entrada para las estrategias de control del sistema energético. [2] Al responder a entradas en tiempo real, OCC puede proporcionar de manera flexible el nivel adecuado de servicios energéticos, como calefacción y refrigeración, cuando y donde lo necesiten los ocupantes. [3] Garantizar que los servicios energéticos de los edificios se proporcionen en la cantidad adecuada tiene como objetivo mejorar la comodidad de los ocupantes, mientras que proporcionar estos servicios solo en el momento y lugar correctos tiene como objetivo reducir el uso general de energía.
A diferencia del OCC, las estrategias convencionales de control de edificios, conocidas como Sistemas de Gestión de Energía de Edificios (BEMS), suelen utilizar puntos de ajuste de temperatura predeterminados y programas de retroceso. [1] Estas temperaturas y programas de temperatura a menudo están determinados por estándares de la industria sin la participación de los ocupantes del edificio. Los BEMS convencionales suelen tener parámetros de funcionamiento estáticos que brindan una flexibilidad mínima para satisfacer las necesidades cambiantes de los ocupantes del edificio a lo largo del día, las necesidades cambiantes de los inquilinos de los nuevos edificios o las diversas necesidades térmicas de cualquier grupo determinado de ocupantes del edificio. [2]
La Sociedad Estadounidense de Ingenieros de Calefacción, Refrigeración y Aire Acondicionado ha señalado que el confort térmico de los ocupantes está influenciado tanto por las condiciones ambientales como el calor radiativo, la humedad, la velocidad del aire y la estación como por factores personales como la fisiología, la ropa usada y el nivel de actividad. . [4] Esta naturaleza dinámica y personalizada del confort térmico tradicionalmente ha hecho que sea complejo su integración en los controles HVAC, pero un aumento en las capacidades de detección e informática junto con una disminución en los costos de detección e informática han hecho posible que OCC sea un sistema eficaz y escalable. Medios para controlar los sistemas energéticos de los edificios. [1] Dado que los edificios consumen más del 33% de la energía mundial y producen casi el 40% de las emisiones de CO 2 , la OCC podría desempeñar un papel importante en la reducción del consumo global de energía y las emisiones de CO 2 . [5]
OCC se basa en datos de ocupación y preferencias de ocupantes en tiempo real como entradas para el algoritmo de control. Estos datos deben recopilarse continuamente mediante varios métodos y pueden recopilarse en varias escalas, incluido el edificio completo, el piso, la habitación y la subhabitación. A menudo, resulta más útil recopilar datos en una escala que coincida con la zonificación térmica del edificio. Una zona térmica es una sección de un edificio que está toda acondicionada bajo el mismo punto de consigna de temperatura. [6]
Los datos sobre la presencia de ocupantes (ocupados o desocupados) y los niveles de ocupación (número de ocupantes) se pueden recopilar con sensores explícitos o implícitos. [7] Los sensores explícitos miden directamente la ocupación y pueden incluir sensores infrarrojos pasivos, detectores de movimiento ultrasónicos y cámaras de conteo de entradas. Los sensores implícitos miden un parámetro que puede correlacionarse con la ocupación a través de alguna relación calibrada. Ejemplos de sensores de ocupación implícitos incluyen sensores de CO 2 y recuento de dispositivos conectados a Wi-Fi. [1] La selección de dispositivos de detección de ocupación depende del tamaño del espacio que se está monitoreando, el presupuesto para los sensores, la precisión deseada, el objetivo del sensor (detectar la presencia o el recuento de ocupantes) y las consideraciones de seguridad.
A diferencia de los datos de presencia de ocupantes, la adquisición de datos de preferencia de los ocupantes requiere retroalimentación directa de los ocupantes del edificio. Esta retroalimentación puede ser solicitada o no solicitada. [7] Los datos de preferencia de los ocupantes no solicitados pueden incluir el tiempo y la magnitud de un cambio de punto de ajuste del termostato manual. Si bien esto puede ser un buen indicador de la insatisfacción térmica de los ocupantes, los cambios en los puntos de ajuste del termostato pueden ser poco frecuentes, creando una barrera para integrar las preferencias de los ocupantes en el OCC. La información solicitada sobre las preferencias de los ocupantes se utiliza a menudo como medio para adquirir más información sobre las preferencias de los ocupantes y toma la forma de encuestas justo a tiempo o Evaluaciones Ecológicas Momentáneas ( EMA ). Estas encuestas, generalmente implementadas en computadoras, teléfonos inteligentes o relojes inteligentes, pueden preguntar a los participantes sobre su sensación térmica, satisfacción térmica o cualquier otro factor que refleje su comodidad en el espacio. [7] [8] La implementación de la información de preferencias de los ocupantes en OCC aún se encuentra en sus primeras etapas y su aplicación práctica aún se está estudiando en el entorno académico.
El OCC se puede clasificar como control reactivo o control predictivo. [1] El control reactivo utiliza la preferencia de los ocupantes en tiempo real y presenta retroalimentación para alterar inmediatamente las condiciones del espacio. Si bien este enfoque es útil para controlar sistemas con tiempos de respuesta rápidos, como los sistemas de iluminación, el OCC reactivo no es ideal para sistemas con tiempos de respuesta lentos, como los HVAC. Para estos sistemas de respuesta lenta, el control predictivo permite que los servicios del edificio, como la calefacción, se proporcionen en el momento adecuado sin un retraso entre el momento en que se necesita un servicio y el momento en que se proporciona.
A diferencia de los controles reactivos, los controles predictivos utilizan datos de presencia y preferencias de los ocupantes en tiempo real para informar y entrenar algoritmos de control predictivo en lugar de impactar directamente la operación del sistema. Los controles predictivos tienen un "horizonte de predicción", que es la cantidad de tiempo por delante que un OCC necesitará para cambiar un punto de ajuste o tasa de ventilación para alcanzar una determinada temperatura o nivel de calidad del aire interior. El horizonte de predicción necesario para un OCC variará dependiendo del tiempo de respuesta del edificio. [9] Los atributos del edificio que contribuyen a la necesidad de un horizonte de predicción más largo al controlar los sistemas HVAC incluyen grandes salas abiertas, alta masa térmica y espacios con cambios rápidos en los niveles de ocupación. [1]
Para HVAC OCC comercial, los algoritmos predictivos se basarán en los seis grados de información (IG) descritos por ASHRAE. Estos IG son presencia de ocupantes, recuento de ocupantes y preferencia de ocupantes, cada uno considerado a nivel de edificio y zona térmica. [3] A partir de los datos de presencia de ocupantes, un OCC puede predecir la hora más temprana de llegada de los ocupantes y la hora más tardía de salida. A partir del recuento de ocupantes, una OCC puede predecir el número máximo esperado de ocupantes del edificio y cuándo. A partir de los datos de preferencia de los ocupantes, un OCC puede predecir la temperatura y humedad deseadas del espacio a lo largo del día. Con esta información, un OCC podría predecir cuándo necesitaría cambiar los puntos de ajuste de temperatura y las tasas de ventilación para alcanzar la temperatura deseada y el nivel de calidad del aire en un momento específico. Los algoritmos predictivos necesitan una cantidad suficiente de datos, así como patrones de presencia y preferencias de los ocupantes relativamente regulares, para desarrollar predicciones de control precisas.
El desarrollo de OCC cuenta actualmente con el apoyo del Anexo 79 de Energía en los Edificios y la Comunidad (EBC) de la Agencia Internacional de Energía (AIE). [10] El Anexo 79, que se ejecutará de 2018 a 2023, es una iniciativa de colaboración internacional centrada en el desarrollo y implementación de tecnología, métodos de recopilación de datos, métodos de simulación, algoritmos de control, políticas de implementación y estrategias de aplicación destinadas al diseño y controles de edificios centrados en los ocupantes. Esta colaboración se centra en aplicar el conocimiento adquirido en el Anexo 66 anterior, que se desarrolló entre 2013 y 2018. [11] El Anexo 66 trabajó para comprender cómo el comportamiento de los ocupantes se relaciona con el consumo de energía del edificio, así como cómo la operación y el diseño del edificio influyen en el confort térmico de los ocupantes. Esto se hizo principalmente recopilando datos sobre el comportamiento de los ocupantes y desarrollando métodos de simulación de ocupantes.
Otros grupos que trabajan para desarrollar OCC incluyen el Grupo de Trabajo Multidisciplinario de ASHRAE sobre el Comportamiento de los Ocupantes en Edificios (MGT.OBB) y el Centro del Futuro del Trabajo para Entornos Inteligentes de la Fundación Nacional de Ciencias. [3]
OCC aún está en desarrollo, donde la creación y evaluación de varios algoritmos de control son el principal foco de estudio. Los algoritmos que se han estudiado para OCC incluyen, entre otros, métodos iterativos de fusión de datos, aprendizaje automático no supervisado y aprendizaje por refuerzo. Cada uno de estos algoritmos tiene distintos niveles de complejidad computacional, entradas necesarias y potencial de reducción de energía.
Los métodos iterativos de fusión de datos son un ejemplo de controles OCC reactivos y son un medio para combinar datos de dos o más fuentes. Para este método, se utilizan datos de preferencia de múltiples ocupantes y datos sobre las condiciones ambientales interiores para equilibrar los dos objetivos de optimización de satisfacción promedio de los ocupantes y ahorro de energía. Para equilibrar estos objetivos, cada vez que se introducen nuevos datos en el sistema, el algoritmo determinará si se necesita alguna acción de control, como cambiar el punto de ajuste de temperatura, basándose en un conjunto de reglas de control que determinan qué tan bien se están cumpliendo los objetivos de optimización. [12]
El aprendizaje automático no supervisado se puede utilizar para agrupar a los ocupantes en función de sus "personalidades térmicas". Estos grupos luego se pueden utilizar para informar controles reactivos o predictivos al comprender las preferencias térmicas de los ocupantes específicos en el espacio. Para este método, la información solicitada sobre las preferencias de los ocupantes se introduce en un algoritmo de máquina no supervisada que agrupará a los ocupantes en función de cuán similares sean sus preferencias térmicas. [8] El número y tamaño de los grupos depende del tipo de algoritmo no supervisado utilizado, así como de los datos que se analizan.
El aprendizaje automático de refuerzo se puede utilizar como algoritmo de control predictivo con el objetivo de optimizar la satisfacción de los ocupantes y el ahorro de energía. Para este método, el algoritmo acepta datos de presencia y preferencias de los ocupantes y los utiliza para conocer las preferencias de los ocupantes sin la necesidad de entrenar el algoritmo con datos anteriores. [13] El algoritmo evaluará cada decisión de control que tome para maximizar su recompensa, que se basa en su capacidad para optimizar la satisfacción de los ocupantes y el ahorro de energía. Este algoritmo es capaz de realizar ajustes continuos en función de la nueva información que recibe.