2 PROCEDIMIENTO PARA LA OPERACIÓN DE LOS SISTEMAS DE CLIMATIZACIÓN CENTRALIZADOS TODO-AGUA CON CIRCUITOS
3. IMPLEMENTACIÓN DEL PROCEDIMIENTO DE OPTIMIZACIÓN ENERGÉTICA PROPUESTO EN UN CASO DE ESTUDIO
3.3 Validación de los principales algoritmos del procedimiento
3.3.2 Modelación de la carga térmica de enfriamiento
Los cálculos de la carga térmica de enfriamiento se realizaron con el simulador térmico de edificios de la UABC, seleccionándose una instalación en un clima tropical, representativa de los hoteles de sol y playa, los predominantes dentro la empresa turística en Cuba.
3.3.2.1 Modelación térmica del edificio mediante simulador
El edificio a analizar se encuentra situado a los 21,01 grados de latitud norte y a los 75,93 grados de longitud oeste. Se utilizaron los datos de la estación climatológica más cercana, situada en Cabo Lucrecia en el municipio de Banes, provincia de Holguín. La estación se localiza en la misma franja costera del edificio en estudio. Los valores de temperatura ambiente utilizados corresponden al promedio de los años 2007 y 2008, oscilando entre 20,30 y 32,20 ºC, con valores promedio entre 25 y 29 ºC. En el Anexo 15 se pueden apreciar estas y otras informaciones climatológicas de la localidad así como la certificación de los datos por parte el centro de meteorología provincial. Para tener una idea del comportamiento de la temperatura
CAPÍTULO 3
79 ambiente diaria, se presenta en la Figura 3.4 el histograma de la variable.
Figura 3.4. Histograma de la temperatura ambiente horaria.
Un análisis estadístico básico muestra los valores: media aritmética = 26,7 ºC, desviación estándar = 1,898 ºC; coeficiente de variación de un 7,11%; moda = 25,8 ºC, mediana = 26,5 ºC; el histograma tiene asimetría positiva con un coeficiente de 0,0096, sesgada a la derecha, y con una tendencia muy cercana la distribución normal. Solo el 0,08 % de los datos está fuera de control (fuera de los límites del valor medio de la variable +/- tres veces la desviación estándar). Una representación de la variabilidad de las condiciones climatológicas de la localidad a través del comportamiento de la temperatura ambiente se puede apreciar en la Figura 6 del Anexo 15. Los demás datos necesarios para los cálculos de carga térmica aparecen en el Anexo 6 donde se destacan: las características de los muros y sus propiedades térmicas, el régimen de ocupación horario y para el día, los equipos que contienen la habitación, la iluminación, los coeficientes de ponderación de los locales y las temperaturas máximas y mínimas diarias de un año promedio. Los datos de eficiencia del equipo climatizador del local, las dimensiones de las paredes ente otros elementos se introducen en el simulador.
Después de sistematizar los datos para el cálculo de las cargas térmicas, se procede a su determinación para cada una de las habitaciones. Los valores máximos que se alcanzaron en los cálculos se pueden aprecian en la Figura 3.5. En esta figura se comparan estos valores con las potencias de enfriamiento nominales de las unidades terminales existentes, FCX - 42 de 3,4 kW y las FCX - 52 de 4,19 kW. Estos valores demuestran que en el 56 % de los casos pudo utilizarse unidades terminales de menor potencia como la FCX - 32 de 2,21 kW y que aproximadamente el 90 % de las unidades terminales están sobredimensionadas.
80 .
Figura 3.5. Valores máximos de la carga térmica de enfriamiento de cada habitación. Las individualidades de la carga térmica de enfriamiento máximas para todo un año promedio se pueden resumir de la siguiente forma:
- Siete habitaciones con cargas térmicas de enfriamiento máximas a las 11:00 horas y 27 a las 17:00 horas (se destacan el 66 % de las habitaciones del tercer piso).
- 18 habitaciones con cargas térmicas de enfriamiento máximas en tres horarios del día 7:00, 11:00 y las 17:00 horas.
- Seis habitaciones con cargas térmicas máximas en los horarios 11:00 y las 17:00 horas. Los valores máximos de las 11:00 horas ocurren solo en aproximadamente el 9 % de los días. - Solo una habitación manifiesta cargas térmicas máximas a las 11:00 y a las 7:00 horas
mayoritariamente a las 11:00.
Con los resultados de las cargas térmicas de enfriamiento se pueden establecer estrategias ocupacionales basadas en ubicar primero las habitaciones de menor carga térmica [19, 25, 96]. La ocupación promedio del edificio caso de estudio se presenta en la Figura 3.6. Ocupando primero las habitaciones de menor carga térmica, existe una disminución apreciable de la energía a extraer del edificio, lo que representa una menor potencia de enfriamiento a utilizar
Figura 3.6. Ocupación promedio anual del edificio de la zona 6 del hotel. 0 1 2 3 4 5 6101 6104 6107 6110 6114 6117 6120 6203 6206 6209 6212 6216 6219 6222 6302 6305 6308 6311 6315 6318 kW Habitación Potencia de enfriamiento
CAPÍTULO 3
81 En la Figura 3.7 se pueden apreciar las diferencias entre la carga térmica de enfriamiento para la ocupación promedio y la misma ocupación pero con estrategia ocupacional.
Figura 3.7. Diferentes comportamientos de la carga térmica del edificio.
En los días del año en que la ocupación es menor y la temperatura ambiente es más elevada se aprecia una mayor efectividad de esta estrategia ocupacional.
3.3.2.2 Modelación térmica del edificio mediante redes neuronales artificiales
Se desarrolló una aplicación en Matlab basada en el método de prueba y error, capaz de realizar de manera ininterrumpida el aprendizaje de las RNA. En el Anexo 7 aparecen los códigos del programa principal para el aprendizaje, los códigos que permitieron extraer los coeficientes matriciales de cada uno de los modelos de carga térmica de enfriamiento de las habitaciones y otras aplicaciones necesarias para esta modelación. Los resultados generales de la modelación térmica de las 59 habitaciones del edificio se presentan en la Figura 3.8.
Figura 3.8. Resultados de la modelación de la carga térmica de enfriamiento con RNA. 0 20 40 60 80 100 120 140 1 15 29 43 57 71 85 99 113 127 141 155 169 183 197 211 225 239 253 267 281 295 309 323 337 351 365 kW
Días del año
Ocupación promedio Ocupación máxima
82 Las variables independientes escogidas fueron, la temperatura ambiente, la hora del día y el día del año. La variación del porcentaje de los datos para el entrenamiento se realizó desde el 20 % hasta el 50 % con un incremento progresivo del 10 %. Los mejores resultados se obtuvieron con el 20 %. Fue necesario, escoger los datos de forma distribuida a lo largo de todo el año con intervalos iguales, lo cual garantizó una adecuada representación de las estacionalidades. La validación de los modelos se realizó con el 100 % de los datos.
La estructura de RNA que mejor se adaptó en todos los casos fue la Feedforward Backpropagation. Se realizaron 100 entrenamientos para cada variante, inicializándose en cada uno los pesos, y el número máximo de neuronas en la capa intermedia para el aprendizaje se estableció en 50. El incremento de la cantidad neuronas en la capa intermedia fue desde tres hasta 50 con un paso de una neurona en cada prueba.
La mejor función de entrenamiento, válida para todos los modelos fue trainlm. Las estructuras de las RNA coincidieron en una capa de entrada con función de transferencia tansig, una capa intermedia tansig y una capa de salida purelin. La cantidad de neuronas en la capa de entrada en todos los casos fue de tres y en la capa intermedia varió entre 4 y 30, según puede apreciarse en la tabla del Anexo 16. La tabla contiene el coeficiente de correlación entre los valores reales de carga térmica de enfriamiento y los predichos por la RNA, así como el error de los modelos.