An Advanced Methodology to Enhance Energy Efficiency and Performance in a Hospital Cooling-Water System

Resumen

Los hospitales son edificios que tienen una gran demanda energética debido a que en su interior albergan servicios vitales las 24 horas del día, los 365 días del año. Así mismo, las carteras de servicios de procesos asistenciales que proporcionan los hospitales son cada vez más complejos y numerosos lo que hace incrementar anualmente esta demanda. Para dar cobertura a cada una de las actividades se requiere un gran número de instalaciones técnicas. Además, el suministro de energía y de fluidos cada vez requiere mayor control, precisión y calidad. Esta tesis se ha centrado por su importancia crítica, en la instalación de generación de agua refrigerada que se requiere tanto para confort en los sistemas de aire acondicionado, como en los procesos asistenciales. El objetivo de este trabajo de investigación consiste en mejorar el funcionamiento de las plantas de refigeración de los hospitales para aumentar la eficiencia energética, así mismo para reducir las ineficencias en los arranques de los generadores y en el mantenimiento, problemas comunes en este tipo de instalaciones. Mediante el uso de modelos desarrollados mediante Machine learning (ML) aplicados en la predicción de la demanda de refrigeración, se ha conseguido anticipar, adaptar y planificar la generación térmica real a la demanda prevista. Para la obtención de los mismos se ha utilizado una metodología existente basada en algoritmos genéticos denominada GAparsimony. Esta metodología permite de una manera automatizada obtener modelos parsimoniosos. Entre los algoritmos utilizados se encuentran las artificial neural networks (ANN), las suport vector machines for regression (SVR) y las extreme gradient boosting machines (XGBoost). Previamente, se realizó una extensa optimización general de las instalaciones de generación de agua refrigerada, desarrollándose una metodología de trabajo que se aplica en los siguientes ámbitos: el sistema de control; el sistema de adquisición de datos; y en los sistemas físicos. El proceso culminó con la implantación dentro del BMS (Building Management Systems) del modelo de predicción de demanda, lo que permite anticipar un día antes la programación de los generadores necesarios, realizándose así un control predictivo. Este trabajo queda respaldado satisfactoriamente por los datos de los resultados reales obtenidos por la aplicación de la metodología de optimización, así como por la implementación en el BMS del modelo de predicción de demanda durante la duración del estudio.