Desenvolvimento de metamodelo para a determinação do consumo anual em climatização aplicado a edifícios de escritórios com sistemas do tipo água gelada em diferentes climas

Abstract

O consumo do sistema de climatização representa uma parcela significativa do consumo total de energia em edificações comerciais. Estimar o consumo de energia dos sistemas de climatização em condições reais de operação, devido à complexidade destes sistemas, não é uma tarefa fácil. A simulação é um método detalhado que apresenta bons resultados, mas a sua complexidade é o maior obstáculo para uma adoção mais ampla na prática. Os métodos simplificados existentes apresentam imprecisões significativas, e geralmente estimam somente a carga térmica da edificação. O objetivo desta tese foi desenvolver um método simplificado que permitisse estimar o consumo de energia anual de sistemas de climatização do tipo água gelada em edifícios de escritórios, a partir do conhecimento da carga térmica integrada anual da edificação, das características do sistema de climatização, e do clima. A estratégia adotada consistiu em gerar uma base de dados a partir da simulação de um conjunto significativo de casos, e depois treinar redes neurais artificiais com o uso destes dados. Um novo indicador climático, o cooling enthalpy hours (CEH), foi proposto e avaliado para representar os climas brasileiros. Análise de sensibilidade pelo método Sobol foi empregada para reduzir a quantidade de casos simulados. A base de dados foi obtida através da simulação de 250.000 casos no EnergyPlus. Os dados gerados foram pré-processados. Um estudo foi realizado para definir o tamanho da amostra a ser empregado no treinamento das redes neurais. Os resultados demonstraram que, nesta pesquisa, o uso de uma amostra correspondente a 15% da população é adequado ao treinamento. Redes neurais artificiais com diferentes quantidades de neurônios na camada interna foram treinadas, e os resultados mostraram que 32 neurônios na camada interna apresenta a melhor relação custo-benefício para a arquitetura de rede inicialmente idealizada. A predição de consumo realizada com o este metamodelo (RNA 32) apresentou erros elevados (superior a 40%) nos casos com climas amenos, levando a restringir o uso do metamodelo para cidades com CEH superior a 50.000. A influência da inclusão, exclusão ou alteração de variáveis de entrada também foi avaliada, e dois novos metamodelos foram obtidos (RNA 35_COP e RNA 29_sHIS). Estes três metamodelos foram utilizados para predizer o consumo anual do sistema de climatização de 66.300 novos casos, chamados casos não vistos. Todos os metamodelos apresentaram um bom desempenho, sendo escolhido como metamodelo final desta tese aquele que possuía a arquitetura de rede neural mais simplificada (RNA 29_sHIS = 14 neurônios de entrada, 29 neurônios na camada interna e 1 neurônio de saída), que apresentou R2=0,9789 e NRMSE=0,063788 ao predizer o consumo dos casos não vistos, e R2=0,9858 e NRMSE=0,067961 ao predizer o consumo dos casos da base de dados. Os erros percentuais foram inferiores a 15% em 98,4% dos casos quando o consumo foi predito para os casos da base de dados, e em 97,5% dos casos quando o consumo foi predito para os casos não vistos. Outra avaliação demonstrou que o metamodelo manteve o bom desempenho independente do nível de radiação solar do clima.

Abstract: The HVAC system consumption represents a significant portion of the total energy consumption in commercial buildings. Predicting the energy consumption of HVAC systems under actual operating conditions is not an easy task due to the complexity of these systems. Simulation is a detailed method which produces good results, but its complexity is the biggest obstacle to wider adoption in practice. The existing simplified methods present significant inaccuracies, and generally estimate only the demand for thermal energy. The objective of this thesis was to develop a simplified method to predict the annual cooling energy consumption of chilled water type air conditioning systems in office buildings from the building?s integrated annual thermal load, HVAC system characteristics and weather. The strategy adopted was to generate a database from the simulation of a significant number of cases, and then to train artificial neural networks with the use of these data. A new climate indicator, the cooling enthalpy hours (CEH), was proposed and evaluated to represent the different Brazilian climates. Sobol sensibility analysis was used to reduce the number of simulated cases. The database was obtained from the simulation of a sample of 250,000 cases in EnergyPlus. The data were pre-processed. A study was carried out to define the sample size to be used in the training of neural networks. The results showed that the use of a sample corresponding to 15% of the population is adequate for the training in this research. Artificial neural networks were trained with different amounts of neurons in the hidden layer. The results showed that 32 neurons in the hidden layer presents the best cost-benefit relation for the initially idealized network architecture. Predictions with this metamodel (RNA 32) presented high errors (over 40%) in cases with mild climates, leading to restricting the use of the metamodel for cities with CEH higher than 50,000. The influence of the inclusion, exclusion or change of input variables was also evaluated, and two new metamodels were obtained (RNA 35_COP and RNA 29_sHIS). These three metamodels were used to predict the annual consumption of the HVAC system of 66,300 new cases, called unseed cases. All metamodels presented a good performance, being chosen as the final metamodel the one with simpler neural network architecture (RNA 29_sHIS = 14 input neurons, 29 neurons in the hidden layer and 1 output neuron), which presented R2 = 0.9789 and NRMSE = 0.063788 when predicting the consumption of the unseen cases, and R2 = 0.9858 and NRMSE = 0.067961 when predicting consumption of the cases in the database. Percentage erros were less than 15% in 98.4% of cases when consumption was predicted for the database?s cases and in 97.5% of cases when consumption was predicted for unseen cases. Another evaluation demonstrated that the metamodel maintained a good performance, regardless of the radiation level of the city considered.