Modelos híbridos desplegables de conocimiento y datos para la predicción de la demanda de refrigeración día a día con escasez de datos: un estudio de caso y validación de rendimiento

Por qué importa predecir la refrigeración en los edificios

A medida que las ciudades crecen y las olas de calor son más frecuentes, los grandes edificios de oficinas dependen en gran medida del aire acondicionado. Conocer la demanda de refrigeración del día siguiente por adelantado ayuda a los responsables del edificio a comprar electricidad con criterio, operar las enfriadoras de forma eficiente y respaldar una red eléctrica que incorpora cada vez más solar y eólica. Sin embargo, los edificios más nuevos y eficientes a menudo disponen de muy pocos datos en sus primeros meses de funcionamiento, lo que dificulta que las herramientas estándar de inteligencia artificial pronostiquen sus necesidades de refrigeración con fiabilidad.

El reto de la escasez de datos

Muchas herramientas de predicción actuales tratan el edificio como una caja negra. Introducen consumos pasados, clima y horarios, y dejan que un algoritmo de aprendizaje busque patrones. Estos modelos, que requieren muchos datos, pueden funcionar bien cuando hay años de registros de alta calidad disponibles. Pero en un edificio nuevo o recién renovado solo existe un historial corto. En estas condiciones, los modelos puramente basados en datos tienden a aferrarse a rarezas del conjunto limitado, a pasar por alto saltos abruptos en la demanda y a ofrecer pronósticos que oscilan mucho de un día a otro. Esto es especialmente problemático para la planificación día a día, cuando los operadores deben programar equipos de refrigeración e interactuar con el mercado eléctrico con 24 horas de antelación.

Mezclar física simple con aprendizaje moderno

El estudio introduce una vía práctica intermedia entre las simulaciones físicas detalladas y la minería de datos pura. En lugar de intentar modelar cada fuente de calor del edificio, los autores se centran en dos contribuciones que pueden calcularse a partir de información que la mayoría de los edificios ya poseen: el calor que entra con el aire exterior y el calor que se filtra a través de muros y ventanas. Usando fórmulas básicas de transferencia de calor, convierten pronósticos meteorológicos, propiedades del acristalamiento y horarios de ventilación en estimaciones aproximadas y físicamente coherentes de estas cargas. Estas estimaciones no reemplazan la demanda de refrigeración medida, sino que se añaden como entradas adicionales que guían un modelo de aprendizaje profundo que combina capas convolucionales y recurrentes.

Probar la idea híbrida en una torre de oficinas real

El enfoque se probó en un edificio de oficinas de 23 plantas en Hangzhou, China, con fachada acristalada moderna y sistema de refrigeración central. Los investigadores usaron una temporada de refrigeración con datos horarios, alrededor de 4.300 horas en total, y luego restringieron artificialmente cuánto de ese historial podía ver cada modelo durante el entrenamiento. En algunas pruebas, los modelos aprendieron con solo el 10% de los datos, equivalente a algo más de dos semanas de registros. Entre cuatro versiones del predictor, tres usaron cargas basadas en física (aire exterior o muros y ventanas) como señales guía, mientras que la cuarta se apoyó únicamente en datos pasados de refrigeración y clima. Todos los modelos intentaron pronosticar el perfil horario de refrigeración del día siguiente.

Predicciones más precisas y estables

Cuando los datos de entrenamiento escaseaban, las diferencias entre los enfoques fueron marcadas. Con solo el 10% de los datos disponibles, el modelo puramente basado en datos a menudo no detectaba la pronunciada subida matutina de refrigeración cuando llegaban los trabajadores y subestimaba los picos calurosos de la tarde. Sus errores variaban ampliamente según qué días se usaran para entrenar. En contraste, las tres versiones híbridas siguieron con mayor precisión el momento y la magnitud de los picos y mostraron mucha menos dispersión en sus errores. En promedio, los modelos híbridos redujeron el error típico de predicción en aproximadamente la mitad y disminuyeron la dispersión de los errores en casi un orden de magnitud en comparación con la referencia. La variante más simple, que sólo empleaba la carga por aire exterior como información adicional, ofreció un equilibrio especialmente atractivo entre precisión, estabilidad y facilidad de implementación.

Qué implica esto para los edificios reales

Para propietarios y gestores energéticos de edificios, el mensaje principal es que un poco de física rinde mucho. Al incorporar estimaciones sencillas y fáciles de calcular sobre cómo el aire exterior y el envolvente del edificio contribuyen a las necesidades de refrigeración dentro de un modelo de aprendizaje, es posible obtener pronósticos útiles para el día siguiente incluso en los primeros meses de operación, cuando los datos históricos son escasos. El estudio demuestra que este enfoque híbrido conocimiento-datos puede domar el sobreajuste, mantener bajos los costes de entrenamiento y ofrecer orientación fiable para la programación de enfriadoras y almacenamiento. En términos claros, combinar el conocimiento ingenieril básico con herramientas modernas de datos ayuda a que los edificios se mantengan confortables, reduzcan desperdicios y cooperen mejor con una red eléctrica en transformación.

Cita: Chen, J., Sun, T., Zhang, Y. et al. Deployable knowledge–data hybrid models for day-ahead cooling load prediction under data scarcity: a case study and performance validation. Sci Rep 16, 15079 (2026). https://doi.org/10.1038/s41598-026-45325-3

Palabras clave: predicción de carga de refrigeración, energía en edificios, modelado híbrido, escasez de datos, aprendizaje profundo