Implementation of a Data-Driven Model for Energy Consumption Prediction in a Middle– High Income Residential Dwelling

Este trabajo de grado desarrolla un estudio comparativo sobre la predicción del consumo energético de un apartamento residencial de ingresos medios-altos. Para ello, se analizaron dos enfoques de predicción: un modelo de simulación energética basado en el software DesignBuilder y modelos basados en datos (machine learning), con el objetivo de evaluar su capacidad para reproducir el comportamiento real del consumo eléctrico. Se implementaron cuatro modelos de predicción basados en datos: Regresión Lineal, Random Forest, Redes Neuronales Multicapa (MLP) y XGBoost. Todos los modelos fueron entrenados y evaluados bajo una misma metodología, empleando métricas ampliamente aceptadas en la literatura, tales como: el error cuadrático medio (RMSE), el error absoluto medio (MAE), el coeficiente de determinación (R²) y el error porcentual absoluto medio simétrico (SMAPE). A partir del análisis de estas métricas y de las curvas de consumo predichas, se determinó que, bajo las condiciones del estudio, los modelos basados en árboles de decisión presentan el mejor desempeño, destacándose Random Forest por su mayor capacidad para capturar de manera consistente la tendencia y la variabilidad del consumo energético. Finalmente, se realizó una comparación entre el mejor modelo de machine learning y el modelo de simulación obtenido mediante DesignBuilder, el cual fue previamente calibrado de acuerdo con la ASHRAE Guideline 14. Si bien el modelo de simulación presentó valores más bajos de SMAPE, su desempeño en el resto de las métricas fue inferior al del modelo basado en datos, evidenciando limitaciones para reproducir la dinámica temporal y los picos de consumo.