Artículo Académico / Academic Paper
Recibido:30-12-2021, Aprobado tras revisión: 08-07-2022
Forma sugerida de citación: Vásquez, F.; Naranjo, C.; Lobato, A; (2022). “Evaluación del efecto de las Variables Meteorológicas
en el desempeño Térmico de una Edificación residencial a Partir de Datos Monitoreados”. Revista Técnica “energía”. No. 19,
Issue I, Pp. 53-60
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v19.n1.2022.502
© 2022 Operador Nacional de Electricidad, CENACE
Evaluation of the effect of meteorological variables on the thermal
performance of a residential building based on monitored data
Evaluación del efecto de las Variables Meteorológicas en el desempeño
Térmico de una Edificación residencial a Partir de Datos Monitoreados
F.D.Vásquez
1
C.A. Naranjo
2
A.P. Lobato
3
1
Instituto de Investigación Geológico y Energético, Quito, Ecuador
E-mail: francisvasquezaza@gmail.com
2
Escuela Politécnica Nacional, Facultad de Ingeniería Mecánica, Quito, Ecuador
E-mail: carlos.naranjo@epn.edu.ec
3
Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Mecnica, São Paulo, Brazil.
Email: a265322@dac.unicamp.br
Abstract
Strategies to promote the efficient use of energy and
thermal comfort have been actions applied worldwide.
Being the variation of temperature a worrying factor for
governments due to the influence to achieve the energy
goals proposed by the SDGs. In this sense, the thermal
behavior inside a building could relate to external
conditions and could estimate through energy simulation
tools. However, the results present different levels of
uncertainty due to the quality of the meteorological data,
the properties of materials, the occupation patterns, as well
as the complexity of generating thermal evaluation
processes. Against this, experimental measurements to
evaluate the real state of a building and thus predict its
behavior with respect to the meteorology can have a great
contribution. In this context, this study develops a
methodology to evaluate the incidence of climate in the
thermal behavior of a building. The evaluation is carry out
in an experimental prototype house located in an
equatorial region monitored for approximately one year.
With the available data, validated linear regression models
have developed to estimate the behavior of the interior
temperature as a function of one or more environmental
variables. The internal air temperature prediction model
shows an R
2
of 0.41, in the worst case when only ambient
temperature is available for the prediction, and an
experimental error of 10%. Therefore, the methodology
can be replicated in buildings of different uses, climate and
adjusted to the availability of data.
Index terms housing, meteorological variables, linear
regression, monitored data.
Resumen
Las estrategias para promover el uso eficiente de energía y
el confort térmico han sido acciones aplicadas
mundialmente. Siendo la variación de temperatura un
factor preocupante para los gobiernos debido a la
influencia por alcanzar las metas energéticas propuestas
por los ODS. En este sentido, el comportamiento térmico al
interior de una edificación podría estar relacionado a las
condiciones externas y se pueden estimar a través de
herramientas de simulación energética. Sin embargo, los
resultados presentan diferentes niveles de incertidumbre
debido a la calidad de datos meteorológicos, las
propiedades de los materiales, los patrones de ocupación,
así como la complejidad de generar procesos de evaluación
térmica. Frente a esto, mediciones experimentales para
evaluar el estado real de una edificación y así predecir su
comportamiento respecto a la meteorología pueden tener
un gran aporte. En este contexto, este estudio desarrolla
una metodología para evaluar la incidencia del clima en el
comportamiento térmico de una edificación. La evaluación
se realiza en una vivienda prototipo experimental
localizada en una región ecuatorial monitoreada por
aproximadamente un año. Con los datos disponibles, se
desarrollaron modelos de regresión lineal validados para
estimar el comportamiento de la temperatura interior en
función de una o varias variables ambientales. Los
resultados del modelo de predicción de la temperatura
interna del aire presenta un R
2
de 0.41, en el peor de los
casos cuando se disponga solo de la temperatura ambiente
para la predicción, y un error experimental del 10%. Por
lo tanto, esta metodología puede ser replicada en
edificaciones de diferentes usos, clima y ajustada a la
disponibilidad de datos.
Palabras clave vivienda, variables meteorológicas,
regresión lineal, datos monitoreados.
53
Edición No. 19, Issue I, Julio 2022
1. INTRODUCCIÓN
De acuerdo a la Agencia Internacional de la Energía (IEA
por su siglas en inglés), el consumo energético primario
a nivel mundial ha ido incrementando exponencialmente
con el pasar del tiempo, especialmente en países en
desarrollo de América Latina, Asia y África [1]. En el
caso de países desarrollados la aplicación de medidas y
políticas de ahorro energético han estabilizado este
consumo de acuerdo al Word Energy Outlook de la IEA
[2]. En los últimos años las edificaciones han sido
responsables de un porcentaje muy elevado en el
consumo de energía primaria, alcanzando hasta un 40%
en países desarrollados, representando más de un tercio
de la energía primaria total mundial.
El consumo de energía en viviendas representa un
problema tanto en países desarrollados como en vías de
desarrollo y promueve acciones en busca del uso
eficiente. En países desarrollados se debe principalmente
al uso de equipos de acondicionamiento de aire
(calefacción y refrigeración) para garantizar condiciones
adecuadas de habitabilidad a los ocupantes. Mientras que
en países en desarrollo está relacionado con la calidad del
aire al interior de las viviendas. Sin embargo, en estos
casos se busca generar espacios interiores con
condiciones de aire adecuadas, que contribuyan con la
salud de sus habitantes [3]. Además, el consumo
energético varia, por un lado, en el tipo de edificación
(construcción, funcionalidad, actividad de los ocupantes)
y por otro lado en la incidencia de las condiciones
meteorológicas a las cuales la edificación está expuesta)
[4].
Con la finalidad de evaluar el comportamiento térmico de
una edificación, herramientas informáticas de simulación
y energética son usadas. Los resultados obtenidos son
estimaciones que pueden presentar diferentes niveles de
incertidumbre debido a diversos factores en los datos de
entrada y de procesamiento. Por ejemplo, en los datos de
entrada: la calidad de la serie de datos meteorológicos,
las propiedades térmicas de los materiales de
construcción, los patrones de ocupación de la edificación
adoptados entre otros. Estudios sobre la evaluación del
rendimiento energético de una edificación, planificados
como de consumo energético casi nulo y basados
únicamente en la energía eléctrica consumida por los
equipos y luminarias de una vivienda, tendrá resultados
alejados de la realidad [5]. En este sentido la variable
climática juega un papel principal en el consumo
energético e incrementa su influencia en la temperatura
al interior de una edificación debido al cambio climático
postulado por el Grupo Intergubernamental de Expertos
sobre el Cambio Climático (IPCC, por sus siglas en
inglés).
A pesar que la estimación del consumo energético en una
vivienda a través de simulaciones de comportamiento ha
tenido gran alcance y mejora en cuanto a los resultados,
existen discrepancias entre el diseño y el desempeño
medido en una edificación [6]. La aplicación de
mediciones experimentales en condiciones reales permite
obtener información para evaluar procesos directos,
indirectos y contribuir en la proyección de información
basados en datos recopilados en condiciones reales. El
uso de estrategias en busca del uso eficiente de energía,
han sido impulsadas a nivel mundial, en alineación con
la Meta 3 “De aquí a 2030, duplicar la tasa mundial de
mejora de la eficiencia energética” del ODS 7 Energía
Asequible y no contaminante.
Con la finalidad de determinar los parámetros más
influyentes en el consumo energético de edificaciones, se
han realizado, en los últimos años, diversos estudios
sobre la influencia de las variables meteorológicas en el
consumo energético y comportamiento térmico de
edificaciones, en donde se ha evidenciado que la
temperatura ambiente (Tamb), la velocidad del viento
(VV), la humedad relativa (HR), y la radiación solar (RS)
se consideran como variables directamente influyentes en
la demanda energética en edificaciones [7]. En este
contexto es importante mencionar que cada región del
mundo presenta una climatología diferente de acuerdo a
la ubicación geográfica, presión atmosférica, altura sobre
el nivel del mar, entre otros factores. Es por ello que los
resultados obtenidos para cierta región no son replicables
en otras, por lo que es evidente que se deben realizar
estudios específicos para cada región climática.
Los últimos años el gobierno central ha aportado al
desarrollo de varios proyectos de investigación. Entre
estos, el ex INER (Instituto Nacional de Eficiencia
energética y Energía renovable) actual Instituto de
Investigación Geológico y Energético (IIGE) diseñó una
edificación residencial prototipo conocida como “Casa
Prototipo” y concebida como un laboratorio de pruebas
experimentales que contribuyan con las investigaciones
multidisciplinarias. Entre ellas monitorización de
variables internas y externas para validar posteriormente
datos de simulación y entender el comportamiento
térmico de la edificación bajo diferentes condiciones de
estudio.
Debido a los escasos estudios sobre eficiencia energética
en edificaciones en climatologías ecuatorianas es
importante iniciar con el desarrollo de una metodología
adecuada que permita rápidamente identificar las
variables más importantes para el diseño eficiente de
edificaciones, entendiéndose por eficiente, a bajo
consumo energético y adecuado confort térmico de los
ocupantes. Para ello, los datos experimentales juegan un
importante papel para la obtención de modelos que
puedan ser usados en el diseño preliminar y así estimar el
comportamiento térmico que una edificación tendrá.
Estos datos deberían ser tomados y validados para
diversas climatologías y ampliar el estudio para varios
casos.
En este contexto, se propone esta investigación que tiene
como objetivo, desarrollar una metodología para la
evaluación la incidencia de las variables meteorológicas
(temperatura ambiente, radiación solar global, velocidad
54
Vásquez et al / Evaluación del efecto de las Variables Meteorológicas en el desempeño Térmico de una Edificación Residencial
de viento y humedad relativa) en el comportamiento
térmico de una edificación (temperatura interior del aire).
La evaluación se la realizará para una vivienda localizada
en la región ecuatorial (0 ° 31′N 78 ° 12′O) que ha sido
monitoreada por aproximadamente un año. Los
resultados permitirán determinar cuáles son las variables
meteorológicas de mayor impacto en el comportamiento
térmico de la edificación permitirán determinar los
parámetros de mayor influencia en el consumo
energético de edificaciones. A su vez contribuirá con
análisis de evaluación del estado actual de una
edificación para proyectar su comportamiento respecto a
la meteorología que la afecta.
2. METODOLOGÍA
2.1. Modelo físico y equipos
Este estudio contempla un modelo de edificación
prototipo basada en una vivienda de interés social, la cual
ha sido implementada por medio del IIGE. Esta
edificación presenta varios instrumentos de
monitorización para medir variables térmicas internas,
así como, una estación meteorológica portátil. La
edificación es de una sola planta con una superficie de
construcción de 45.2 m
2
y una altura total de 4.36 m,
contiene sala, comedor, cocina, dos dormitorios y un
baño, además el techo es inclinado. Tres termopares han
sido ubicados en distintas habitaciones para medir la
temperatura interna del aire a una altura de 2.00m y la
estación meteorológica se ha ubicado en el techo de la
edificación.
2.2. Ubicación y climatología
La investigación se ha desarrollado en la ciudad de
Urcuquí la cual es una región montañosa del Ecuador,
ubicada a 2384 msnm (0°31′N 78°12′O). Urcuquí tiene
un clima cálido templado, no supera los 30°C durante el
día. Sin embargo, es muy húmedo en las noches y
bastante seco en horas del mediodía. El clima es muy
seco durante los meses de verano entre junio, julio y
agosto y relativamente húmedo en el invierno. La
temperatura ambiente presenta un mismo patrón de
variación durante el ciclo diario para un 95% del año. En
la noche es posible encontrar temperaturas entre 10ºCy
15°C y durante el día la temperatura está entre 20ºC y
25°C.
2.3. Datos
Los datos monitoreados fueron medidos desde diciembre
2014 con intervalos de 5 minutos, por aproximadamente
un año. Con estos datos se ha calculado los promedios
horarios considerando que la percepción de cambio de
temperatura en el ambiente interno es apreciable en un
intervalo de una hora. Los principales datos ambientales
medidos son la humedad relativa (HR), velocidad del
viento (VV), temperatura de bulbo seco (Tamb),
radiación solar global (RS) y la temperatura del aire
interno de la casa (Taire_int1, Taire_int2, Taire_int3). Se
disponen de un total de 90139 datos por cada variable.
Cada una de las variables debe ser revisada mediante
estadística descriptiva para eliminar valores repetidos
completar con valores no asignados aquellas fechas que
el sistema no registró valores. La Tabla 1 muestra la
media, desviación estándar, valor mínimo, valor máximo
y datos no asignados en la base.
Tabla 1: Resumen de datos
media
DE
Min
max
NA
Tamb (°C)
17.7
3.6
8.9
27.7
0
HR (%)
71.5
21.4
20.9
100
0
VV(m/s)
1.6
1.4
0
8.1
0
RS (W/m
2
)
220.4
295.2
16.3
1332
727
Taire_int1 (°C)
25.0
2.6
18.0
34.3
0
Taire_int2 (°C)
24.5
2.1
17.7
31.9
0
Taire_int3 (°C)
24.6
2.4
17.6
33.5
0
2.4. Análisis de datos atípicos
Luego de un análisis descriptivo se debe realizar un
tratamiento de valores atípicos, para este estudio se ha
tomado como referencia el análisis del diagrama de caja
[8]. Los valores atípicos muy extremos causan muchas
dificultades y afectan directamente a las predicciones de
los modelos de regresión. Sin embargo, los valores
atípicos extremos deben extraerse, cuando se tenga
certeza de un mal funcionamiento de los equipos, errores
en las mediciones, errores del personal técnico, entre
otros. La eliminación de dichos valores extrínsecos
comprobados llevarán a conseguir resultados más
precisos al momento de encontrar modelos de predicción
[9].
Las variables meteorológicas que presentan valores
atípicos son la radiación solar y la velocidad del viento,
estos valores elevados se deben a que la radiación en la
noche es nula y al medio día presenta valores muy
elevados. La velocidad del viento muestra valores
elevados en ciertas horas del día y su alta variación no
permite analizar los valores atípicos en cortos intervalos
de tiempo. Siempre la velocidad del viento se debe
analizar su variación cada hora y serán declarados valores
atípicos si cumplen las Ecuaciones (1) (2) y (3)
propuestas por [10]
𝒗_𝒕 > 𝟑𝟓. 𝟓 𝒎/𝒔
(1)
|𝒗_𝒕 − 𝒗_((𝒕 − 𝟏) ) | < 𝟕. 𝟕 𝒎/𝒔
(2)
|𝒗_𝒕 − 𝒗_(𝒕 + 𝟏) | < 𝟕. 𝟕 𝒎/𝒔
(3)
Los valores de radiación considerados como atípicos son
los que sobrepasan los valores máximos incidentes sobre
la capa más externa de la tierra de 1366 W/m
2
[11]. Las
temperaturas internas del aire presentan ciertos valores
atípicos solitarios, estos datos deben ser estudiados
55
Edición No. 19, Issue I, Julio 2022
cuidadosamente y cambiados por valores no asignados
para los posteriores análisis se tomen tan solo las
observaciones completas.
2.5. Orden de influencia
El orden de influencia de las variables meteorológicas y
las temperaturas internas de la edificación serán
analizadas mediante un análisis de Pareto [12]. Para
construir el diagrama de Pareto se calcula la variación
porcentual de los datos de una hora a otra. Luego, se
obtiene la suma o el promedio de los valores calculados
para cada variable. Este dato representa el porcentaje
promedio de variación en una hora para cada parámetro
medido.
Por ejemplo, para una variación de la temperatura del aire
interior (Taire_int1) del 2.3% de su valor en una hora, la
temperatura ambiente deberá presentar un cambio del
5%, la humedad relativa 6.5%, la velocidad del viento
32% y la radiación solar 38%. Es decir que mientras
mayor sea el cambio en las variables meteorológicas,
menor será el cambio en la temperatura interna, esto
determina la relación inversa de estas relaciones. Por este
motivo se debe calcular la diferencia porcentual de los
valores encontrados para graficar las variables climáticas
de mayor a menor influencia.
La Fig. 1 muestra el diagrama de Pareto para la
temperatura (Tair_int1). La variable meteorológica que
más influye en los cambios de temperatura interna es la
temperatura ambiente y la humedad relativa, esto
determina que los modelos de regresión están
determinados en su mayoría por estas dos variables.
Figura 1: Diagrama de Pareto (Taire_int1)
2.6. Regresión lineal múltiple
Una vez que la base de datos ha sido correctamente
validada mediante análisis estadístico, esta debe ser
dividida en dos partes, el 80% para el entrenamiento del
modelo de regresión lineal múltiple y el 20% para
validación [13]. El modelo de regresión múltiple se lo
desarrollará por el método de los mínimos cuadrados
[14]. Este método consiste en relacionar a una variable
dependiente y con k variables independientes de acuerdo
a (4).
𝒚 = 𝑩
𝒐
+ 𝑩
𝟏
𝒙
𝟏
+ 𝑩
𝟐
𝒙
𝟐
+ ⋯ + 𝑩
𝒌
𝒙
𝒌
+ 𝒆
(4)
Donde los coeficientes B se denominan parámetros de
regresión y “e” el error generado del modelo. Para el
error de regresión se considera una esperanza igual a
cero, desviación estándar igual a y los errores
individuales de las observaciones no presentan
correlación alguna.
Cada variable meteorológica debe ser estudiada tomando
en cuenta el comportamiento mediante un diagrama de
dispersión para evaluar su afinidad lineal o no lineal. De
acuerdo al comportamiento de las gráficas se realiza
transformaciones cuadráticas, cúbicas o logarítmicas
tanto a las variables dependientes como independientes
para estabilizar la varianza e incrementar el valor del
Coeficiente de Determinación (R
2
)[9]. Finalmente, una
validación con datos que no fueron incluidos en el
modelo se llevará a cabo, para encontrar el error de
predicción.
3. RESULTADOS Y DISCUSIÓN
3.1. Correlación lineal
El análisis de correlación entre variables es el primer
paso para determinar el grado de relación existente entre
variables, en este estudio el coeficiente de correlación
lineal de Pearson será usado. La Tabla 2 muestra los
coeficientes de correlación lineal de Pearson para todas
las temperaturas y las variables meteorológicas. Los
valores del coeficiente varían entre -1 a 1, valores
cercanos a cero determinan que las variables no se
correlacionan linealmente.
Tabla 2: Correlación lineal de Pearson
T
amb
H
R
V
V
R
S
Taire_int1
0.57
-0.35
0.61
0.32
Taire_int2
0.68
-0.44
0.60
0.45
Taire_int3
0.62
-0.39
0.61
0.38
La correlación lineal entre las temperaturas internas y la
temperatura ambiente presenta los valores más altos
(0.68), la velocidad del viento presenta valores similares
(0.6), la humedad relativa presenta un comportamiento
inverso por su signo negativo y sus valores se encuentran
alrededor de 0.4 y la radiación solar es el parámetro
menos influyente y sus fluctúan entre 0.3-0.45.
3.2. Modelos de regresión lineal múltiple
La estimación de los parámetros de regresión lineal
múltiple, es igual que una regresión lineal simple. Es
decir, se aplica el método de los mínimos cuadrados, pero
de forma matricial. La Tabla 3 muestra los modelos de
regresión lineal múltiple calculados de las temperaturas
internas en función de las variables meteorológicas.
56
Vásquez et al / Evaluación del efecto de las Variables Meteorológicas en el desempeño Térmico de una Edificación Residencial
El mayor R
2
ajustado encontrado corresponde a la
temperatura (Taire_int2) con un R
2
ajustado de 0.73
cuando el modelo toma en cuenta todas las variables
meteorológicas. El valor de R
2
reduce gradualmente
conforme reducen el número de variables
independientes. En el peor de los casos cuando solo se
toma en cuenta la temperatura ambiente el coeficiente de
determinación será de 0.5.
La Fig. 2 muestra la relación entre la temperatura real
versus la predicha indicando la escala de error
porcentual, como es apreciable la temperatura ambiente
juega un papel muy importante al momento de encontrar
el modelo de predicción, casi el 50% de los datos se
ajustan con un error menor al 5% y tan solo para un 9%
de datos aproximadamente el error es mayor al 10%.
Figura 2: Temperatura real vs temperatura predicha
3.3. Validación experimental
La validación de los modelos conlleva a un análisis
estadístico de los errores encontrados entre el valor
predicho y el valor real. La Tabla 4 muestra un resumen
de los parámetros y rangos más importantes del modelo
de la Taire_int2 con todas las variables meteorológicas.
El 75% de datos de validación presenta un error inferior
al 5% para un R
2
de 0.727.
Como se observa, el uso de todas las variables en el
modelo, compacta mejor los errores generados. Para este
modelo el error promedio es de 3.61% y el error máximo
esperado de 10.97% si se toma en cuenta los errores
atípicos. El modelo es muy bueno, es decir, se espera un
error inferior al 5% para temperatura ambiente entre 14-
16°C y 23-25°C.
El modelo presenta errores superiores al 5% cuando la
temperatura ambiente se encuentra entre 14-17°C y 18-
19°C, humedad relativa entre 58-74% y 98-100%,
velocidades del viento inferiores a 2m/s y radiación solar
cero. Y, por último, el modelo genera errores superiores
a 5% para temperatura ambiente entre 15-16°C, 58-60%
y 96-100% de humedad relativa, velocidades del viento
inferiores a 2m/s y radiación solar cero.
Tabla 3: Errores de predicción
Taire_int2
Modelo
R
2
0.7268
Error
promedio
3.61 %
Rango
error
Atípico
10.97-
15.29%
Error
máximo
15.29 %
Error
T
amb
(°C)
H
R
(%)
V
V
(m/s)
R
S
(W/m
2
)
< 5%
14-16
23-25
-
-
-
>5%
14-17
18-19
58-74
98-100
0-2
0
>5%
15-16
58-60
96-100
0-2
0
Si bien, el análisis de los errores en los modelos es
importante al momento de generar buenos resultados en
las predicciones, se debe analizar dichos errores en el
tiempo. De esta manera se puede tener una mejor
interpretación de los resultados del modelo sin tener que
recurrir a la utilización de términos estadísticos.
Una semana típica fue seleccionada, es decir que presente
una temperatura ambiente, humedad relativa, velocidad
del viento y radiación solar promedio en relación a los
datos anuales medidos. A dicha semana se le ha evaluado
los datos que genera el modelo de predicción en
comparación con los datos experimentales medidos en
sitio. La semana seleccionada va desde el 6 de octubre
hasta el 12 de octubre del 2015, la cual muestra un
promedio de 17.66°C de temperatura ambiente, 70.68%
de humedad relativa, 1.64 m/s de velocidad del viento y
220.64 W/m
2
.
La Fig. 3 muestra la temperatura ambiente, temperatura
interior experimental de la edificación y la temperatura
interior del modelo de regresión en función de la hora del
día, para el modelo de la temperatura interior del aire
(Taire_int2). Los datos se aproximan muy bien a la curva
real de datos experimentales, en el peor de los casos el
error es de 3°C al mediodía donde influye mucho la
radiación solar. Por otro lado, algunos errores superiores
a 2°C se generan en horas de la noche.
Los errores son mínimos cuando las predicciones se
realizan desde des 6 de la mañana hasta las 12 de día. De
esta forma se puede tomar datos de una semana en un
lugar específico de construcción, realizar las
predicciones de las temperaturas internas y validar los
datos para usarlos en el diseño preliminar, sin la
necesidad de medir variables meteorológicas en
intervalos de tiempo muy extenso.
57
Edición No. 19, Issue I, Julio 2022
Tabla 4: Modelos de regresión lineal múltiple
Modelos de regresión
R
2
𝒍𝒏
(
𝑻𝒂𝒊𝒓𝒆_𝒊𝒏𝒕𝟏
)
= 𝟏. 𝟎𝟐𝟔 + 𝟎. 𝟑𝟑𝟔𝟔𝑻
𝒂𝒎𝒃
− 𝟎. 𝟎𝟏𝟕𝟓𝟗𝑻
𝒂𝒎𝒃
𝟐
+ 𝟎. 𝟎𝟎𝟎𝟑𝟏𝟒𝟓𝑻
𝒂𝒎𝒃
𝟑
0.34
𝒍𝒏
(
𝑻𝒂𝒊𝒓𝒆_𝒊𝒏𝒕𝟏
)
= 𝟏. 𝟗𝟐 + 𝟎. 𝟏𝟕𝟏𝟖𝑻
𝒂𝒎𝒃
− 𝟎. 𝟎𝟎𝟕𝟐𝟐𝟏𝑻
𝒂𝒎𝒃
𝟐
+ 𝟎. 𝟎𝟎𝟎𝟏𝟐𝟐𝟗𝑻
𝒂𝒎𝒃
𝟑
− 𝟎. 𝟎𝟎𝟓𝟎𝟑𝟓𝑯𝑹 + 𝟎. 𝟎𝟎𝟎𝟎𝟒𝟔𝟕𝟏𝑯𝑹
𝟐
0.41
𝒍𝒏
(
𝑻𝒂𝒊𝒓𝒆_𝒊𝒏𝒕𝟏
)
= 𝟎. 𝟒𝟎𝟏𝟗 + 𝟎. 𝟒𝟑𝟔𝟐𝑻
𝒂𝒎𝒃
− 𝟎. 𝟎𝟐𝟑𝟑𝟐𝑻
𝒂𝒎𝒃
𝟐
+ 𝟎. 𝟎𝟎𝟎𝟑𝟖𝟎𝟖𝑻
𝒂𝒎𝒃
𝟑
− 𝟎. 𝟎𝟎𝟒𝟒𝟐𝑯𝑹 + 𝟎. 𝟎𝟎𝟎𝟎𝟒𝟐𝟕𝟗𝑯𝑹
𝟐
+
𝟎. 𝟎𝟑𝟏𝟏𝑽𝑽 + 𝟎. 𝟎𝟏𝟐𝟐𝟏𝑽𝑽
𝟐
− 𝟎. 𝟎𝟎𝟐𝟐𝟓𝟗𝑽𝑽
𝟑
0.52
𝒍𝒏
(
𝑻𝒂𝒊𝒓𝒆_𝒊𝒏𝒕𝟏
)
= 𝟏. 𝟔𝟖𝟔 + 𝟎. 𝟑𝟗𝟓𝟔 𝒍𝒏
(
𝑻
𝒂𝒎𝒃
)
+ 𝟎. 𝟎𝟎𝟑𝟐𝟗𝟒𝑯𝑹 + 𝟎. 𝟎𝟒𝟎𝟗𝟕𝑽𝑽 − 𝟎. 𝟎𝟎𝟎𝟒𝟎𝟏𝟐𝑹𝑺 + 𝟎. 𝟎𝟎𝟎𝟒𝟗𝟖𝟓𝑻
𝒂𝒎𝒃
𝟐
+
𝟎. 𝟎𝟎𝟎𝟎𝟎𝟎𝟐𝟔𝟑𝟕𝑹𝑺
𝟐
− 𝟎. 𝟎𝟎𝟔𝟒𝟓𝟓𝒍𝒏 (𝑹𝑺)
0.68
𝒍𝒏
(
𝑻𝒂𝒊𝒓𝒆_𝒊𝒏𝒕𝟐
)
= 𝟏. 𝟐𝟐 + 𝟎. 𝟑𝟏𝟐𝟗𝟏𝟗𝟗𝑻
𝒂𝒎𝒃
− 𝟎. 𝟎𝟏𝟔𝟗𝟗𝟕𝟕𝑻
𝒂𝒎𝒃
𝟐
+ 𝟎. 𝟎𝟎𝟎𝟑𝟏𝟔𝟕𝑻
𝒂𝒎𝒃
𝟑
0.49
𝒍𝒏
(
𝑻𝒂𝒊𝒓𝒆_𝒊𝒏𝒕𝟐
)
= 𝟏. 𝟗𝟑𝟏 + 𝟎. 𝟏𝟕𝟐𝑻
𝒂𝒎𝒃
− 𝟎. 𝟎𝟎𝟖𝟐𝑻
𝒂𝒎𝒃
𝟐
+ 𝟎. 𝟎𝟎𝟎𝟏𝟒𝟖𝟐𝑻
𝒂𝒎𝒃
𝟑
− 𝟎. 𝟎𝟎𝟐𝟗𝟓𝟔𝑯𝑹 + 𝟎. 𝟎𝟎𝟎𝟎𝟑𝟐𝟑𝟕𝑯𝑹
𝟐
0.56
𝒍𝒏(𝑻𝒂𝒊𝒓𝒆_𝒊𝒏𝒕𝟐) = 𝟏. 𝟑𝟐𝟔 + 𝟎. 𝟐𝟕𝟕𝟒𝑻
𝒂𝒎𝒃
− 𝟎. 𝟎𝟏𝟒𝟐𝟏𝑻
𝒂𝒎𝒃
𝟐
+ 𝟎. 𝟎𝟎𝟎𝟐𝟓𝟒𝟕𝑻
𝒂𝒎𝒃
𝟑
− 𝟎. 𝟎𝟎𝟐𝟔𝟖𝑯𝑹 + 𝟎. 𝟎𝟎𝟎𝟎𝟑𝟎𝟓𝟑𝑯𝑹
𝟐
+ 𝟎. 𝟎𝟏𝟎𝟓𝟒𝑽𝑽 + 𝟎. 𝟎𝟎𝟓𝟓𝟗𝟒𝑽𝑽
𝟐
− 𝟎. 𝟎𝟎𝟎𝟗𝟒𝟗𝟕𝑽𝑽
𝟑
0.59
𝒍𝒏
(
𝑻𝒂𝒊𝒓𝒆_𝒊𝒏𝒕𝟐
)
= 𝟐. 𝟑𝟏𝟕 + 𝟎. 𝟏𝟒𝟒𝟐 𝒍𝒏
(
𝑻
𝒂𝒎𝒃
)
+ 𝟎. 𝟎𝟎𝟐𝟖𝟒𝟔𝑯𝑹 + 𝟎. 𝟎𝟏𝟖𝟏𝟐𝑽𝑽 − 𝟎. 𝟎𝟎𝟎𝟐𝟐𝟔𝟕𝑹𝑺 + 𝟎. 𝟎𝟎𝟎𝟖𝟔𝟔𝟑𝑻
𝒂𝒎𝒃
𝟐
+ 𝟎. 𝟎𝟎𝟎𝟎𝟎𝟎𝟏𝟓𝟎𝟐𝑹𝑺
𝟐
− 𝟎. 𝟎𝟎𝟕𝟔𝟔𝟑𝒍𝒏 (𝑹𝑺)
0.73
𝒍𝒏
(
𝑻𝒂𝒊𝒓𝒆_𝒊𝒏𝒕𝟑
)
= 𝟏. 𝟏𝟖𝟑 + 𝟎. 𝟑𝟏𝟑𝑻
𝒂𝒎𝒃
− 𝟎. 𝟎𝟏𝟔𝟔𝟒𝑻
𝒂𝒎𝒃
𝟐
+ 𝟎. 𝟎𝟎𝟎𝟑𝟎𝟒𝟒𝑻
𝒂𝒎𝒃
𝟑
0.40
𝒍𝒏
(
𝑻𝒂𝒊𝒓𝒆_𝒊𝒏𝒕𝟑
)
= 𝟏. 𝟗𝟔𝟐 + 𝟎. 𝟏𝟔𝟎𝟒𝑻
𝒂𝒎𝒃
− 𝟎. 𝟎𝟎𝟕𝟎𝟗𝟐𝑻
𝒂𝒎𝒃
𝟐
+ 𝟎. 𝟎𝟎𝟎𝟏𝟐𝟎𝟗𝑻
𝒂𝒎𝒃
𝟑
− 𝟎. 𝟎𝟎𝟑𝟓𝟏𝟓𝑯𝑹 + 𝟎. 𝟎𝟎𝟎𝟎𝟑𝟔𝟖𝟐𝑯𝑹
𝟐
0.46
𝒍𝒏(𝑻𝒂𝒊𝒓𝒆_𝒊𝒏𝒕𝟑) = 𝟎. 𝟖𝟗𝟏𝟕 + 𝟎. 𝟑𝟒𝟔𝟖𝑻
𝒂𝒎𝒃
− 𝟎. 𝟎𝟏𝟕𝟕𝟐𝑻
𝒂𝒎𝒃
𝟐
+ 𝟎. 𝟎𝟎𝟎𝟑𝟎𝟖𝟗𝑻
𝒂𝒎𝒃
𝟑
− 𝟎. 𝟎𝟎𝟐𝟗𝟗𝟏𝑯𝑹 + 𝟎. 𝟎𝟎𝟎𝟎𝟑𝟑𝟐𝟕𝑯𝑹
𝟐
+ 𝟎. 𝟎𝟏𝟔𝟒𝑽𝑽 + 𝟎. 𝟎𝟏𝟎𝟖𝟕𝑽𝑽
𝟐
− 𝟎. 𝟎𝟎𝟏𝟕𝟕𝟐𝑽𝑽
𝟑
0.52
𝒍𝒏
(
𝑻𝒂𝒊𝒓𝒆_𝒊𝒏𝒕𝟑
)
= 𝟐. 𝟎𝟏𝟕 + 𝟎. 𝟐𝟓𝟏𝟗 𝒍𝒏
(
𝑻
𝒂𝒎𝒃
)
+ 𝟎. 𝟎𝟎𝟑𝟏𝟕𝟐𝑯𝑹 + 𝟎. 𝟎𝟑𝟏𝟎𝟓𝑽𝑽 − 𝟎. 𝟎𝟎𝟎𝟑𝟐𝟓𝟏𝑹𝑺 + 𝟎. 𝟎𝟎𝟎𝟕𝟒𝟕𝟗𝑻
𝒂𝒎𝒃
𝟐
+ 𝟎. 𝟎𝟎𝟎𝟎𝟎𝟎𝟐𝟎𝟑𝟗𝑹𝑺
𝟐
− 𝟎. 𝟎𝟎𝟔𝟕𝟓𝟓𝒍𝒏 (𝑹𝑺)
0.67
Figura 3: Validación del modelo de regresión para una semana de datos
4. CONCLUSIONES Y RECOMENDACIONES
La temperatura al interior de una edificación está
relacionada con las condiciones meteorológicas del lugar
donde está emplazada. Por lo que alcanzar el confort
térmico de los ocupantes dependerá de las condiciones de
temperatura ambiente interior y del conocimiento de las
características climáticas de la zona. Actualmente, no se
puede garantizar confort térmico en los ocupantes en las
edificaciones promedio principalmente por el escaso uso
de técnicas de eficiencia energética aplicadas en las
construcciones. Dichas medidas deben ser evaluadas
acorde al clima al ser uno de los factores de mayor
influencia en la aplicación de las técnicas de eficiencia
energética en viviendas, edificios residenciales o
edificios de oficinas. Siendo evidente el aporte de esta
investigación para el desarrollo de una metodología de
estudio que puede ser replicable en diferentes tipos y usos
de edificaciones y climatologías.
58
Vásquez et al / Evaluación del efecto de las Variables Meteorológicas en el desempeño Térmico de una Edificación Residencial
Mediante el análisis de datos se determinó que la
temperatura ambiente es la variable de mayor incidencia
en el comportamiento térmico de la edificación. En
promedio la correlación con la temperatura exterior es
(R
2
= 0.41), obtenida a través de un modelo de regresión
de una sola variable. Este valor indica que el 40.7% de
los datos se ajustan a dicho modelo y para este tipo de
estudios se puede considerar como un modelo bastante
aceptable. Los resultados muestran que se puede
incrementar la correlación al emplear una regresión con
múltiples variables. El coeficiente de determinación
puede incrementarse al generar un modelo considerando
la HR (R
2
=0.48), la HR y RS (R
2
=0.55) y la HR, RS y
VV (R
2
=0.69).
El mejor modelo para la predicción de la temperatura
interna del aire de acuerdo a la validación de datos es
aquel que depende de la (Tamb y HR + VV +RS),
además, se han encontrado los rangos de radiación solar,
velocidad del viento y humedad relativa donde tienen
menor influencia y se ubican cuando la temperatura
ambiente varía entre 14-16 °C y 23-25 °C, de esta manera
el modelo con todas las variables se ajusta muy bien
cuando la temperatura ambiente se ubica entre este rango.
Sin embargo, el modelo genera mayores errores cuando
la humedad relativa oscila entre 58-74% y 96-100%, la
velocidad del viento está entre 0 y 2 m/s y cuando la
radiación solar es igual a cero.
Para encontrar modelos más precisos se recomienda usar
funciones estabilizadoras de la varianza en la variable
dependiente como el logaritmo natural en el caso de la
temperatura. Además, aplicar cambios de variables
adecuados de acuerdo a las gráficas de dispersión de las
variables o a la forma de dispersión de residuales en los
modelos, esto hará que el R
2
aumente y el modelo genere
menor error. Además, aumentar el número de variables
meteorológicas como la nubosidad, condensación, etc.,
esto se sugiere como estudio de trabajo futuro.
REFERENCIAS BIBLIOGRÁFICAS
[1] International Energy Agency, “Key World
Energy Statistics 2015,” p. 81, 2015.
[2] International Energy Agency, “World Energy
Outlook,” IEA, p. 14, 2018.
[3] N. Watts et al., “The Lancet Countdown on
health and climate change: from 25 years of
inaction to a global transformation for public
health,” Lancet, vol. 391, no. 10120, pp. 581–
630, Feb. 2018.
[4] T. Hong, W.-K. Chang, and H.-W. Lin, “A fresh
look at weather impact on peak electricity
demand and energy use of buildings using 30-
year actual weather data,” Appl. Energy, vol.
111, pp. 333–350, 2013.
[5] C. Carpino, D. Mora, N. Arcuri, and M. De
Simone, “Behavioral variables and occupancy
patterns in the design and modeling of Nearly
Zero Energy Buildings,” Build. Simul., vol. 10,
no. 6, pp. 875–888, 2017.
[6] Z. Afroz, H. Burak Gunay, and W. O’Brien, “A
review of data collection and analysis
requirements for certified green buildings,”
Energy Build., vol. 226, p. 110367, 2020.
[7] F. Apadula, A. Bassini, A. Elli, and S. Scapin,
“Relationships between meteorological variables
and monthly electricity demand,” Appl. Energy,
vol. 98, pp. 346–356, 2012.
[8] E. Galindo, Estadística, metodos y aplicaciones
para administración e ingeniería. Quito, 2008.
[9] H. A. Quevedo Urías, Estadística para
inegeniería y ciencias, Primera. México, 2014.
[10] D. Jijón, J. Constante, M. Moya, and G. Guerrón,
“Métodos para homogenizar y rellenar datos de
viento de la torre meteorológica del Parque
Eólico Villonaco en Loja-Ecuador,” Av. en
Ciencias e Ing., vol. 7, no. 2, 2015.
[11] F. J. Entrena González, Determinación del
potencial solar (UF0212), IC Editori. 2013.
[12] S. Walter Stachú, “Identificación de la
problemática mediante Pareto e Ishikawa,” 2000.
[13] S. Asadi, S. S. Amiri, and M. Mottahedi, “On the
development of multi-linear regression analysis
to assess energy consumption in the early stages
of building design,” Energy Build., vol. 85, pp.
246–255, 2014.
[14] P. Vining Montgomery, Introducción al Análisis
de Regresión Lineal, Continenta. 2006.
Francis Vásquez Aza.- Nació en
Ibarra, Ecuador en 1991. Recibió
su título de Ingeniero Mecánico de
la Escuela Politécnica Nacional en
2016 y su título de Master en
Sistemas y Tecnologías de
Conversión de Energía de la
Universidad Rovira i Virgili,
Tarragona-España en 2020. Sus campos de investigación
están relacionados con la Eficiencia Energética en
Edificaciones y las Energías Alternativas.
Carlos Naranjo Mendoza. - Nació
en Quito en 1986. Recibió su título
de Ingeniero Mecánico de la
Escuela Politécnica Nacional en
2010; Master en Renewable Energy
and Energy Efficiency en la École
de technologie supérieure (ÉTS) en
2013 y su doctorado en la
59
Edición No. 19, Issue I, Julio 2022
Universidad De Montfort en 2020, y su campo de
investigación se encuentra relacionado con la eficiencia
energética, energías renovables y almacenamiento de
energía.
Andrea Lobato Cordero. -
Arquitecta por la Universidad
Católica de Cuenca, Ecuador;
Master en Eco diseño y Eficiencia
Energética en Edificaciones por la
Universidad de Zaragoza, España;
doctoranda del programa "Energy
Systems Planning" en la
Universidade Estadual de Campinas (Unicamp)
Campinas, Brasil. Suss áreas de actuación están
relacionadas con la Sostenibilidad, Habitabilidad y
Condiciones de Salud en Espacios Interiores, Estrategias
Bioclimáticas, Eficiencia Energética en Residencias,
Comportamiento Térmico de Materiales de
Construcción.
60
