PLEA 2018 HONG KONG

Inteligente y saludable dentro del límite de 2 grados

LABORATORIO DE TÉCNICAS SUSTENTABLES

Integrantes:
1. Alarcon Pareja, Kidtman
2. Beretta Cosar, Adrian
3. Cana Vargas, Monica
4. Nuñez Valladares, Fiorela
5. Olivares Tagle, Grecia
6. Quiroz Hoyos, Christopher
7. Romero Granda, Hilda
8. Terreros Candela, Strella

Código de la clase:

2204

Fecha:

04/09/2020

Docente:

Arq. Luis Guillermo Sánchez Loayza

1
 PLEA 2018 HONG KONG
Inteligente y saludable dentro del límite de 2 grados

Diseño de sistemas urbanos calibrados

Un flujo de trabajo de diseño basado en la simulación utilizando agrupaciones de datos medidos para calibrar los
modelos de energía de los edificios urbanos (UBEM)

TAREK RAKHA , RAWAD EL KONTAR

School of Architecture, Syracuse University, Syracuse, NY, United States

Abstracto:En  este  documento  se  presenta  un  flujo  de  trabajo  que  informa  las  decisiones  de  diseño  urbano  utilizando  la  agrupa
ción  de  datos  medidos  para  calibrar  los  Modelos  Energéticos  de  Edificios  Urbanos  (UBEM).  El  objetivo  del  método  es  apoyar 
el  diseño  urbano  en  cuanto  a  la  forma,  las  configuraciones  de  los  sistemas  de  construcción,  así  como  influir  en  los  aspectos  d
el  comportamiento  del  usuario  en  el  entorno  construido  mediante  un  análisis  sistémico  de  los  datos  medidos  para  desarrollar 
modelos  energéticos  fiables  de  escenarios  de  diseño  de  casos  futuros.  Se  emplearon  datos  detallados  sobre  el  uso  de  la  elect
ricidad  a  nivel  de  aparatos  mediante  la  agrupación  de  datos  para  calibrar  un  UBEM  para  la  comunidad  de  Mueller  en  Austin, 
TX,  EE.  UU.  Los  datos  fueron  recopilados  por  el  Pecan  Street  Institute  para  un  año  en  2014  de  los  consumidores  de  Austin  y 
otras  ciudades.  En  primer  lugar,  los  datos  de  energía  recopilados  se  reestructuraron  y  se  limpiaron  de  información  corrupta  y  f
altante.  En  segundo  lugar,  a  fin  de  identificar  las  pautas  comunes  de  uso  de  la  energía,  se  aplicó  un  algoritmo  de  agrupación 
basado  en  modelos  para  los  datos  funcionales.  Los  perfiles  de  comportamiento/uso  se  determinaron  mediante  la  agrupación  y 
se  tradujeron  en  calendarios  de  uso  y  comportamientos . Como resultado, se calibró una UBEM construida en la interfaz de
modelado urbano (umi), con edificios totalmente calibrados y semi calibrados, dentro de un margen de error máximo del 14%. Por
último, se presenta una ilustración de los escenarios de casos de diseño calibrado de la UEM, y se discuten las implicaciones en los
efectos potenciales de la energía de la comunidad.
PALABRAS CLAVE: Datos Medidos, Modelización Energética de Edificios Urbanos (UBEM), Simulación, Agrupación de Datos,
Ocupación.

1. INTRODUCCIÓN
La gente vive actualmente en las ciudades más que
nunca antes en la historia de la humanidad; el 55% de la
población mundial vive en zonas urbanas y se espera que
aumente al 68% para 2050 [1]. Las ciudades se
construyen y siguen creciendo a un ritmo sin precedentes,
junto con un sinfín de efectos negativos vinculados a la
vida urbana que incluyen la ineficiencia energética de los
edificios, el consiguiente aumento de las emisiones de
carbono y su efecto en la exacerbación del cambio
climático [2]. Los edificios representan el 40% de la
producción de carbono en los EE. UU. [3], y el papel que
desempeña el diseño urbano en la mitigación de los
impactos del entorno construido es fundamental. Existe
una necesidad urgente de mejorar la eficiencia energética
e integrar las fuentes de electricidad renovable, al tiempo
que se mejora la vida de las personas y las comunidades
que consumen y, en algunos casos, producen energía.
Para mejorar el rendimiento energético de los edificios, en
las últimas décadas se han desarrollado múltiples motores
de simulación de código abierto validados [4]. Por el
contrario, la práctica del análisis ambiental urbano carece
de varias capacidades clave que necesita para evaluar
exhaustivamente el desempeño ambiental de los distritos
y comunidades. Esto se debe a una deficiencia de
herramientas computacionales validadas para medir los
aspectos críticos del rendimiento a escala urbana. Como
resultado, los Modelos Energéticos de Construcción
Urbana (UBEM) surgieron como un campo incipiente que
simula varias medidas de rendimiento del entorno
construido, y predice varias trayectorias futuras de barrios,
sociedades y ciudades. [ 5,6].Los UBEM en la práctica
simulan múltiples métricas de rendimiento, incluyendo la
energía operativa, para informar las decisiones de diseño
y las políticas energéticas. A fin de representar con
precisión los efectos del comportamiento real de los
usuarios y el contexto urbano en la demanda de energía
de los edificios, los UBEM deben calibrarse sobre la base
de los datos energéticos medidos. Anteriormente se
habían aplicado diversos enfoques para calibrar los
modelos de energía a escala de edificio, entre ellos la
meta modelación, la optimización y la calibración
bayesiana [7,8]; en los que la calibración bayesiana se
representaba además como el método mejor equipado
para abordar los escenarios de incertidumbre en los
UBEM [9]. Cuando se proporcionan datos medidos de las
empresas de servicios energéticos y/o sensores
instalados, se necesitan flujos de trabajo de
automatización de modelos de energía de edificios
individuales para hacer de los UBEM una herramienta
efectiva para aplicaciones reales [10]. Sin embargo, el
excesivo esfuerzo de cálculo, la necesidad de
conocimientos técnicos de alto nivel y el considerable
tiempo de trabajo asociado a esos métodos de calibración
hacen que esta tarea sea menos práctica para que las
actividades de diseño urbano estén mejor informadas en
la práctica. En un intento por acelerar los procesos de

2
 PLEA 2018 HONG KONG
Inteligente y saludable dentro del límite de 2 grados
calibración de los UBEM, las técnicas de agrupación de
datos pueden utilizarse como paso previo al
procesamiento de las entradas de los modelos de energía.
Esto puede incluir la identificación de arquetipos [11], el
resumen de agrupaciones clave para su posterior análisis
de simulación [12,13], la evaluación de agrupaciones para
comportamientos y oportunidades particulares [14,15] o la
identificación de patrones clave a partir de datos de alta
frecuencia [16-20]. Además, se puede aplicar el análisis
multivariado para medir el rendimiento operativo en los
sistemas y tipos de edificios [19,20].
Los métodos de agrupación incluyen algoritmos
heurísticos como los medios K, los modos K, enfoques
jerárquicos, difusos o robustos basados en modelos como
la regresión por agrupación y los modelos de mezcla.
Sobre la base de los múltiples enfoques examinados en la
literatura, existen compensaciones inherentes al comparar
los métodos de agrupación. Por lo tanto, la definición de
un propósito analítico claro ayuda a elegir un método de
agrupación apropiado [21]. Esta investigación tiene por
objeto colmar una laguna en la literatura sobre la
calibración de los UBEM, donde el objetivo es desarrollar
un nuevo marco analítico de diseño basado en la
simulación que se centra en la calibración como
herramienta para el diseño de sistemas urbanos en
términos de forma, configuraciones de sistemas de
construcción, así como en la influencia de los aspectos de
comportamiento del usuario en el entorno construido. Esto
se logra mediante el análisis sistémico de los datos
medidos para desarrollar modelos de energía fiables de
escenarios de diseño de casos futuros. En este trabajo, los
autores desarrollaron un flujo de trabajo UBEM calibrado
como método para informar las decisiones de diseño
urbano a escala de barrio.Los datos detallados sobre el
uso de electricidad a nivel de aparatos se emplean
mediante la agrupación de datos para calibrar un UBEM
para la comunidad de Mueller en Austin, TX, EE. UU. En
primer lugar, los datos de energía recogidos son pre-
procesados para extraer construir una base de datos. En
segundo lugar, para identificar las pautas comunes de uso
3
de la energía, se utiliza un algoritmo de agrupación
basado en modelos para los datos funcionales, que se
propuso anteriormente en [22]. El método se aplica a los
datos del edificio de la agrupación 45 para calefacción,
refrigeración, iluminación y equipos medidos durante un
año (8760 horas). En tercer lugar, se desarrolla un
UBEM para la comunidad Mueller utilizando el plugin umi
[23] para el software CAD de Rhino3D, con aportaciones
iniciales de la construcción existente y supuestos para el
comportamiento humano. La UBEM se calibra entonces
para un rendimiento energético operacional representativo
a través de una comparación de medidas basadas en la
distancia con datos de energía agrupados. Por último, se
analiza la UBEM calibrada como una herramienta de
diseño mediante la creación de múltiples escenarios y la
comparación del rendimiento futuro del barrio analizado.
La investigación concluye especulando el valor de los
UBEM calibrados para informar las decisiones de diseño
urbano eficiente en la práctica.
Figura 1: Marco del método de investigación.
2. METODOLOGÍA
La figura 1 ilustra el proceso de metodología.
2.1 Preprocesamiento de datos
Los datos se reestructuran y se limpian de información
corrupta y faltante. Los datos medidos del uso de la
energía se recogen de los sensores y se reorganizan en el
consumo de energía por hora desde la 1:00 hasta las
24:00 para cada hogar. Los datos horarios se agrupan en
las siguientes categorías: iluminación, equipamiento,
calefacción y refrigeración. Este proceso reduce la
dimensión de los datos y permite a los usuarios analizar
cada variable por separado.
2.2 Agrupación Funcional
Sabiendo que las medidas de datos se recogen de
diferentes casas. La historia de los datos de uso de
energía observados para la casa no se representa como
𝑦𝑛 = {𝑦𝑛 (𝑡𝑛1 ), … , 𝑦𝑛(𝑡𝑛𝑆𝑛 )} T ; 𝑆𝑛 representa el número
de observaciones por unidad n y {𝑡𝑛ℎ, ℎ = 1, … , 𝑆𝑛 } ⊂ ℛ
representa los puntos de tiempo de observación para la
unidad 𝑛. Los puntos de tiempo de observación
representan el tiempo en el que se mide el uso de la
energía. Por ejemplo, 𝑡 ∈ {1: 00, . . ,24: 00} puede
representar el consumo diario de energía estructurado en
uso por hora para cada hogar. De acuerdo con estos
datos, la agrupación funcional de señales, propuesta por
Bouveyron y otros [22], se aplica a los comportamientos de
 PLEA 2018 HONG KONG
Inteligente y saludable dentro del límite de 2 grados
uso de energía en grupo. Este enfoque se basa en la
recuperación de la naturaleza funcional de los datos
mediante una expansión de base finita, y luego se utiliza
un modelo funcional de mezcla gaussiana para agrupar los
datos de las series temporales en un sub espacio
funcional discriminatorio. El número óptimo de cúmulos 𝐾
se selecciona utilizando un Criterio de Información
Bayesiano (BIC). Este método se aplica a los datos del
edificio del grupo 45 para la calefacción, la refrigeración,
la iluminación y el equipo medidos durante un año (8760
horas).
En este análisis de agrupación, cada función representa
el comportamiento de un edificio a lo largo de toda la
temporada. Los datos horarios de cada edificio se trazan
primero como una función continua. Luego se aplica el
suavizado de los datos mediante el análisis funcional de
componentes principales (PCA). A continuación se
agrupan las funciones de los datos y se traza un perfil de
comportamiento medio con intervalos de confianza como
representación de cada agrupación. La agrupación se
aplica luego a la iluminación, la refrigeración, la
calefacción y el uso de energía de los equipos y se derivan
los perfiles de comportamiento de cada una de las
aplicaciones de la agrupación. Estos perfiles de
comportamiento se analizan y se traducen en entradas
para calibrar una entrada de comportamiento UBEM sobre
una base estacional y diaria. También se utilizan como
referencia para identificar el rendimiento de una futura
iteración de diseño comparando los resultados simulados
con los perfiles de comportamiento existentes.
2.3 UBEM Desarrollo
(Cada uno de los perfiles resultantes del análisis de
agrupación se traduce en los calendarios e intensidades
de uso de la energía. La traducción del perfil de uso de
energía en el comportamiento se logra mediante la
ecuación (1).
ASHRAE 90. 1, y luego parametrizaron las entradas para
la eficiencia energética. Utilizando esta gama de puntos
de ajuste, se asignará a cada perfil de comportamiento un
punto de ajuste o un objetivo de iluminación que
corresponda a su intensidad de uso de energía. En las
UBEM las entradas pueden ser en forma de librerías de
plantillas, por lo que los horarios de uso de la energía y los
comportamientos se formatean en una librería de
plantillas. Finalmente, cada plantilla se asigna a su
correspondiente ID de edificio o grupo de edificios en la
UBEM. En este proceso la calibración del modelo se logra
utilizando los insumos generados que resumen con mayor
precisión las pautas de carga energética y los
comportamientos del vecindario.
El desarrollo de UBEM se logra en tres pasos,
caracterización, generación y simulación. En primer lugar,
la caracterización de los modelos incluye la adquisición de
información meteorológica, geometría de edificios y de
contexto, así como información no geométrica de edificios.
La información geométrica de los edificios, la construcción
y las propiedades materiales se adquieren a través de
auditorías de construcción o de mapas e información de
los departamentos municipales. Cada grupo de edificios
del modelo se asigna a su correspondiente plantilla que
representa su comportamiento específico de uso de la
energía. El usuario puede usar la UBEM para simular
diferentes iteraciones de diseño del entorno construido.
Estas iteraciones pueden incluir cambios geométricos
como los trazados urbanos y las diferentes orientaciones o
estudios no geométricos como la prueba de los diferentes
efectos de los puntos de ajuste en el uso de la energía
urbana.
3. RESULTADOS

𝐹𝑐( 𝑡1 ,𝑡2) = ∫ 𝑦𝑣𝑐 (𝑡). 𝑑𝑡 𝑡2 𝑡1 ⁄𝑀𝑎x load (1) let 𝐹𝑐( 𝑡1 ,𝑡2) ser
la fracción a aplicar a una carga entre instancias de
tiempo 𝑡1 y 𝑡2 para un grupo variable específico 𝑣c,
donde 𝑣 ∈ {𝑙, 𝑒, 𝑐, ℎ} donde 𝑙, 𝑒, 𝑐, ℎ son la iluminación, el
equipo, la refrigeración y la calefacción, respectivamente.

Si bien la manipulación de los ajustes del horario tiene

por objeto representar con mayor precisión los
comportamientos de uso de la energía por hora; los
objetivos de iluminación y los puntos de ajuste de
calefacción/enfriamiento también tienen un efecto
significativo en la definición de la intensidad general del
consiguiente uso de la energía de iluminación,
refrigeración y calefacción. Los autores definieron un
rango de puntos de ajuste basados en el estándar

4
 PLEA 2018 HONG KONG
Inteligente y saludable dentro del límite de 2 grados

Una comunidad residencial en Austin, TX, donde los

datos de uso de energía medidos se extraen de medidores
inteligentes, se utiliza como un caso de estudio para
demostrar la metodología. Tras el preprocesamiento del
conjunto de datos, se determinaron los perfiles de
comportamiento/uso aplicando el análisis de agrupación Rhino3D. El modelo utilizó el archivo meteorológico del
funcional para agrupar cada una de las variables de forma Año Meteorológico Actual (AMY) de Austin-amp-Mabry, en
estacional y diaria. Las figuras 2 y 3 muestran el proceso
de agrupación del uso de la energía de refrigeración a lo
largo de un día y de una temporada; según el gráfico BIC
vs K, se determinó que el número óptimo de agrupaciones
K era 3 y 4 respectivamente. Posteriormente se obtuvieron
resultados del análisis de agrupación estacional y diaria
de cada variable. La

Figura 2: Análisis de agrupación diaria para el uso de

energía de refrigeración

Figura 3: Análisis de agrupación estacional para el uso de

la energía de refrigeración.

Figura 4: Resultados del análisis de agrupación estacional

para el uso de energía de refrigeración, equipos e
iluminación.

el que se utilizaron datos históricos de todo el año a partir

Una Línea de base UBEM para este caso de estudio fue
de 2014 para el estudio. Los insumos para la construcción
desarrollada usando el plugin umi para el software CAD
de datos geométricos, construcciones y materiales se

5
 PLEA 2018 HONG KONG
Inteligente y saludable dentro del límite de 2 grados
definieron extrayendo información de las construcciones
existentes, con supuestos razonables. Se extrajeron y
trazaron los resultados de la simulación, tanto los de la
línea de base como los calibrados, a partir de los datos
medidos (Fig. 5). Los perfiles simulados (denotados
como 𝑦𝑠 ) en todas las variables se acercaron
notablemente a los datos medidos (denotados como 𝑦𝑚)
en comparación con los resultados del modelo de
referencia. Los patrones simulados en el uso de energía
de refrigeración, equipos e iluminación se acercaron
notablemente a los datos medidos (dentro de un margen
de error del 14%) en comparación con los resultados del
modelo por defecto. Estos resultados se validaron
mediante el Root Mean Square Error (RMSE), que es una
medida estadística para describir la similitud de dos
conjuntos de datos.Caracteriza la variación media de los
elementos del perfil simulado con respecto al perfil
medido. Se define como:
De acuerdo con la RMSE y comparando los resultados
del modelo por defecto y el modelo calibrado con los datos
medidos, los resultados validaron los resultados
diariamente e identificaron la mejora del método de
calibración. El uso de la energía de calefacción no se tuvo
en cuenta, ya que la energía de calefacción es
insignificante en este entorno climático.
complejidad computacional comparativamente menor y la
visualización eficiente de los sistemas agrupados añade
practicidad en el caso de las aplicaciones de diseño
urbano real. Para demostrarlo, se desarrollaron cuatro
escenarios de diseño para mostrar el efecto que los
parámetros de diseño tienen sobre las variaciones
calibradas de la Intensidad de Uso de la Energía (IUE) de
los UBEM, que se muestran en la Fig. 7.
Variaciones de la intensidad (EUI), mostradas en la Fig.
7. La mayor relación ventana-pared (WWR) del 40%
demostró un aumento general en el IEU, lo que demostró
que los ahorros por la disminución de la energía de
iluminación no compensaba el aumento de la energía de
refrigeración en el clima de Austin TX. Siguiendo la misma
lógica, el 10% de WWR mostró una disminución
significativa en el EUI. La adición de sombreado tuvo un
efecto variable e insignificante debido a su ineficacia en
ciertas orientaciones. El aumento del punto de ajuste de
refrigeración tuvo una disminución significativa en el uso
de energía en todos los edificios simulados de la UBEM
calibrada.
Figura 8: Ejemplo de variaciones en el escenario de
diseño del IEU de refrigeración.
Fig. 8 muestra el efecto que los parámetros de diseño
tienen en un ejemplo de edificio de la UBEM en términos

Figura 6: Ejemplo de validación del uso de la refrigeración

de cuatro edificios.

Para validar los resultados del análisis de

conglomerados sobre una base estacional, los resultados
simulados se trazaron a partir del modelo calibrado contra
los perfiles estacionales de conglomerados (Fig. 6).

4. DISCUSIÓN
La principal ventaja del método presentado es que
de enfriamiento del EUI.
modela explícitamente la naturaleza funcional de los datos
y aprovecha la dinámica temporal de los datos. Además, la

6
 PLEA 2018 HONG KONG
Inteligente y saludable dentro del límite de 2 grados
Aunque estos parámetros afectan al enfriamiento de
diversas maneras, se deberían estudiar y demostrar más a
fondo otros efectos sobre la iluminación y el equipo.
5.CONCLUSIÓN
El joven campo de las UBEM está creciendo y la
necesidad de confiar en modelos validados a escala
comunitaria es esencial. La tergiversación de los flujos de
energía urbanos puede obstaculizar considerablemente el
uso de las herramientas de simulación para apoyar la
investigación y la práctica del medio ambiente construido,
ya que las fallas de simulación a escala urbana tendrían
un efecto negativo crítico y posiblemente exponencial. En
este trabajo los autores demostraron cómo el uso de datos
medidos puede calibrar los UBEM que ayudan
especialmente en la creación de casos de diseño que
demostraron la eficacia del flujo de trabajo propuesto. Su
potencial radica en la capacidad de ayudar a los
diseñadores en la investigación exploratoria sin depender
de una excesiva potencia de cálculo, un nivel
extraordinario de conocimientos técnicos o un tiempo de
trabajo considerable. El impacto del marco propuesto se
demuestra mediante el uso de la agrupación de datos
funcionales que crean entradas basadas en el
comportamiento que calibraron los edificios dentro de los
UBEM dentro de un margen de error máximo del 14%. Las
investigaciones futuras deberían investigar las diversas
tendencias de uso de energía operacional más allá de la
refrigeración y en la iluminación y el equipo, así como
demostrar la calibración a escala de edificios múltiples, en
lugar de un número limitado de ejemplos. Esos UBEM
calibrados pueden informar a los miembros de la
comunidad sobre las alteraciones de diseño y
comportamiento que disminuirán su impacto ambiental y
aumentarán su eficiencia energética y la consiguiente
sostenibilidad.
RECONOCIMIENTOS
Esta publicación se basa en el trabajo financiado en
parte por la Fundación Nacional de Ciencias (NSF), en el
marco de la subvención del programa Comunidades
Inteligentes y Conectadas 1737550, y el programa de
Becarios de la Facultad del Centro de Excelencia de
Siracusa. Los autores quieren agradecer a la Pecan Street
Institute por proporcionar acceso a los datos de energía
medidos para la comunidad Mueller en Austin, Texas.
Los autores también están agradecidos por el trabajo que
los estudiantes Elena Echarri, Yu Qian Wang y Rutuja
Ganoo proporcionaron para apoyar este manuscrito.
REFERENCIAS:
7
1. Naciones Unidas, perspectivas de urbanización
mundial: revisión del 2018. Naciones Unidas,
Departamento de economía y social de asuntos (DESA),
División de Población, Nueva York, 2018.
2. Rosenzweig, Cynthia, William D. Solecki, Patricia
Romero Lankao, Shagun Mehrotra, Shobhakar Dhakal y
Somayya Ali Ibrahim, eds. Cambio climático y ciudades:
segunda evaluación, Informe de la red de investigación
sobre el cambio climático urbano. Cambridge University
Press, 2018.
3. Administración de Información de Energía de EE. UU.
¿Cuánta energía se consume en edificios residenciales y
comerciales de EE. UU.? (2017) Recuperado en
https://www.eia.gov/tools/faqs/faq.php?id=86&t=1,
4. Crawley, Drury B., Jon W. Hand, Michaël Kummert y
Brent T. Griffith (2008) Contrastando las capacidades de la
energía del edificio con programas de simulación de
desempeño. Edificación y Medio Ambiente 4, P. (661-673)
.
5. Reinhart, Christoph F. y Carlos Cerezo Davila (2016)
"Modelo urbano energético de edificios: una revisión de un
campo incipiente.” Edificio y medio ambiente 97, P. (196-
202).
6. Bourdic, Loeiz y Serge Salat (2012) "Construyendo
modelos energéticos y sistemas de evaluación a escala de
distrito y ciudad: una revisión." Investigación e
información sobre edificios 40, no. 4, P. (518-526).
7. Coakley, Daniel, Paul Raftery y Marcus Keane (2014)
"Una revisión de métodos para hacer coincidir los modelos
de simulación energética de edificios con datos medidos."
Revisiones de energías renovables y sostenibles 37, P.
(123-141).
8. Fabrizio, Enrico y Valentina Monetti (2015)
"Metodologías y avances en la calibración de modelos
energéticos de edificios." Energías 8, no. 4, P. (2548-
2574).
9. Sokol, Julia, Carlos Cerezo Davila y Christoph F.
Reinhart (2017) "Validación de un método bayesiano para
definir residenciales arquetipos en modelos energéticos
de edificación urbana." Energía y Edificios 134, P. (11-24).
10. Davila, Carlos Cerezo, Christoph F. Reinhart y Jamie
L. Bemis (2016) "Modelando Boston: un flujo de trabajo
para los generación y mantenimiento de modelos
energéticos de edificación urbana a partir de conjuntos de
datos geoespaciales existentes." Energy 117, P. (237-
250).
 PLEA 2018 HONG KONG
Inteligente y saludable dentro del límite de 2 grados
11. Famuyibo, Adesoji Albert, Aidan Duffy y Paul Strachan
(2012) Desarrollo de arquetipos para viviendas
domésticas: un caso irlandés estudio. “Energía y edificios”
Vol 50, P. (150-157).
12. Santamouris, M., G. Mihalakakou, P. Patargias, N.
Gaitani, K. Sfakianaki, M. Papaglastra, C. Pavlou y col.
(2007) "Utilizando inteligentes técnicas de agrupamiento
para clasificar el rendimiento energético de edificios
escolares. Energía y edificios 39, no. 1, P. ( 45-51).
13. Booth, A. T., R. Choudhary y D. J. Spiegelhalter (2012)
"Manejo de la incertidumbre en los modelos de stock de
viviendas". Edificio y Medio ambiente 48, P. (35-47).
precisa y estable de la energía del edificio con los datos
de consumo ". Energía aplicada 160, P. (153-163).
22. Bouveyron, Charles, Etienne Côme y Julien Jacques.
(2015) "Los modelos de mezcla funcional discriminativo
para un comparativo análisis de los sistemas de bicicletas
compartidas". La historia de las estadísticas aplicadas 9,
no. 4, P. (1726-1760)
23. Reinhart, C F., Dogan, T., Jakubiec J.A., Rakha, T. y
Sang, A., (2013) “Umi: un entorno de simulación urbana
para la construcción uso de energía, iluminación natural y
accesibilidad para peatones ”, en las actas de Building
Simulation 2013, 25-28 de agosto, Chambéry: Francia.

14.Yu, Zhun, Benjamin CM Fung, Fariborz Haghighat,
Hiroshi Yoshino y Edward Morofsky. (2011)"Un
procedimiento sistemático para estudiar la influencia del
comportamiento de los ocupantes en la energía del edificio
consumo. "Energía y Edificios 43, Vol. 6, P.(1409- 1417).
24. Bouveyron, Charles, Etienne Côme y Julien Jacques.
(2015) "Los modelo de mezcla funcional discriminativo
para un comparativo análisis de los sistemas de bicicletas
compartidas ". La historia de las estadísticas aplicadas 9,
no. 4, P. (1726 - 1760).

15.Petcharat, Siriwarin, Supachart Chungpaibulpatana y CITAS:

Pattana Rakkwamsuk. (2012) "Evaluación del ahorro
energético potencial utilizando el análisis de clústeres: un
estudio de caso de sistemas de iluminación en edificios.
"Energy and Buildings Vol 52, P. (145-152).

16. Seem, John E. (2005) "Algoritmo de reconocimiento de

patrones para determinar los días de la semana con un
consumo energético similar a los perfiles. "Energía y
Edificación 37, no. 2, P. (127-139).

17. Domínguez-Muñoz, Fernando, José M. Cejudo-López,

Antonio Carrillo-Andrés y Manuel Gallardo-Salazar. (2011)
"Selección de días de demanda típicos para la
optimización de la cogeneración". Energía y edificios 43,
no. 11 P. (3036-3043).

18. Kiluk, Sebastián. (2012) "Adquisición algorítmica de

diagnósticos patrones en el sistema de facturación de
calefacción de distrito. Energía aplicada 91, No. 1, P. (146-
155)

19. Lam, Joseph C., Kevin KW Wan y K. L. Cheung.

(2009) "Un análisis de las influencias climáticas en la
electricidad de la planta de enfriamiento consumo. Energía
aplicada 86, no. 6, P. (933-940).

20. Räsänen, Teemu, Dimitrios Voukantsis, Harri Niska,

Kostas Karatzas y Mikko Kolehmainen. (2010) "Método
basado en datos para crear perfiles de carga de uso de
electricidad utilizando una gran cantidad de datos de
consumo de electricidad por hora específicos del cliente ".
Energía aplicada 87, no. 11 , P. (3538-3545).

21. Hsu, David. (2015) "Comparación de métodos de

agrupación en clústeres integrados para una predicción