Traducido del inglés al español - www.onlinedoctranslator.

com

Disponible en línea en www.sciencedirect.com

ScienceDirect

Energía Procedia 62 (2014) 472 - 481

VI Congreso Internacional de Sostenibilidad en Energía y Edificación, SEB-14

Análisis de sensibilidad y validación de un modelo EnergyPlus de

una casa en alta austria
Welma Pereiraa*, Andreas Bögla, Thomas Natschlägera
aCentro de competencia de software Hagenberg, Softwarepark 21, 4232 Hagenberg, Austria

Abstracto

La verificación de las simulaciones de edificios relacionados con la energía es fundamental. En este artículo proponemos un método de análisis de
sensibilidad para descubrir los parámetros de simulación más influyentes y un enfoque basado en el aprendizaje automático para predecir las
entradas meteorológicas locales. Utilizando los resultados del análisis de sensibilidad y el clima local previsto, las mediciones se pudieron reproducir
de manera satisfactoria. En nuestro caso de estudio, la transmitancia solar del vidrio de la ventana y la conductividad térmica de los ladrillos fueron los
parámetros más influyentes. Nuestros resultados también sugieren que los árboles de regresión se pueden utilizar para predecir la radiación solar
directa para el clima local.

© rsl.sePAGvtues decirBrlLT
©22001144PuTBhlimishAedUtahBhyomi esthDmi. DhBesyImils
C.AtCDmi.ss artículo bajo la licencia CC BY-NC-ND
sa nortemiovpages decirenr L

(http://creativecommons.org/licenses/by-nc-nd/3.0/).
Selección y revisión por pares bajo la responsabilidad de KES International.
Selección y revisión por pares bajo la responsabilidad de KES International

Palabras clave: validación; análisis de sensibilidad; simulación; árboles de regresión; predicción de radiación solar directa

1. Introducción

En el ámbito del proyecto de investigación mpcEnergy que se lleva a cabo actualmente en el Software Competence Center
Hagenberg, se desarrollan modelos de simulación de casas modernas para probar nuevos modelos de control predictivo y
estrategias de detección de fallas para sistemas de automatización del hogar. Los sistemas de simulación de edificios se utilizan
para crear estos modelos que requieren parámetros de entrada que a menudo presentan incertidumbres. Para evaluar el
impacto de estas incertidumbres en los resultados de la simulación, se puede realizar un análisis de sensibilidad. El análisis de
sensibilidad es un método que identifica cómo la incertidumbre en una salida puede asignarse a la incertidumbre en los
parámetros de entrada de un modelo de proceso [1]. El análisis de sensibilidad es útil para identificar qué parámetros necesitan
más atención durante el diseño del modelo y qué parámetros de entrada influyen más en los resultados de la simulación.

* Autor correspondiente. Tel .: +43 7236- 3343-876; fax: +43 7236-3343-888.

Dirección de correo electrónico:wema.pereira@scch.at

1876-6102 © 2014 Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (
http://creativecommons.org/licenses/by-nc-nd/3.0/).
Selección y revisión por pares bajo la responsabilidad de KES International
doi: 10.1016 / j.egypro.2014.12.409
 Welma Pereira y col. / Energy Procedia 62 (2014) 472 - 481 473

Nomenclatura

Tfuera Temperatura exterior de bulbo seco en grados Celsius

Tmax Máximo Tfuera del día en grados Celsius Promedio Tfuera

T5 dias en los últimos cinco días en grados Celsius

Tverdadero Temperatura interior real medida en grados Celsius

Tsim Temperatura interior simulada en grados Celsius

2. Trabajo relacionado

Se han utilizado muchos métodos para realizar análisis de sensibilidad de edificios (por ejemplo, [1, 2, 4, 8, 10, 11 y 12]). Sin
embargo, no existe una regla / procedimiento formal para realizar análisis de sensibilidad para el diseño de edificios porque el
objetivo de cada estudio puede ser diferente y las descripciones de los edificios son bastante avanzadas [10].
En [1] se realizó un extenso trabajo de análisis de incertidumbre y sensibilidad. Se analizó la influencia de más de mil
parámetros de entrada de un modelo de simulación EnergyPlus. Los parámetros de entrada se modificaron en un 20% de su
valor nominal al mismo tiempo. Se consideró el impacto de las variaciones en las entradas de las propiedades de los materiales
de construcción, como la conductividad y el calor específico. Sin embargo, las propiedades más influyentes de los materiales no
podrían identificarse tan bien como las entradas de calefacción y refrigeración cuando se apuntan a las salidas de consumo de
energía.
Se realizó un análisis de sensibilidad local en [2] para evaluar el Modelo de Energía Doméstica Comunitaria utilizado para
predecir las emisiones de carbono de las casas inglesas. También se consideró la influencia de las propiedades de los materiales
de construcción (resumidas en valores U de ventanas y paredes). Se concluyó que el valor U de la pared, así como otros factores
(por ejemplo, la temperatura de demanda de calefacción y la eficiencia de la caldera de gas) se relacionan fuertemente con el
consumo de energía y es un conocimiento útil al modelar las emisiones de dióxido de carbono. En [8] se llevó a cabo un estudio
similar para evaluar el modelo energético nacional de Belgrado. Sus hallazgos sugieren que el valor U de la ventana se encuentra
entre los factores más influyentes del uso de energía de la vivienda y las emisiones de carbono.
Además de los datos sobre el edificio en sí, las variables climáticas como la radiación solar son entradas fundamentales para las herramientas de
simulación de energía del edificio. Las casas con gran cantidad de ventanas son las más influenciadas por la radiación solar con los consiguientes
efectos sobre las cargas de calefacción y refrigeración. A pesar de su importancia, los datos de radiación solar a menudo no están disponibles y se han
utilizado muchos métodos para estimar sus valores. Los conjuntos de datos meteorológicos que se utilizan como entradas para las herramientas de
simulación de edificios a menudo calculan los datos solares a partir de la cobertura de nubes y el tipo de nubes. Si no se dispone de datos solares,
EnergyPlus [3] utiliza actualmente el modelo Zhang – Huang [9]. Este modelo necesita como entradas la temperatura de bulbo seco, la humedad
relativa, la velocidad del viento y la cobertura de nubes.
Los estudios de validación y análisis de sensibilidad previos aplicados a la simulación de sistemas de energía
de edificios se han centrado en cuantificar las incertidumbres de los parámetros de entrada de los edificios
mientras se utiliza el sistema de calefacción / refrigeración (por ejemplo, [4]). Sin embargo, este enfoque no
permite identificar las influencias de las propiedades del material y los parámetros climáticos, así como en la
situación cuando los sistemas de calefacción y / o refrigeración están apagados. Además, la influencia de la
radiación solar no puede explicarse bien debido a la mayor influencia de los equipos HVAC que están en acción al
mismo tiempo. En este artículo estudiamos las influencias del material y los parámetros climáticos cuando los
sistemas HVAC están apagados. De manera similar a lo que se hizo en [10], perturbamos los parámetros de
entrada y medimos el efecto sobre la temperatura ambiente interior reproducida. Adicionalmente,
474 Welma Pereira y col. / Energy Procedia 62 (2014) 472 - 481

3. Descripción del edificio y modelo

El edificio a simular es una casa moderna de dos pisos con bodega. El volumen del edificio es de
aproximadamente 761 m3. La casa está ubicada en Hagenberg en Alta Austria. Los muros son de ladrillos de 25
cm de espesor sin aislamiento a excepción del sótano. Las ventanas y puertas de vidrio son estándar de doble
acristalamiento con una capa intermedia de aire. El plano de la casa modelada se puede ver en la Figura 1.
Se creó un modelo de simulación detallado utilizando EnergyPlus v.7.2. La geometría de la casa se creó
con Google SketchUp v.8 según el plano de la casa y luego se convirtió en un archivo de entrada
EnergyPlus utilizando el complemento Legacy OpenStudio v.1. La casa está equipada con un sistema de
calefacción por suelo radiante de flujo constante a base de agua y un sistema de ventilación. El sistema de
ventilación es constante y está formado por ventiladores de aspiración y extracción que aportan aire
fresco a la vivienda. Se utiliza un dispositivo subterráneo (objeto EnergyPlus Earth Tube) para precalentar /
preenfriar el aire que ingresa a la casa. Funciona intercambiando calor con la temperatura casi constante
de la tierra. En invierno, el aire entrante es un poco más cálido y en verano el aire entrante es un poco
más frío que la temperatura exterior.
Sin embargo, el modelo se puede usar fácilmente para experimentos de control y detección de fallas, en este estudio nos
enfocamos en un período de ventana de tiempo cuando el sistema de calefacción está apagado. De esta manera podemos
probar mejor la validez del modelo sin la intervención del sistema de calefacción. Nos enfocamos en la validación con respecto a
las propiedades de los materiales y la influencia del clima en la temperatura interior del salón donde tuvimos acceso a datos de
sensores reales.
Hemos utilizado EnergyPlus para simular el modelo de la casa. EnergyPlus es una de las herramientas de simulación
de carga térmica y análisis de energía de edificios más sólidas disponibles en la actualidad. Para construir nuestro marco
de simulación, hemos utilizado la herramienta de software Building Controls Virtual Test Bed (BCVTB). BCVTB es un
entorno de software de código abierto que permite el acoplamiento de EnergyPlus, MATLAB y Simulink, EnergyPlus,
Radiance, etc. Podemos definir por ejemplo un control de calefacción de un modelo de edificio EnergyPlus con la lógica
de control implementada en MATLAB.

Fig. 1. Geometría de la casa, planta baja y modelo de simulación creado para EnergyPlus.
 Welma Pereira y col. / Energy Procedia 62 (2014) 472 - 481 475

4. Métodos y evaluación

El procedimiento utilizado para el análisis de sensibilidad fue introducir perturbaciones en los parámetros de entrada
y medir el efecto sobre la temperatura interior. Consideramos las entradas de la Tabla 1. Cada parámetro de entrada se
cambió usando el tamaño de paso respectivo, por ejemplo, el calor específico de los ladrillos se cambió de 836 a 837,
838 y así sucesivamente hasta 920. Los casos base fueron los valores predeterminados de Google. SketchUp /
EnergyPlus. En total se realizaron 160 simulaciones. Cada simulación arroja diferentes temperaturas ambiente para el
período analizado. Los mejores valores se obtuvieron calculando el error entre las temperaturas simuladas y reales.

EnergyPlus utiliza un archivo meteorológico detallado para ejecutar las simulaciones (utilizando, por ejemplo, temperatura,
punto de rocío, humedad, etc.). Dado que la casa está ubicada en Hagenberg (Austria), buscamos la ubicación más cercana con
información meteorológica. En este caso, se dispuso de un archivo meteorológico EnergyPlus de Linz (Austria) y se utilizó con la
excepción de la temperatura exterior que fue reemplazada por las mediciones reales recogidas por los sensores locales de la
casa.
En nuestro proyecto es importante desarrollar métodos que hagan uso de sensores comúnmente disponibles. Por
esta razón, desarrollamos un modelo basado únicamente en datos relacionados con la temperatura y el tiempo (por
ejemplo, día, año, hora, etc.). Para tener en cuenta otras influencias del clima, además del sensor de temperatura
exterior que teníamos, predijimos la cantidad de radiación solar directa a partir de los datos disponibles. Nuestra
hipótesis es que la cantidad de radiación solar directa depende del día (por ejemplo, día soleado o nublado), la hora del
día (el sol solo está disponible durante el día), la temperatura exterior real y exterior máxima del día (soleado los días
tienden a ser más cálidos que los días fríos), la temperatura promedio en los últimos días (efecto de las estaciones), y la
diferencia entre la temperatura de hoy y la temperatura media de los últimos días (lo que podría dar alguna indicación
de días lluviosos o nublados durante el verano, por ejemplo). Usamos datos por hora del archivo meteorológico de Linz
para construir un modelo de árbol de decisión de regresión para predecir la cantidad de energía solar directa.
radiación Isolar usando la fórmula dada por (1).

Isolar = f (Tfuera, Tmax, T5 dias, Tfuera - T5 dias, d, h) (1)

En 1), D denota el día del año, y h la hora del día. Los árboles de regresión se ajustan a un modelo de regresión
a la variable objetivo (en este caso, la radiación solar directa Isolar) usando cada una de las variables independientes
(Tfuera, Tmax, T5 dias, Tfuera - T5 dias, d, h en este caso). La bibliotecarpart del entorno de software R [6] se utilizó para construir
el árbol de decisiones. El criterio de división utilizado para los árboles de regresión fueSST - (SSL + SSR),
dónde SST es la suma de los errores al cuadrado del nodo, y SSR, SSL son la suma de los errores al cuadrado de los hijos
del nodo derecho e izquierdo, respectivamente. Esto equivale a elegir la división que maximiza la suma de cuadrados
entre grupos en un análisis de varianza [5].
Se desarrolló un segundo enfoque utilizando datos medidos de una ubicación cercana, que desafortunadamente tampoco
contenía radiación solar. Sin embargo, se disponía de datos sobre la presión atmosférica, la humedad relativa, la duración
relativa de la luz solar, la velocidad y la dirección del viento. Con estos valores podríamos calcular directamente
el punto de rocíoTfuera - (100 - humedad relativa) / 5) y cobertura total del cielo ((1- duración de la insolación) * 10) según [3]. Los
valores pequeños de la duración relativa de la insolación implican valores altos de la cobertura total del cielo, y la
el valor máximo de 1.0 implica un valor de cobertura total del cielo de 0. La intensidad de la radiación infrarroja horizontal del
cielo se puede calcular automáticamente con la herramienta auxiliar del convertidor meteorológico de EnergyPlus.
Notamos que, para estos datos, había una correlación entre la cobertura total del cielo, la hora y la radiación solar
directa y difusa. Notamos que la radiación solar directa y difusa forman una distribución normal en el caso de una
cubierta celeste total constante dentro de un marco de tiempo que va de las 8 am a las 7 pm Para estimar valores
razonables para la radiación solar directa y difusa, calculamos valores promedio basados en la agrupación de datos
históricos. datos de la cercana ciudad de Linz en horas y cobertura total del cielo.
476 Welma Pereira y col. / Energy Procedia 62 (2014) 472 - 481

La evaluación de sensibilidad se realizó utilizando una medida de sensibilidad basada en el error absoluto medio
(MAE):

MAE (θ) = media (|Tverdadero - Tsim(θ)|) (2)

MAE se calcula para la temperatura ambiente medida Tverdadero y la temperatura ambiente simulada Tsim (θ)
para un conjunto de parámetros dado θ evaluado durante un período de tiempo determinado.
Definimos la sensibilidad S (p) del modelo con respecto a un parámetro pag como la diferencia entre el
valor máximo y mínimo del MAE cuando θpag se varía en su rango sensible de valores Vpag: (ver Tabla
1):

S (p) = max ({MAE(θpag): θpag ∈ Vpag }) - min ({MAE(θpag): θpag ∈ Vpag }) (3)

Donde denotamos por MAE (θpag), el MAE (θ) resultante de la configuración del parámetro pag al valor θpag dejando
constantes todos los demás parámetros en sus valores nominales.

4.1. Datos y configuración de los experimentos

Las mediciones recopiladas de los sensores instalados en la casa proporcionaron señales de calefacción, y se tomaron
muestras de temperatura interior y exterior cada minuto durante el siguiente período de tiempo: 28 de eneroth al 5 de mayoth
(2013). Los sensores se ubicaron en el interior y el exterior de la sala de estar. Seleccionamos los días (27 de abrilth al 1 de
mayoS t) cuando las señales de calentamiento eran cero para el análisis. Sin embargo, este es un período corto de
tiempo, representa bien las condiciones climáticas generales de primavera del cambio de estaciones en Austria. Durante
la primavera es cuando el clima se vuelve más inestable y el modelo debe ser más preciso.
Dado que la temperatura interior se midió en la sala de estar, esa fue la habitación de la casa que analizamos.
El salón se encuentra en la planta baja y es la habitación más grande de la casa. Establecimos condiciones de
contorno adiabáticas para los techos porque no teníamos acceso a las temperaturas de otros pisos. Los datos del
sensor nos fueron proporcionados en archivos de texto que luego de verificaciones de consistencia de valores
(trazado y resumen de máximo y mínimo) se asumieron sin errores.

5. Experimentos

Los experimentos se realizaron de la siguiente manera: primero probamos la influencia de las propiedades de los
materiales en la casa, y luego, utilizando los mejores valores encontrados, analizamos la influencia del clima.
Primero, hemos creado un marco utilizando BCVTB, EnergyPlus y MATLAB para poder enviar valores a EnergyPlus en
línea para sobrescribir la temperatura exterior. En segundo lugar, configuramos un archivo por lotes para hacer lo
siguiente:
• 1- cambie el archivo de entrada EnergyPlus con un valor diferente de la propiedad del material,
• 2- llame a BCVTB para ejecutar la co-simulación entre EnergyPlus y MATLAB,
• 3- ejecutar un script para calcular el MAE de la temperatura interior real y simulada,
• 4- pasar al siguiente valor del rango (si no ha terminado) y pasar a (1).

Siguiendo este procedimiento, pudimos calcular MAE para todos los valores de todos los rangos de la Tabla 1. El rango de
propiedades del material fue proporcionado por un experto y se puede ver en la Tabla 1.
Asumimos que las propiedades del material son independientes entre sí. Por lo tanto, variamos cada
propiedad del material a la vez, dejando las demás constantes en los valores predeterminados (de Google
Sketchup / EnergyPlus) y medimos el error absoluto medio (MAE) entre la temperatura interior real y la
temperatura simulada.
 Welma Pereira y col. / Energy Procedia 62 (2014) 472 - 481 477

Tabla 1. Rango, tamaño de paso y valores de sensibilidad para los parámetros de los materiales de construcción de las paredes y ventanas.

Parámetro de entrada EnergyPlus Distancia Numero de pie Sensibilidad

Ladrillo: Conductividad {W / mK} [0,26, 0,44] 0,01 0.2477

Ladrillo: Calor específico {J / kg-K} [836, 920] 1 0.1201

Ladrillo: Absorción térmica {} [0,75, 0,93] 0,01 0.1487

Ladrillo: Absorción solar {} Ladrillo: [0,65, 0,70] 0,01 0,0075

Absorción visible {} Vidrio: Espesor [0,65, 0,70] 0,01 0,0075

{m} [0,004, 0,006] 0,001 0.0147

Vidrio: conductividad {W / mK} [0,5, 1,1] 0,1 0.0118

Vidrio: transmitancia solar {} [0,47, 0,62] 0,01 0.4100

Los resultados del análisis de las propiedades del material se pueden ver en la Figura 2. La habitación específica en
estudio tiene mucha fenestración, por lo que no es tan sorprendente ver que la influencia de la transmitancia solar de
las ventanas es la más influyente de todas las propiedades del material analizadas. El siguiente factor influyente es la
conductividad de los ladrillos, seguida de la absortancia térmica y el calor específico de los ladrillos. Las otras
propiedades del material mostraron una influencia casi nula y, por lo tanto, no se incluyeron en la Figura 2.
En el siguiente paso usamos los mejores valores de las propiedades del material y examinamos la influencia del
clima.
Para analizar la influencia del clima, experimentamos con: (1) el archivo meteorológico de Linz, sobrescribiendo solo
la temperatura exterior, (2) el archivo meteorológico de Linz sobrescribiendo la temperatura exterior y la radiación solar
directa con las predicciones del árbol de decisiones para los datos de Hagenberg, y (3) el tiempo de Linz sobrescribiendo
la presión atmosférica, la humedad relativa, la velocidad y dirección del viento, el punto de rocío, la cobertura total del
cielo, la radiación solar directa y difusa y la intensidad de la radiación infrarroja horizontal del cielo con los datos
proporcionados por un local oficina meteorológica.
Para el caso (2) calculamos las predicciones solares directas usando el árbol de decisión basado en la función de la ecuación
(1). Primero probamos el modelo tratando de predecir los valores de radiación solar directa disponibles para el archivo
meteorológico de Linz y luego para Hagenberg. Los resultados se pueden ver en la Figura 3.
478 Welma Pereira y col. / Energy Procedia 62 (2014) 472 - 481

Fig. 2. Sensibilidad de los parámetros más significativos.

Fig. 3. (a) Radiación solar directa real y predicción para el modelo de entrenamiento (Linz); (b) predicción para Hagenberg.

El gráfico (a) muestra los valores reales y los valores predichos por el árbol de decisión para los datos de Linz, gráfico
(b) muestra los valores predichos para Hagenberg (donde no tenemos ningún valor real para comparar la
predicción). El modelo pudo distinguir entre soleado (primero, tercero y cuarto) y nublado (segundo
 Welma Pereira y col. / Energy Procedia 62 (2014) 472 - 481 479

y quinto) días con una precisión razonable para el modelo de formación de Linz. Basándonos en el potencial de los resultados
(para Linz), reemplazamos los valores predichos para Hagenberg (b) en el archivo meteorológico y volvimos a ejecutar la
simulación.
Los resultados de la simulación para la temperatura interior en la sala de estar obtenidos con diferentes archivos meteorológicos se
pueden ver en la Figura 4.
Las formas generales de los gráficos de las temperaturas real y simulada son similares. Sin embargo, la temperatura
simulada con el clima de Linz (con los valores de radiación solar de Linz, caso 1) se sobrestimó considerablemente
(aproximadamente en el primer día) logrando un MAE de aproximadamente 1,5. Las temperaturas simuladas con los
datos meteorológicos más completos (socio meteorológico) obtuvieron la mejor puntuación (el mejor valor de MAE fue
aproximadamente 0,69). El MAE calculado con el clima con predicciones solares del árbol de decisión fue de 0,84.

Las predicciones de la radiación solar directa para el archivo meteorológico EnergyPlus ya pueden mejorar los
ajustes de la temperatura de simulación interior y disminuir el MAE en 0,66. Esto sugiere que para este caso, y
posiblemente para ubicaciones con características similares, los esfuerzos para ajustar los archivos meteorológicos
deben centrarse en obtener o predecir datos de radiación solar, particularmente radiación solar directa.
El tercer y cuarto días representaron desafíos que no se podían predecir bien. Una de las razones podría
haber sido la interferencia de las persianas. Teníamos información sobre el uso de persianas, pero no teníamos
acceso a los datos.
También evaluamos los ajustes para la ventilación de la temperatura del aire entrante del tubo de tierra. Los resultados se
pueden ver en la Figura 5. Los resultados mostraron que el archivo meteorológico del caso 3 logró el mejor MAE de
1,18 de manera similar al MAE del caso 2, que fue 1,24. Las formas generales de las temperaturas simuladas no se
ajustaban tan bien como las de la temperatura ambiente. Esto puede explicarse por nuestra simplificación de modelado
de que el intercambiador de aire recupera el calor solo del aire de escape de la sala de estar, mientras que en realidad el
calor se intercambia con el aire de escape de todas las habitaciones de la casa.

6. Conclusiones

Presentamos un estudio sobre la influencia de los materiales de construcción y la influencia del clima en la temperatura
ambiente y la temperatura de ventilación del aire entrante de una casa en Alta Austria. Los resultados de la simulación se
reprodujeron generalmente bien para la simulación de la temperatura interior de la sala de estar de la casa. Los resultados
mostraron que las propiedades más influyentes de los materiales analizados (ladrillos y vidrios) fueron la transmitancia solar de
los vidrios y la conductividad de los ladrillos. Los resultados mostraron que el uso de datos meteorológicos más precisos puede
mejorar los ajustes de las simulaciones con mediciones reales. Propusimos un modelo de un árbol de decisiones de regresión
que se puede utilizar para predecir la radiación solar directa basándose únicamente en la temperatura exterior y los datos
relacionados con el tiempo. Esta es una ventaja cuando no se dispone de otros datos. Sin embargo, la confiabilidad de este
modelo debería ser parte del trabajo futuro que se basará en pruebas adicionales y en la comparación con otros métodos.
También pretendemos evaluar la idoneidad de los modelos de árbol de regresión para predecir la radiación solar futura con el
propósito de ser incorporados dentro de un modelo de estrategia de control predictivo para sistemas domóticos.
480 Welma Pereira y col. / Energy Procedia 62 (2014) 472 - 481

Fig. 4. Temperatura interior real y simulada utilizando diferentes archivos meteorológicos.

Fig. 5. Temperatura real del aire entrante y temperatura del aire entrante simulada utilizando diferentes archivos meteorológicos.
 Welma Pereira y col. / Energy Procedia 62 (2014) 472 - 481 481

Agradecimientos

El proyecto mpcEnergy cuenta con el apoyo del programa Regionale Wettbewerbsfaehigkeit OOE
2007-2013 del Fondo Europeo de Desarrollo Regional y del Estado de Alta Austria.

Referencias

[1] Eisenhower B, O'Neill Z, Fonoberov VA, Mezic I. Descomposición de la incertidumbre y la sensibilidad de la energía del edificio.
dels. Journal of Building Performance Simulation 2012;Vol. 5 No 3.
[2] Firth SK, Lomas KJ, Wright AJ Orientación de las medidas de eficiencia energética doméstica mediante análisis de sensibilidad. Edificio
Investigación e información 2010; 38 (1): 25–41.
[3] Crawley DB, Pedersen CO, Lawrie LK, Winkelmann FC. EnergyPlus: Programa de simulación energética.Diario de ASHRAE
nal 2000; 42: 49–56.
[4] Gyalistras D, Sagerschnig C, Gwerder M. Un enfoque de múltiples etapas para la validación del modelo de construcción y HVAC y su aplicación
plicatura a un edificio de oficinas suizo. Actas de la 13a Conferencia Internacional sobre la Asociación Internacional de Simulación de Desempeño
de Edificios 2013, Chambery, Francia, 25 al 28 de agosto de 2013.
[5] TM Therneau y EJ Atkinson. Una introducción al particionamiento recursivo usando las rutinas rpart.Reporte técnico.
División de Bioestadística, Mayo Clinic, 2014.
[6] R: Lenguaje y entorno para la computación estadística. Manual. Fundación R para la computación estadística, 2009.
[7] Kavgic, M., Mumovic, D., Summerfield, A., Stevanovic, Z. y Ecim-Djuric, O. (2013) Incertidumbre y modelado
Consumo de energía: análisis de sensibilidad para un modelo de energía nacional a escala de ciudad, Energía y Edificación, 60: 1-11.

[8] Zhang QY, Huang YJ. Desarrollo de archivos de clima de año típico para ubicaciones chinas.Transacciones de ASHRAE 2002;
108 (2): 1063-1075.
[9] Lam CJ, Wan KKW, Yang L.Análisis de sensibilidad e implicaciones de las medidas de conservación de energía, Conversión de energía
y Gestión 2008, 49(11): 3170-3177.
[10] Capozzoli A, Mechri HE, Corrado V. Impacto de las opciones de diseño arquitectónico en las aplicaciones de rendimiento energético de edificios
ciones de incertidumbre y técnicas de sensibilidad, XI Congreso Internacional IBPSA 2009, 1000-1007.
[11] Heiselberg P, Brohus H, Hesselholt A, Rasmussen H, Seinre E, Thomas S. Aplicación del análisis de sensibilidad en el diseño
de construcciones sostenibles, Energía renovable, 2009, 34(9): 2030-2036.