Aplicación de data science en el estudio del impacto ambiental del uso de bombas de calor en el sector residencial de Barcelona
Abstract
El presente documento muestra un estudio sobre el impacto ambiental y económico futuro del uso de las bombas de calor en el sector residencial de Barcelona para satisfacer las demandas de calefacción y refrigeración. El estudio considera continuamente dos escenarios: años históricos (2014-2023) y años futuros (2024-2026). Las emisiones asociadas a las bombas de calor dependen del consumo eléctrico, cuyo origen determina la huella de carbono de estos sistemas. Con este objetivo, se recogen datos horarios históricos de 3 indicadores relacionados con la red eléctrica y su generación: emisiones de CO2 (kgCO2/kWh), precio de la electricidad (€/kWh) y temperatura (ºC). Seguidamente, con el uso del data science se analizan estos indicadores y se generan modelos de predicción usando la librería de machine learning XGBoost. Estos modelos son entrenados con todos los datos históricos recogidos y su validez se evalúa a través de diversas métricas de error. Los resultados obtenidos presentan errores poco elevados y las predicciones siguen satisfactoriamente la tendencia y evolución de los datos históricos. Una vez analizados los indicadores y obtenidos los valores horarios futuros de estos, se determinan las demandas de calefacción y refrigeración mediante el método grados día. Con estas demandas, se calculan los consumos que tendrían las bombas de calor para cubrirlas. Este mismo procedimiento se aplica al conjunto caldera de gas y aire acondicionado, con el objetivo de contextualizar los resultados obtenidos para las bombas de calor. Finalmente, considerando los distintos consumos y los indicadores previamente analizados, se calculan de manera horaria los kg de CO2 emitidos y el coste horario de las bombas de calor. De forma similar, se determina el impacto ambiental y económico del conjunto caldera de gas y aire acondicionado. Los resultados obtenidos muestran de manera cuantitativa una notable reducción de las emisiones de CO2 asociadas a las bombas de calor en los años futuros respecto los años históricos en todas las franjas horarias. Adicionalmente, desde la perspectiva económica, las proyecciones futuras son elevadas, de manera similar a las de los años recientes, como consecuencia de las decisiones políticas adoptadas después de la pandemia. No obstante, los resultados económicos y ambientales obtenidos de las bombas de calor, tanto en los años históricos como en los futuros, son muy inferiores a los que emitirían el conjunto caldera de gas y aire acondicionado en las mismas condiciones. Esto posiciona a las bombas de calor como unos sistemas energéticos ideales para el sector residencial
Full text
Trabajo de fin de grado Grado en ingeniería en tecnologías industriales Aplicación de data science en el estudio del impacto ambiental del uso de bombas de calor en el sector residencial de Barcelona MEMORIA Autor/a: Miquel Edo Sánchez Director/a: Edwin Samir Pinto Maquilon Convocatoria: Enero 2025 Escola Tècnica Superior d’Enginyeria Industrial de Barcelona
Pág. 2 Memoria
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 3 RESUM El present document mostra un estudi sobre l’impacte ambiental i econòmic de l’ús de les bombes de calor en el sector residencial de Barcelona per satisfer les demandes de calefacció i refrigeració. L’estudi considera contínuament dos escenaris: anys històrics (2014-2023) i anys futurs (2024-2026). Les emissions associades a les bombes de calor depenen del consum elèctric, l’origen del qual determina la petjada de carboni d’aquests sistemes. Amb aquest objectiu, es recullen dades horàries històriques de 3 indicadors relacionats amb la xarxa elèctrica i la seva generació: emissions de CO2 (kgCO2/kWh), preu de la electricitat (€/kWh) i temperatura (ºC). Seguidament, amb l’ús del data science, s’analitzen aquests indicadors i es generen models de predicció utilitzant la llibreria de machine learning XGBoost. Aquests models són entrenats amb totes les dades històriques recollides, i la seva validesa s’avalua a través de diverses mètriques d’error. Els resultats obtinguts presenten errors poc elevats i les prediccions segueixen satisfactòriament la tendència i evolució de les dades històriques. Un cop analitzats els indicadors i obtinguts els valors horaris futurs d’aquests, es determinen les demandes de calefacció i refrigeració mitjançant el mètode graus dia. Amb aquestes demandes, es calculen els consums que tindrien les bombes de calor per cobrirles. Aquest mateix procediment s’aplica al conjunt caldera de gas i aire condicionat, amb l’objectiu de contextualitzar els resultats obtinguts per a les bombes de calor. Finalment, considerant els diferents consums i els indicadors prèviament analitzats, es calculen de manera horària els kg de CO₂ emesos i el cost horari de les bombes de calor. De manera similar, es determina l’impacte ambiental i econòmic del conjunt caldera de gas i aire condicionat. Els resultats obtinguts mostren de manera quantitativa una notable reducció de les emissions de CO2 associades a les bombes de calor en els anys futurs respecte als anys històrics en totes les franges horàries. Addicionalment, des de la perspectiva econòmica, les projeccions futures són elevades, de manera similar a les dels anys recents, com a conseqüència de les decisions polítiques adoptades després de la pandèmia. No obstant això, els resultats econòmics i ambientals obtinguts de les bombes de calor, tant en els anys històrics com en els futurs, són molt inferiors als que emetria el conjunt caldera de gas i aire condicionat en les mateixes condicions. Això posiciona les bombes de calor com uns sistemes energètics ideals per al sector residencial.
Pág. 4 Memoria RESUMEN El presente documento muestra un estudio sobre el impacto ambiental y económico futuro del uso de las bombas de calor en el sector residencial de Barcelona para satisfacer las demandas de calefacción y refrigeración. El estudio considera continuamente dos escenarios: años históricos (2014-2023) y años futuros (2024-2026). Las emisiones asociadas a las bombas de calor dependen del consumo eléctrico, cuyo origen determina la huella de carbono de estos sistemas. Con este objetivo, se recogen datos horarios históricos de 3 indicadores relacionados con la red eléctrica y su generación: emisiones de CO2 (kgCO2/kWh), precio de la electricidad (€/kWh) y temperatura (ºC). Seguidamente, con el uso del data science se analizan estos indicadores y se generan modelos de predicción usando la librería de machine learning XGBoost. Estos modelos son entrenados con todos los datos históricos recogidos y su validez se evalúa a través de diversas métricas de error. Los resultados obtenidos presentan errores poco elevados y las predicciones siguen satisfactoriamente la tendencia y evolución de los datos históricos. Una vez analizados los indicadores y obtenidos los valores horarios futuros de estos, se determinan las demandas de calefacción y refrigeración mediante el método grados día. Con estas demandas, se calculan los consumos que tendrían las bombas de calor para cubrirlas. Este mismo procedimiento se aplica al conjunto caldera de gas y aire acondicionado, con el objetivo de contextualizar los resultados obtenidos para las bombas de calor. Finalmente, considerando los distintos consumos y los indicadores previamente analizados, se calculan de manera horaria los kg de CO2 emitidos y el coste horario de las bombas de calor. De forma similar, se determina el impacto ambiental y económico del conjunto caldera de gas y aire acondicionado. Los resultados obtenidos muestran de manera cuantitativa una notable reducción de las emisiones de CO2 asociadas a las bombas de calor en los años futuros respecto los años históricos en todas las franjas horarias. Adicionalmente, desde la perspectiva económica, las proyecciones futuras son elevadas, de manera similar a las de los años recientes, como consecuencia de las decisiones políticas adoptadas después de la pandemia. No obstante, los resultados económicos y ambientales obtenidos de las bombas de calor, tanto en los años históricos como en los futuros, son muy inferiores a los que emitirían el conjunto caldera de gas y aire acondicionado en las mismas condiciones. Esto posiciona a las bombas de calor como unos sistemas energéticos ideales para el sector residencial.
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 5 ABSTRACT This document presents a study on the environmental and economic future impact of using heat pumps in the residential sector of Barcelona to meet heating and cooling demands. The study continuously considers two scenarios: historical years (2014-2023) and future years (2024-2026). The emissions associated with heat pumps depend on electricity consumption, whose origin determines the carbon footprint of these systems. To this end, historical hourly data is collected for three indicators related to the electricity grid and its generation: CO2 emissions (kgCO2/kWh), electricity price (€/kWh), and temperatura (ºC). Subsequently, by using data science techniques, these indicators are analyzed, and predictive models are developed using the XGBoost machine learning library. These models are trained with all the historical data collected, and their validity is evaluated using various error metrics. The results obtained show low errors, and the predictions follow satisfactorily the trends and evolution of the historical data. Once the indicators are analyzed and their future hourly values are obtained, heating and cooling demands are determined using the degree-day method. Based on these demands, the energy consumption of heat pumps required to meet them is calculated. The same procedure is applied to the gas boiler and air conditioning system to contextualize the results obtained for heat pumps. Finally, considering the different consumption levels and the previously analyzed indicators, the hourly CO2 emissions and hourly costs of heat pumps are calculated. Similarly, the environmental and economic impact of the gas boiler and air conditioning system is determined. The results show a notable quantitative reduction in the CO2 emissions associated with heat pumps in future years compared to historical years, across all time periods. Additionally, from an economic perspective, future projections indicate high costs, similar to those of recent years, as a consequence of political decisions made after the pandemic. However, both the economic and environmental results of heat pumps, in both historical and future years, are significantly better than those of the gas boiler and air conditioning system under the same conditions. This positions heat pumps as an ideal energy system for the residential sector.
Pág. 6 Memoria
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 7 CONTENIDO RESUM _______________________________________________________________ 3 RESUMEN ____________________________________________________________ 4 ABSTRACT ___________________________________________________________ 5 CONTENIDO ___________________________________________________________ 7 GLOSARIO Y NOMENCLATURA _________________________________________ 10 LISTADO DE FIGURAS _________________________________________________ 11 LISTADO DE TABLAS __________________________________________________ 14 1. PREFACIO ______________________________________________________ 17 2. INTRODUCCIÓN __________________________________________________ 18 2.1. Motivación ................................................................................................ 18 2.2. Alcance del trabajo .................................................................................. 18 2.3. Requerimientos previos ........................................................................... 19 2.4. Objetivos y descripción del trabajo: ......................................................... 19 3. DEFINICIÓN DE BOMBA DE CALOR _________________________________ 21 4. ANÁLISIS Y PREDICCIÓN DE INDICADORES DE LA RED ELÉCTRICA CON EL USO DE DATA SCIENCE ___________________________________________ 24 4.1. Indicadores principales ............................................................................ 24 4.2. Obtención de los datos ............................................................................ 24 4.3. Jupyter Notebook y funcionamiento del modelo ...................................... 25 4.4. Métricas del error para series de tiempo ................................................. 27 4.4.1. RMSE ......................................................................................................... 27 4.4.2. SMAPE ....................................................................................................... 28 4.5. Modelo de la temperatura ........................................................................ 28 4.5.1. Introducción y análisis estacional ................................................................ 28 4.5.2. División de los datos ................................................................................... 30 4.5.3. Generación de los factores ......................................................................... 30 4.5.4. Entrenamiento del modelo .......................................................................... 32 4.5.5. Predicción de los valores ............................................................................ 38 4.6. Origen de la generación ........................................................................... 40 4.7. Modelo de kgCO2/kWh ............................................................................ 42 4.7.1. Introducción y análisis estacional ................................................................ 42 4.7.2. División de los datos ................................................................................... 46 4.7.3. Generación de los factores ......................................................................... 47 4.7.4. Entrenamiento del modelo .......................................................................... 47
Pág. 8 Memoria 4.7.5. Predicción de los valores ............................................................................ 52 4.8. Modelo del precio de la electricidad ......................................................... 58 4.9. Observaciones de las predicciones ......................................................... 59 5. DEMANDAS DE CALEFACCIÓN Y REFRIGERACIÓN ___________________ 61 5.1. Introducción ............................................................................................. 61 5.2. Método grados día ................................................................................... 61 5.3. Demandas energéticas diarias ................................................................ 65 5.4. Perfil horario de calefacción y refrigeración ............................................. 66 5.4.1. Calefacción ................................................................................................. 67 5.4.2. Refrigeración ............................................................................................... 69 5.5. Demandas energéticas horarias .............................................................. 71 6. CONSUMOS ENERGÉTICOS Y EMISIONES DE CO2 _____________________ 73 6.1. Introducción ............................................................................................. 73 6.2. Bombas de calor: consumos y emisiones de CO2 ................................... 73 6.3. Calderas de gas y aire acondicionado: consumos y emisiones de CO2.. 75 6.3.1. Caldera de gas ............................................................................................ 75 6.3.2. Aire acondicionado ...................................................................................... 76 7. RESULTADOS DEL IMPACTO AMBIENTAL ___________________________ 77 7.1. Impacto ambiental de las bombas de calor ............................................. 77 7.1.1. Evolución de las emisiones de CO2 de las bombas de calor ....................... 77 7.1.2. Comparativa detallada: emisiones históricas vs futuras .............................. 78 7.1.3. Comparativa detallada: datos históricos recientes vs datos futuros ............ 81 7.2. Impacto ambiental de las calderas de gas + AA ...................................... 84 7.3. Comparativa: emisiones de CO2 de las bombas de calor vs caldera de gas + AA ......................................................................................................... 85 7.3.1. Comparativa horaria .................................................................................... 85 7.3.2. Comparativa anual ...................................................................................... 86 8. RESULTADOS DEL IMPACTO ECONÓMICO ___________________________ 89 8.1. Impacto económico de las bombas de calor............................................ 89 8.2. Impacto económico de las calderas de gas + AA .................................... 91 8.2.1. Análisis y proyección de los costes anuales del gas natural ....................... 91 8.2.2. Costes anuales de la caldera de gas + AA ................................................. 93 8.3. Comparativa: costes bomba de calor vs caldera de gas + AA ................ 94 9. PLANIFICACIÓN __________________________________________________ 97 10. ESTUDIO ECONÓMICO ____________________________________________ 99 10.1. Costes horas de ingeniería ...................................................................... 99 10.2. Costes operativos .................................................................................. 100 10.2.1. Electricidad: ............................................................................................... 100
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 9 10.2.2. Agua.......................................................................................................... 101 10.3. Costes adicionales ................................................................................. 102 10.4. Resumen costes totales ......................................................................... 103 11. ESTUDIO AMBIENTAL ____________________________________________ 104 12. ESTUDIO SOCIAL _______________________________________________ 105 13. CONCLUSIONES ________________________________________________ 106 14. BIBLIOGRAFÍA __________________________________________________ 108 ANEXOS ____________________________________________________________ 111 ANEXO 1: TABLAS ......................................................................................... 111
Pág. 16 Memoria
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 17 1. PREFACIO “Cada uno de nosotros somos causantes del cambio climático, pero también somos parte de la solución cuando tomamos decisiones sobre las cosas que compramos, los coches que conducimos o la electricidad que usamos. Podemos escoger cómo reducir nuestras emisiones individuales de gases de efecto invernadero a cero. Las soluciones están en nuestras manos, sólo hemos de tener la determinación de llevarlas a cabo. La voluntad de actuar es un recurso renovable”. – Al Gore Estas palabras de Al Gore, activista climático y exvicepresidente de EE. UU, en su discurso de aceptación del Premio Nobel de la Paz en 2007, representan con claridad una solución cotidiana que está en nuestras manos para combatir el cambio climático. El objetivo principal de la sociedad debe ser la reducción de los gases de efecto invernadero (GEI), y una de las menciones que cabe destacar de su discurso es la relación existente entre estos gases y el consumo de electricidad, uno de los aspectos clave de este trabajo. En el curso 2024-2025, el Departamento de Ingeniería de Proyectos y de la Construcción de la ETSEIB propuso en la bolsa de trabajos de fin de estudio un TFG, liderado por el director Edwin Samir Pinto Maquilon, con el objetivo de realizar un estudio de las emisiones de GEI de las bombas de calor en el sector residencial. El estudiante, y autor de este proyecto, Miquel Edo, se interesó en esta iniciativa y decidió presentar una propuesta alternativa de este estudio utilizando como método analítico el data science para dar respaldo a los resultados obtenidos, campo en el que el estudiante presenta especial interés y que ha descubierto durante la carrera universitaria. Finalmente, el proyecto presente refleja una mezcla de ideas presentadas tanto por el director como por el estudiante, poniendo el foco de este en las emisiones potenciales de GEI actuales y futuras del sector residencial en Barcelona con el uso de bombas de calor. El data science será el pilar principal, permitiendo el desarrollo de modelos analíticos y predictivos basados en el tratamiento de grandes cantidades de datos. Con el propósito de realizar un estudio realmente representativo, se tendrán que aplicar conocimientos de programación, matemáticos y estadísticos en el trato de los datos, conocimientos que, junto al interés de reducir los GEI, son una fuente de motivación para el estudiante.
Pág. 18 Memoria 2. INTRODUCCIÓN 2.1. Motivación Las bombas de calor se presentan como una alternativa viable para lograr sistemas energéticos más sostenibles, estas permiten aprovechar energía del ambiente reduciendo así la necesidad de combustibles fósiles. Sin embargo, estos sistemas requieren de un consumo de electricidad y su sostenibilidad dependerá en gran parte del origen de esta. Estas tecnologías tienen una imagen muy positiva en la sociedad debido a la alta eficiencia energética y económica que presentan sin recurrir a combustibles fósiles, al menos no de forma directa. No obstante, este estudio servirá para observar y concienciar a la población del impacto ambiental real que han tenido y pueden tener próximamente estos sistemas en el sector residencial. Con esta práctica se conseguirán resultados con una base fundamentada, que servirán para analizar la sostenibilidad de las bombas de calor y compararla con otros métodos convencionales. 2.2. Alcance del trabajo Estos sistemas energéticos están establecidos a nivel mundial. Sin embargo, con el objetivo de obtener resultados más precisos y con menor variabilidad, este estudio se centrará en el impacto que estos aparatos tienen en el sector residencial de Barcelona. Un estudio de estas características a nivel globalizado no representaría con exactitud lo que está sucediendo en cada ciudad o país debido a la diferencia de consumos energéticos y temperaturas que hay en cada punto geográfico. Sumado a ello, el enfoque del proyecto es en el uso de data science para obtener resultados representativos, por consiguiente, las conclusiones estarán limitadas en función de los datos que se obtengan. No obstante, cabe destacar que la elección de los datos escogidos ha sido analizada detalladamente. El data science permitirá realizar simulaciones de escenarios futuros. Por lo que, temporalmente hablando, el modelo no tiene límites puesto que se pueden ir generando proyecciones futuras aprovechando las previamente obtenidas. A pesar de ello, aprovechar las predicciones puede dar imprecisión en los resultados, lo que significa que el estudio será preciso si se aplica para desenlaces cercanos. En consecuencia, y tomando en cuenta la evolución de los datos obtenidos, se ha decidido
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 19 realizar las predicciones para los próximos tres años. 2.3. Requerimientos previos Para llevar a cabo este proyecto, es fundamental contar con conocimientos técnicos y teóricos adquiridos durante el grado, tales como: • Programación en Python: los modelos que se creen serán programados en este lenguaje gracias a su versatilidad en distintos campos, especialmente en la ciencia de datos. • Eficiencia energética: para comprender y estudiar el comportamiento de los sistemas energéticos. • Estadística y matemática: para llevar a cabo ciertos procesos en los modelos de programación y analizar los resultados obtenidos. Las herramientas de trabajo necesarias serán: • Microsoft Excel: donde se llevará a cabo el almacenamiento de los datos recogidos y generados y se realizarán distintas representaciones gráficas. • Microsoft Word: donde se redactará el presente documento. • Jupyter Notebook: mediante el cual se podrá programar con lenguaje Python, y realizar los correspondientes análisis y tratamiento de datos. Adicionalmente, el proyecto no presenta requerimientos previos relacionados con condiciones económicas, facultativas o legales para su realización. 2.4. Objetivos y descripción del trabajo: Objetivo general: Evaluar el impacto ambiental y económico potencial del uso de las bombas de calor en el sector residencial de Barcelona, tanto en los últimos años como en los futuros. Esto se logrará mediante la estimación de las demandas energéticas históricas y proyectadas de las viviendas de Barcelona, considerando su cobertura mediante el uso de bombas de calor. No obstante, para ello, será necesario desarrollar previamente modelos analíticos y predictivos basados en data science para analizar y determinar el valor futuro de distintos indicadores que serán fundamentales en el proceso. Objetivos específicos: • Realizar un estado del arte de las bombas de calor
Pág. 20 Memoria • Hacer un análisis de los datos horarios históricos del precio de la electricidad, las emisiones de la red y la temperatura para conocer el comportamiento estacional de los datos. • Uso de data science para elaborar escenarios futuros de la temperatura, el precio de la electricidad y las emisiones de la red. • Desarrollo de un modelo que permita estimar las demandas horarias de calefacción y frio de las viviendas del sector residencial en escenarios históricos y futuros • Desarrollo de un modelo que permita estimar los costos operacionales económicos y ambientales de las viviendas conectadas a la red en escenarios históricos y futuros • Análisis de resultados
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 21 3. DEFINICIÓN DE BOMBA DE CALOR Una bomba de calor es un dispositivo termodinámico que transfiere calor desde un medio exterior natural (aire, agua o tierra) hacia el medio interior (aire o agua) y viceversa, utilizando energía externa, generalmente electricidad. Este proceso se logra mediante un ciclo de compresión y expansión de un gas refrigerante que trabaja a baja presión. El funcionamiento del dispositivo consta de las siguientes etapas [1]: 1. Compresión: el compresor comprime el refrigerante, aumentando su temperatura y presión. 2. Condensación: el refrigerante cede calor y se condensa en el condensador. 3. Expansión: la válvula de expansión reduce la presión del refrigerante, disminuyendo su temperatura. 4. Evaporación: el refrigera absorbe calor y se evapora en el evaporador. Este proceso está representado en la Figura 1 obtenida de [1]. Figura 1: Esquema funcionamiento bomba de calor [1] La eficiencia de estos dispositivos supera el 100% en términos de energía útil entregada frente a la consumida y se pueden emplear tanto para calefacción como para refrigeración invirtiendo el proceso, lo que los hacen ideales para cubrir las demandas energéticas del sector residencial.
Pág. 22 Memoria Comúnmente, las bombas de calor se pueden distinguir según los medios de los cuales se extrae el calor y a los que lo ceden. Existen muchos tipos, pero los más utilizados en el sector residencial, debido a su eficiencia, su coste económico y sus diversas aplicaciones son los aire-aire y aire-agua. Los dispositivos aire-aire presentan una instalación sencilla y económica y son ideales para la climatización del ambiente. Estos pueden ser del tipo Split, cuando únicamente se tiene una unidad interior, o MultiSplit, cuando se presentan distintas unidades interiores. Los dispositivos aire-agua presentan mayor versatilidad. La unidad interior corresponde a un intercambiador de calor en formato depósito de agua. Para calefacción el agua puede llegar hasta los 55ºC [2] y para refrigeración hasta los 7ºC [3]. De este depósito se pueden considerar distintas aplicaciones, las más habituales son las siguientes: • Suelo radiante [4] [5]: sistema de calefacción que consta en una red de tuberías de polietileno o polietileno reticulado instaladas bajo el suelo a través de las cuales circula el agua caliente. Se transfiere el calor al suelo mediante conducción para posteriormente transferirse al ambiente por convección. Se trata de un sistema eficiente obteniendo un buen ahorro energético. • Radiadores de baja temperatura [6]: dispositivo de calefacción a través del cual circula el agua caliente, formado por una batería de intercambio de cobre con aletas de aluminio en su interior, y exteriormente están recubiertos con chapa plana, de esta forma consiguen calentar el aire circundante a la batería y expulsarlo por la parte superior del radiador maximizando así la convección. • Fan Coil [7]: dispositivo de calefacción o refrigeración compuesto principalmente por un serpentín de cobre a través del cual circula el agua caliente o fría y unos ventiladores que hacen circular el aire a través del serpentín calentando o enfriando así el ambiente mediante convección. • Agua caliente sanitaria (ACS) [8]: el agua caliente se puede utilizar como agua caliente sanitaria, no obstante, si se desea una bomba de calor para calefacción, refrigeración y ACS, se debe considerar un sistema híbrido, lo que aumenta la inversión inicial. Las principales ventajas de la bomba de calor son la alta eficiencia energética, debido a la capacidad de generar más energía térmica de la que consumen en forma de electricidad debido a la utilización de una fuente externa de energía, y la reducción de emisiones de CO2 frente otros sistemas convencionales debido a que no requieren la combustión de combustibles fósiles, al menos no directa y necesariamente. Las emisiones de CO2 de estos sistemas son popularmente conocidas como muy bajas o nulas. No obstante, estos requieren de un consumo eléctrico y sus emisiones irán asociadas a la generación de la electricidad.
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 23 Con el objetivo presentado anteriormente, se procederá analizar la red eléctrica en los siguientes apartados, para obtener sus respectivas emisiones de CO2 y poder relacionarlas con las demandas energéticas históricas y futuras de calefacción y refrigeración cubiertas por las bombas de calor en el sector residencial de Barcelona.
Pág. 24 Memoria 4. ANÁLISIS Y PREDICCIÓN DE INDICADORES DE LA RED ELÉCTRICA CON EL USO DE DATA SCIENCE 4.1. Indicadores principales El objetivo principal es analizar el impacto ambiental de las bombas de calor en el sector residencial de Barcelona durante los años históricos y en los próximos años, así como su impacto económico considerando la evolución del precio de la energía eléctrica De esta forma, se debe estudiar de manera exhaustiva la electricidad que consumen las bombas de calor. Generar electricidad supone unas emisiones específicas que dependerán de las tecnologías usadas para generarla, como pueden ser la quema de combustibles fósiles, uso de energía eólica, ciclo combinado, entre otras. Adicionalmente esta energía eléctrica tiene un costo económico que deberá ser analizado. En apartados posteriores se analizará los consumos energéticos (kWh) que deben cubrir las bombas de calor debido a las demandas del sector residencial. Para esto, es necesario examinar tres indicadores principales que ayudaran a ver los impactos ambientales y económicos originados por la red: 1. Temperatura [ºC]: temperatura media de Barcelona. Indicador necesario para el impacto ambiental y para los consumos de una vivienda. 2. Emisiones de CO2 [kgCO2/kWh]: cantidad de gases de CO2 que se emiten cuando se consumen cierta cantidad de energía eléctrica. Indicador necesario para ver el impacto ambiental. 3. Precio de la electricidad de la red [€/kWh]: precio de la electricidad por kWh consumido de la red. Indicador necesario para ver el impacto económico. 4.2. Obtención de los datos Teniendo en cuenta que se requiere hacer un análisis estacional de estos indicadores para ver sus tendencias y llevar a cabo predicciones de estos para el futuro cercano, será necesario obtener sus valores horarios de los últimos 10 años. Se han seleccionado los datos históricos desde el 2014 hasta el 2023, último año del cual se tienen todos los datos completos. En consecuencia, a pesar de que la redacción del presente estudio es en 2024, se consideraran los años del 2024 en adelante como años futuros (2024-2026).
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 25 Para la recogida de datos, todos los valores históricos de la red eléctrica son públicos y el estado español los presenta en la web oficial de la red eléctrica [9]. En esta web se encuentra directamente el indicador ‘€/MWh’, que mediante factores de conversión se obtiene fácilmente el €/KWh. No obstante, no se ha encontrado directamente el indicador ‘kgCO2/kWh’, en consecuencia, se han analizado los siguientes indicadores disponibles en la web para obtener el indicador objetivo: • Generación de CO2 en tiempo real (tCO2/MW). • Demanda real de potencia eléctrica medida en tiempo real (MW). • Demanda de energía por parte de los clientes (MWh). Multiplicando los datos de generación de CO2 en tiempo real por la demanda real se pueden obtener la generación total de tCO2 de la red eléctrica y dividiendo este parámetro por la demanda de energía, se obtiene la ‘Generación de CO2 según demanda en consumo (tCO2/MWh)’, que mediante factores de conversión podemos adaptar a las unidades de interés (kgCO2/kWh). Respecto a la temperatura de Barcelona, se han recogido los datos horarios históricos de la web oficial de la NASA [10]. Todas las extracciones de datos han estado almacenadas en un mismo archivo Excel (disponible en la carpeta zip anexos) para facilitar el posterior análisis y tratamiento en ‘Jupyter Notebook’. La Tabla 1 muestra un extracto de los primeros datos horarios de interés. Tabla 1: Extracto excel con los indicadores de interés para el análisis ambiental 4.3. Jupyter Notebook y funcionamiento del modelo Jupyter Notebook es una interfaz que permite realizar gran cantidad de operaciones datetime CO2 generación t.Real(tCO2/MW) Demanda real (MW) Demanda en consumo (MWh) CO2 generación total (KgCO2) CO2 generación según demanda en consumo (KgCO2/KWh) 2014-01-01T00:00:00+01:00 0,092 24.301,67 20.969,88 2235753,364 0,10661735 2014-01-01T01:00:00+01:00 0,086 23.365,33 19.700,19 2009418,638 0,101999983 2014-01-01T02:00:00+01:00 0,075 21.672,50 17.548,89 1625437,5 0,092623401 2014-01-01T03:00:00+01:00 0,077 20.192,00 15.865,57 1554784 0,097997386 2014-01-01T04:00:00+01:00 0,074 19.220,67 15.090,41 1422329,358 0,09425387 2014-01-01T05:00:00+01:00 0,073 18.954,50 15.018,28 1383678,5 0,092132942 2014-01-01T06:00:00+01:00 0,077 19.022,00 15.191,68 1464694 0,096414202 2014-01-01T07:00:00+01:00 0,077 19.295,67 15.912,99 1485766,359 0,093368127 2014-01-01T08:00:00+01:00 0,077 19.298,33 15.302,03 1485971,641 0,09710942 2014-01-01T09:00:00+01:00 0,077 19.448,33 16.035,36 1497521,641 0,093388725 2014-01-01T10:00:00+01:00 0,08 20.953,83 17.676,23 1676306,64 0,094833957 2014-01-01T11:00:00+01:00 0,07 22.293,33 18.545,63 1560533,31 0,084145608 2014-01-01T12:00:00+01:00 0,056 23.357,17 19.889,99 1308001,352 0,06576178
Pág. 32 Memoria Tabla 4: DataFrame de los factores de la temperatura Como se puede observar los ‘lags’ no tienen valor los primeros años, esto es debido a que cogen el valor de 364, 728 o 1092 días atrás y en la recogida de datos no se han seleccionado los valores de temperatura de los años anteriores. Esto no generará ningún problema ya que los valores a predecir no estarán influenciados por estos primeros años, sino por los últimos. 4.5.4. Entrenamiento del modelo Preparación y ejecución Seguidamente, con el objetivo de entrenar el modelo y predecir los valores de los últimos 4 años, se debe dividir el DataFrame anterior en cuatro DataFrames: • x_entreno: contiene las filas correspondientes a los valores horarios de los seis años destinados al entrenamiento, con los factores de interés distribuidos en columnas. • y_entreno: incluye las mismas filas de entrenamiento y una única columna con los valores de temperatura • x_test: contiene las filas correspondientes a los valores horarios de los cuatro años de prueba, con los factores de interés distribuidos en columnas. • y_test: similarmente, contiene las filas de prueba y una única columna con los valores de temperatura. Estos cuatro DataFrames tienen toda la información necesaria que necesita el modelo para hacer la predicción del entrenamiento. Se tratará de una regresión multivariable basada en
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 33 los árboles de decisión comentados anteriormente. Es destacable mencionar las líneas de código referentes a esta parte: 1. regresion = xgb.XGBRegressor(n_estimators=1000, early_stopping_rounds=50, learning_rate=0.01) La función XGBRegressor() es la que genera el funcionamiento del modelo. Esta puede tener distintos parámetros, de los cuales se han usado los siguientes: 1. n_estimators=1000: 2. early_stopping_rounds=50: 3. learning_rate=0.01: 2. regresion.fit(x_entreno,y_entreno,eval_set=[(x_entreno,y_entreno),(x_test,y_test), verbose=True) Esta línea de código permite añadir los datos de entrenamiento al modelo y ver el RMSE en las iteraciones que genera el modelo. Se trata de un comando muy útil ya que permite ver cuanto mejora o empeora el modelo cuando generamos modificaciones en los parámetros de la línea de código anterior o en los factores escogidos. No obstante, para determinar la precisión del modelo no solo nos centraremos en este comando sino también en las métricas de los errores especificados anteriormente. 3. regresion.predict(x_test) De este modo se realizan las predicciones de los últimos cuatro años. Sus valores han estado almacenados en un DataFrame. Análisis de los resultados Para analizar de forma visual los resultados, se ha generado el gráfico de serie temporal que se muestra en la Figura 5:
Pág. 34 Memoria Figura 5: Predicciones de los datos de prueba de temperatura en el gráfico de serie temporal Se puede observar que las predicciones de los últimos 4 años siguen el ciclo de temperatura de manera correcta. También cabe destacar que existen ciertos valores extremos de temperatura que son difíciles de pronosticar. La Figura 6 presenta un gráfico de barras que representa la importancia que el modelo ha determinado en los distintos factores para proporcionar los valores horarios de predicción: Figura 6: Gráfico de barras de la importancia de los factores del modelo de temperatura Se puede observar que el lag 364, correspondiente al valor de temperatura 364 días atrás, es el factor con mayor relevancia. Los errores del modelo según las métricas de interés son los siguientes: RMSE = 2,86ºC y SMAPE = 17,74%. Resultan errores ligeramente más elevados de lo que podría parecer a simple vista con el gráfico. Consecuentemente se ha intentado mejorar el modelo en sus picos de temperatura añadiendo distintos factores, que es donde visualmente hay más diferencias, pero no se han obtenido resultados satisfactorios. Esto es debido a la dificultad de predecir fuertes
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 35 frentes fríos y cálidos que a nivel horario generan altibajos destacables. Es por ello por lo que se ha decidido analizar las predicciones en las horas de verano con temperaturas más elevadas (horas calientes), correspondientes a julio y agosto entre las 12:00 pm y las 17:00 pm, y en las horas de invierno con temperaturas más bajas (horas frías), correspondientes a diciembre y enero entre las 01:00 am y 07:00 am. Figura 7: Predicciones de las horas calientes del modelo de temperatura Figura 8: Predicciones de las horas frías del modelo de temperatura Las estadísticas básicas de las diferencias de las predicciones con los valores reales son: Figura 9: Estadísticas básicas de las diferencias de predicciones en las horas calientes y frías
Pág. 36 Memoria Se puede observar que en las horas calientes los valores reales están 1,31ºC de promedio por encima de las predicciones y en las horas frías los valores reales están -0,62ºC. Tomando la decisión de sumar 1,31ºC o restar 0,62ºC a las predicciones de horas altas y bajas respectivamente se obtienen los siguientes resultados: Modelo original Modificado horas calientes Modificado horas frías RMSE (ºC) 2,86 2,85 2,85 SMAPE (%) 17,74 17,68 17,71 Tabla 5: Errores obtenidos respecto el modelo original El modelo no mejora significativamente con las modificaciones en las predicciones de las horas altas y las horas bajas. Esto significa que el peso del error está distribuido a lo largo de las predicciones, no solo en los picos. Si se analiza las predicciones a lo largo de un mes aleatorio se observa lo siguiente: Figura 10: Ejemplo mensual de predicciones horarias, enero 2023 El modelo recoge los datos horarios a lo largo de los años y a la hora de predecir genera imprecisiones debido a los frentes fríos o cálidos que en este caso no se pueden considerar por falta de datos. En consecuencia, a nivel horario es muy difícil generar una predicción muy precisa en largos periodos de tiempo. No obstante, tal y como se ha mencionado en anterioridad, el error es del 17,74%, un valor que se puede considerar correcto dada la situación. A pesar de que las predicciones horarias son las de interés del proyecto, ya que posteriormente se realizará un estudio del consumo energético horario tanto de las bombas de calor como de las calderas de gas en una vivienda, es de interés analizar los resultados obtenidos de manera diaria para ver si existen variaciones en los errores.
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 37 Figura 11: Gráfico de serie temporal de las predicciones diarias de los datos de prueba El error obtenido disminuye a un RMSE de 2,55ºC y un SMAPE del 14,89%. Resumen de observaciones Complejidad de la predicción en la escala horaria: La predicción de la temperatura a nivel horario presenta una gran dificultad debido a la alta variabilidad de las condiciones meteorológicas en periodos cortos de tiempo. Los fenómenos meteorológicos, como los frentes fríos y cálidos, pueden provocar cambios bruscos e impredecibles en la temperatura que son difíciles de anticipar a escalas horarias, especialmente cuando el horizonte de predicción es de varios años. Reducción del error al aumentar la escala temporal: Cuando las predicciones se realizan en escalas temporales pequeñas, como la escala horaria, las fluctuaciones rápidas en la temperatura aumentan el error de predicción. Esto se refleja en los resultados obtenidos, donde el modelo tiene un error RMSE de 2,86 ºC y un SMAPE de 17,74% en la predicción horaria de los últimos cuatro años. Sin embargo, cuando el modelo realiza predicciones a nivel diario, el error disminuye notablemente, con un SMAPE de 14,89% y un RMSE de 2,55 ºC. Esto se debe a que las temperaturas medias diarias o semanales son más estables y están menos influenciadas por fenómenos meteorológicos breves y aleatorios. Validez del modelo: A pesar de la variabilidad de la temperatura, el error obtenido por el modelo, con un RMSE de 2,86ºC y un SMAPE de 17,74%, se considera lo suficientemente bajo como para que las predicciones a realizar de los próximos 3 años sean útiles y aplicables en futuros análisis. Estos resultados indican que, a pesar de que existan ciertas discrepancias en relación con los valores reales, el modelo es capaz de captar la tendencia general y proporcionar una aproximación adecuada de la temperatura a nivel horario. Para
Pág. 38 Memoria aplicaciones prácticas en las que no se requiere una precisión exacta grado a grado, como puede ser el posterior análisis de los consumos energéticos de una bomba de calor o una caldera de gas en una vivienda, este nivel de error es aceptable y permite obtener previsiones con un correcto grado de fiabilidad. Por otro lado, los picos de temperatura pueden tener mayor influencia en el dimensionamiento de los sistemas, más que en los datos operacionales globales, los cuales son el objetivo principal del estudio. 4.5.5. Predicción de los valores Finalmente, una vez determinado el modelo como válido se procederá a realizar las predicciones. En esta ocasión no se entrenará al modelo con los 6 primeros años, sino que se usaran todos los datos como entrenamiento. Para ello se dividirán en 2 DataFrames : • x_tot: con las filas correspondientes a los datos horarios de los 10 años de entrenamiento y los factores como columnas. • y_tot: con las filas correspondientes a los datos horarios de los 10 años de entrenamiento y la temperatura como única columna. Con estos dos DataFrames se redefine el modelo de la siguiente manera: 1. regresion_tot=xgb.XGBRegressor(n_estimators=1000,early_stopping_rounds=50, learning_rate=0.01) 2. regresion_tot.fit(x_tot, y_tot, eval_set=[(x_tot, y_tot)], verbose=True) Donde se mantienen los parámetros definidos en el entrenamiento en la función xgb.XGBRegressor() y se introducen todos los datos históricos con los DataFrames x_tot y y_tot en la función regresión.fit(). De este modo el modelo queda definido y para realizar la predicción únicamente es necesario definir las condiciones de las fechas horarias a predecir, para ello se generarán DataFrames con tantas filas como datos horarios se quieran predecir y se ubicarán en las columnas los factores mencionados en el entrenamiento correspondientes a cada hora. En esta ocasión los factores son conocidos, es decir, para cada fila de datos sabremos qué hora es, qué día de la semana es, qué mes del año, etc. Uno de los factores es lag364, correspondiente al valor horario de temperatura 364 días anteriores a la temperatura a predecir. Como consecuencia, si se quieren predecir los próximos 3 años, no se podrá llevar a cabo de manera directa ya que a partir del segundo año a predecir no se tendría el valor de la temperatura 364 días antes. Por este motivo, se deberán realizar 3 iteraciones de predicción, una correspondiente a cada año, donde la predicción de la primera sea el lag364 de la segunda y el lag728 de la tercera y la predicción de la segunda sea el lag364 de la tercera.
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 39 Para cada iteración se realizará la predicción con la siguiente línea de código: 3. regresion_tot.predict(dataframe_factores) Donde “dataframe_factores” es el DataFrame con las fechas a predecir y sus correspondientes factores. Todas las predicciones obtenidas se han representado en el gráfico de serie temporal de la Figura 12 juntamente con los datos históricos y se han almacenado en un nuevo DataFrame (Tabla 6) y en un Excel para posteriormente facilitar su uso. Figura 12: Gráfico de serie temporal con os datos históricos y las predicciones obtenidas Tabla 6: DataFrame de las predicciones obtenidas
Pág. 40 Memoria 4.6. Origen de la generación La cantidad de emisiones de CO2 asociada a la electricidad suministrada por la red eléctrica depende en gran medida del origen de esta energía. La red eléctrica se abastece de una combinación de distintas fuentes de energía, como las energías renovables, que proporcionan unas emisiones de CO2 prácticamente neutras, y las energías convencionales, cuyas emisiones de CO2 son más significativas. Por ello, el perfil de emisiones de kgCO2/kWh puede variar considerablemente en función de la proporción de fuentes renovables y no renovables en el conjunto de generación energética de cada momento. En consecuencia, es necesario llevar a cabo un análisis de los distintos orígenes de la energía eléctrica ya que esta influirá directamente en nuestro indicador de estudio. A continuación, se presenta la evolución anual de la generación de energía eléctrica por las distintas tecnologías usadas en los últimos años (Figura 13). Todos los datos han sido obtenidos de la web oficial de la red eléctrica [9]. Figura 13: Gráfico de barras de las tecnologías de generación energética anuales Se pueden observar hasta 17 fuentes de energía diferentes, no obstante, no todas tienen el mismo peso. Aquellas que proporcionan la mayor cantidad de energía a lo largo de los años son la tecnología eólica, ciclo combinado, nuclear y carbón. A continuación, se destacan los aspectos más relevantes de estas tecnologías: • La energía eólica es considerada energía renovable debido a su manera limpia y sostenible de generar electricidad sin emitir gases de CO2 [14]. • El ciclo combinado no es considerado una energía renovable debido a la dependencia de combustión de gas natural para generar electricidad mediante
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 41 distintas turbinas. No obstante, es una tecnología muy eficiente y emite menos CO2 que otras plantas de combustibles fósiles, por lo tanto, es calificada como una tecnología de baja emisión [14]. • La generación mediante energía nuclear tampoco es considerada una energía renovable debido al uso del uranio como elemento principal, material que no se regenera de forma continua y cuyo uso genera residuos radioactivos. No obstante, el uso de esta tecnología no conlleva emisiones de CO2 destacables, entrando también en la calificación de tecnología de baja emisión [14]. • La quema de carbón es considerada una de las fuentes de energía más contaminantes, emitiendo altas cantidades de CO2 y otros contaminantes como óxidos de azufre y óxidos de nitrógeno [14]. La Unión Europea tiene como objetivo reducir las emisiones de CO2 en un 55% en el año 2030 y llegar a la neutralidad de emisión de carbono en 2050, este proceso se conoce como descarbonización y fue aprobado en la Ley Climática establecida en junio de 2021 [15]. No obstante, en 2019, la UE ya empezaba a tomar los primeros pasos para garantizar que los distintos países de Europa redujeran las emisiones de CO2 con el Acuerdo Verde para los europos (European Green Deal). Este acuerdo se ve claramente reflejado en la producción de electricidad puesto que en 2019 la generación mediante carbón se redujo significativamente, este hecho ha conllevado que otras tecnologías como el ciclo combinado aumentaran su generación para abastecer la demanda de la red eléctrica. Cabe destacar también que en los últimos años tecnologías como la eólica o solar han aumentado también su generación, sin embargo, la energía nuclear, que es una de las principales fuentes energéticas y de bajas emisiones de CO2, se ha mantenido constante. Estos movimientos políticos han generado consecuencias destacables en el uso de las distintas tecnologías energéticas de la red eléctrica, lo que conllevará posibles cambios de tendencia en el indicador de interés kgCO2/kWh. De este modo, muy posiblemente el modelo predictivo no pueda funcionar únicamente con los factores usados en la temperatura relacionados con la escala temporal, como puede ser: la hora, el día de la semana, el mes del año, etc. Sino que se tendrá que usar algunas fuentes de generación como factor, esto conllevará modelos predictivos secundarios, debido a que se deberán conocer los futuros valores horarios de las generaciones de interés para que el modelo sea capaz de observar relaciones existentes con los kgCO2/kWh en el histórico y realizar las correspondientes predicciones. Estas generaciones que serán sometidas a un modelo son los denominados anteriormente, indicadores secundarios, donde se usaran sus predicciones como factores para el indicador principal.
Pág. 48 Memoria 1. regresion = xgb.XGBRegressor(n_estimators=1000, early_stopping_rounds=50, learning_rate=0.01) 2. regresion.fit(x_entreno,y_entreno,eval_set=[(x_entreno,y_entreno),(x_test,y_test)] ,verbose=True) 3. regresion.predict(x_test) No obstante, el procedimiento no será tan directo como en el modelo anterior. Esto es debido a los resultados obtenidos teniendo en cuenta únicamente los factores seleccionados en el DataFrame del apartado anterior (se presentará la justificación posteriormente). Consecuentemente será necesario ir añadiendo nuevos factores e ir analizando las predicciones obtenidas y sus respectivos errores para ver si el modelo mejora. A su vez, para cada predicción que se haga con nuevos factores, será necesario modificar las líneas de código 2 y 3 ya que estas incorporan los DataFrames x_entreno y x_test donde se introducen los distintos factores de estudio. Es conveniente mencionar cómo son en este caso los 4 DataFrames que se utilizan en las líneas de código mencionadas: • x_entreno: contiene las filas correspondientes a los valores horarios de los siete años destinados al entrenamiento, con los factores de interés distribuidos en columnas. • y_entreno: incluye las mismas filas de entrenamiento y una única columna con los valores de kgCO2/kWh. • x_test: contiene las filas correspondientes a los valores horarios de los tres años de prueba, con los factores de interés distribuidos en columnas. • y_test: similarmente, contiene las filas de prueba y una única columna con los valores de kgCO2/kWh. Análisis de los resultados Partiendo del DataFrame general, que contiene los factores temporales y de lag, se realizaran los 4 DataFrames anteriores y se ejecutará el código para obtener las predicciones de los años de prueba y analizar los resultados en un gráfico de serie temporal (Figura 21).
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 49 Figura 21: Primeras predicciones de prueba de kgCO2/kWh en el gráfico de serie temporal Se puede concluir de manera visual que las predicciones son poco precisas. No obstante, muestran unas subidas y bajadas cíclicas que parecen ir acorde con las subidas y bajadas de los datos reales. Analizando sus respectivos errores, se obtiene un RMSE de 0,0536 kgCO2/kWh y un SMAPE de 32,82%. Estos valores son muy elevados generando poca fiabilidad en este modelo. De este modo será necesario añadir nuevos factores al modelo, empezando por la temperatura. Se modificarán los DataFrames x_entreno y x_test añadiéndoles una nueva columna con los valores históricos de temperatura y se ejecutarán las tres líneas de código nuevamente. Los resultados obtenidos se observan en la Figura 22: Figura 22: Segundas predicciones de prueba de kgCO2/kWh en el gráfico de serie temporal El modelo parece que mejora visualmente acercándose más a los picos de emisiones. Los errores también mejoran ligeramente, con un RMSE de 0,052 kgCO2/kWh y un SMAPE de 31,97%. No obstante, estos errores siguen siendo elevados y el modelo necesita otras condiciones para mejorar su predicción.
Pág. 50 Memoria En este momento se valora la incorporación de factores relacionados con la generación de energía eléctrica. Tal y como se ha mencionado en el apartado 4.6. Origen de la generación, las tecnologías energéticas más usadas para la red eléctrica son la eólica, el ciclo combinado, la nuclear y el carbón. El carbón es significativo en los años anteriores al 2019 y en este apartado se está tratando de generar predicciones posteriores a este año. Adicionalmente las predicciones que se han realizado hasta ahora ya son bajas asumiendo la tendencia del proceso de descarbonización. Por lo tanto, el carbón no será un factor que pueda aportar información de interés al modelo. La energía Nuclear es constante a lo largo de los años con poca variabilidad, y no se ve afectada por el proceso de descarbonización iniciado en 2019. Sin embargo, las tecnologías ciclo combinado y eólica, han ganado protagonismo desde el año 2019 y presentan bastante variabilidad de forma anual, lo que significa que podrían ser factores clave para analizar las principales emisiones de CO2 de la red eléctrica. Se ha procedido a la recogida de los datos horarios de los últimos 10 años de estas tecnologías en la web oficial de la red eléctrica [9], y se han almacenado en el archivo Excel inicial juntamente con el histórico de datos de los indicadores para facilitar su incorporación al Jupyter Notebook. De este modo se ha decidido añadir al modelo el factor eólico, lo que ha significado nuevamente la modificación de los DataFrames x_entreno y x_test y la ejecución de las tres líneas de código. Los resultados son representados en la Figura 23: Figura 23: Terceras predicciones de prueba de kgCO2/kWh en el gráfico de serie temporal Obteniendo unos errores más bajos, con un RMSE de 0,045 kgCO2/kWh y un SMAPE de 27,23%.
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 51 Para tratar de mejorar más el modelo se ha añadido el factor ciclo combinado y se ha repetido el procedimiento (Figura 24): Figura 24: Predicciones finales de prueba de kgCO2/kWh en el gráfico de serie temporal Obteniendo finalmente un error RMSE de 0,03 kgCO2/kWh y un SMAPE de 18,25%. Estas predicciones siguen de manera correcta la evolución de los datos reales. Con toda probabilidad el modelo podría mejorar si, adicionalmente, se pudiera tener en cuenta otro tipo de factores que no se pueden cuantificar en este proyecto. Las emisiones de CO2 tienen una unión política muy importante y posibles datos relacionados con esta no están presentes al público común. A continuación, de igual manera que con el modelo de temperatura, la Figura 25 muestra el gráfico de barras que representa la importancia que el modelo ha determinado en los distintos factores para proporcionar los valores horarios de predicción: Figura 25: Gráfico de barras de la importancia de los factores del modelo de kgCO2/kWh Como era de esperar, la eólica y el ciclo combinado tienen una importancia muy relevante en el modelo. Cabe destacar que, en este indicador, la semana del año y el año son los
Pág. 52 Memoria factores más determinantes, sin estos el modelo empeoraría significativamente. Adicionalmente, como es un indicador poco cíclico, los lags no tienen tanta importancia como en el modelo de temperatura. Resumen de observaciones Dificultad de la predicción sin factores de generación de energía: Las predicciones iniciales del modelo muestran que, sin incluir factores específicos de generación de energía eléctrica, las predicciones de emisiones de CO2 son muy imprecisas, aunque manteniendo las correctas fluctuaciones. Esto es debido a que las emisiones no dependen exclusivamente del momento en que se llevan a cabo, sino que dependen de múltiples factores, entre ellos las tecnologías de generación energética de la red eléctrica. Con la incorporación de la energía eólica y el ciclo combinado, que son las energías que mayor importancia y cambios han sufrido a partir del año 2019, el modelo mejora significativamente. Validez del modelo: Gracias a la incorporación de las tecnologías mencionadas al modelo, el error se ha reducido a un RMSE de 0,03 kgCO2/kWh y a un SMAPE de 18,25%, las predicciones se han alineado de forma más precisa con los valores reales. Aunque el modelo ha logrado capturar gran parte de la dinámica de las emisiones de CO2, sigue teniendo limitaciones debido a la falta de factores adicionales, como los datos específicos de políticas o decisiones regulatorias que afectan a las emisiones. Sin embargo, con los factores disponibles, el modelo resulta fiable y presenta una base sólida para estimaciones futuras de las emisiones de la red eléctrica. 4.7.5. Predicción de los valores Preparación de los datos Previamente a realizar las predicciones es necesario preparar las condiciones de las fechas horarias a predecir, es decir, determinar el valor que tendrán los factores. En el modelo de temperatura los factores eran únicamente temporales y lags, por lo tanto, no necesitaban esta preparación previa. No obstante, en el caso de estudio, se tienen nuevos factores, ciclo combinado y eólica, cuyos valores futuros son desconocidos. En consecuencia, estas dos tecnologías, denominadas en este proyecto como indicadores secundarios, tendrán que ser sometidas a modelos predictivos similares a los indicadores principales para usar sus predicciones como factores de las fechas a predecir del indicador kgCO2/kWh. Cabe destacar que la viabilidad de estas predicciones de los factores está vinculada con la capacidad que tengan los modelos para funcionar únicamente teniendo en cuenta factores que no precisen nuevamente de predicciones internas para funcionar,
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 53 si se diera este caso, se entraría en un bucle sin salida generando predicciones a base de factores que necesitan predicciones internas. A continuación, se presentarán los resultados obtenidos de los modelos predictivos de los indicadores secundarios. No se entrará en detalle en el desarrollo puesto que es similar al de los indicadores principales. En los anexos se adjuntarán los notebooks correspondientes. Modelo eólica Los valores recogidos de la eólica muestran el aumento de las ráfagas de viento estos últimos años. En consecuencia, en la división de los datos para realizar el entrenamiento del modelo se deberá incluir al menos algún año con fuertes ventadas. Se han seleccionado siete años de entrenamiento y tres de prueba (Figura 26). Figura 26: División de los datos en el gráfico de serie temporal de energía eólica El comportamiento parece ser cíclico, lo que puede favorecer la facilidad en la predicción. Teniendo en cuenta factores que no precisen posteriormente de predicciones adicionales, es decir, factores temporales, lags y temperatura, se obtienen las siguientes predicciones de la Figura 27 en las fechas de prueba. Figura 27: Predicciones de los datos de prueba de energía eólica en el gráfico de serie temporal
Pág. 54 Memoria Figura 28: Gráfico de barras de la importancia de los factores del modelo de energía eólica En contra de las expectativas, el modelo no es capaz de realizar una predicción precisa. Los errores son muy elevados, con un RMSE es de 3870 GWh y un SMAPE de 47,87%. Esto es debido a la aleatoriedad del viento. Se puede observar que cuando hace más frio se tienen más ráfagas de viento y por lo tanto más generación de energía y en verano todo lo contrario, de este modo, la temperatura juega un papel fundamental en la predicción. No obstante, los factores temporales no ayudan al modelo de manera significativa debido a la no existencia de relaciones evidentes entre el momento temporal y la generación de energía eólica. Estudiando estos valores a pequeña escala se puede observar que, a pesar de que en invierno hay más viento y en verano menos, a nivel diario, semanal, mensual, etc. no hay relaciones existentes para determinar con precisión el valor horario. La aleatoriedad del viento viene dada por factores meteorológicos que a largo plazo no se pueden predecir o precisan de otro tipo de parámetros a considerar que están fuera del alcance de este estudio. En conclusión, no se puede generar un modelo predictivo de generación eólica horaria eficiente a largo plazo, se podrían hacer estimaciones estacionales bastante precisas, pero a pequeña escala el error aumentaría. A pesar de ello, se necesitan valores horarios futuros para usarlos como factores en el indicador kgCO2/kWh, y observando las recientes tendencias, se ha decidido seleccionar los valores de los últimos 3 años como proyección de los 3 siguientes, y poder usar estos datos como factores del indicador principal. A escala horaria, los valores futuros no serán exactamente iguales que los valores seleccionados, no obstante, analizando las tendencias de las ventadas, son datos lo suficientemente representativos como para llevar a cabo proyecciones consistentes.
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 55 Modelo ciclo combinado El ciclo combinado presenta un aumento en su uso a partir de 2019, esto se ve reflejado de manera clara en la representación gráfica de los datos horarios históricos. Por consiguiente, en la división de los datos para realizar el entrenamiento el modelo deberá incluir algún año posterior al 2019. Se han seleccionado siete años de entrenamiento y tres de prueba. Figura 29: División de los datos en el gráfico de serie temporal del ciclo combinado La Figura 29 muestra que el comportamiento no es cíclico, indica posibles dificultades para el modelo predictivo. Realizando las respectivas predicciones de los años de prueba con los factores temporales, temperatura y lags se obtienen los resultados de la Figura 30 y 31: Figura 30: Predicciones de los datos de prueba de ciclo combinado en gráfico de serie temporal
Pág. 56 Memoria Figura 31: Gráfico de barras de la importancia de los factores del modelo de ciclo combinado Observando el resultado cíclico de las predicciones de la Figura 30, se puede deducir que existe una pequeña relación entre la generación de energía mediante ciclo combinado y el momento temporal o temperatura. Según la Figura 31, el modelo sigue el lag728, no obstante, las predicciones son muy imprecisas con un error RMSE de 3088 GWh y un SMAPE de 48,58%. En conclusión, tampoco se puede generar un modelo predictivo horario a largo plazo válido para la generación de energía mediante ciclo combinado puesto que no existen relaciones evidentes a lo largo del tiempo y sus valores dependerán de factores que no se pueden considerar en el proyecto por la falta de estos. De igual manera que con la energía eólica, será necesario determinar el valor de esta tecnología durante los próximos 3 años para poder realizar las predicciones horarias del indicador kgCO2/kWh, y observando los valores recientes se puede concluir que parece estabilizarse su uso, consecuentemente se seleccionarán también los valores de los últimos 3 años para utilizarlos como factores del indicador principal en los próximos 3 años. Ejecución de la predicción Para la predicción de los valores horarios del indicador kgCO2/kWh se realizará el mismo procedimiento que con el modelo de temperatura. Primeramente, se deberá entrenar el modelo con todo el histórico de datos y con los factores temporales seleccionados, la generación de energía eólica y ciclo combinado y la temperatura. Para ello se generarán nuevamente dos DataFrames: • x_tot: con las filas correspondientes a los datos horarios de los 10 años de entrenamiento y los factores como columnas. • y_tot: con las filas correspondientes a los datos horarios de los 10 años de entrenamiento y la temperatura como única columna.
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 57 Y se redefinirá el modelo nuevamente con las siguientes líneas de código: 1. regresion_tot=xgb.XGBRegressor(n_estimators=1000,early_stopping_rounds=50, learning_rate=0.01) 2. regresion_tot.fit(x_tot, y_tot, eval_set=[(x_tot, y_tot)], verbose=True) Para llevar a cabo la predicción se deben preparar los DataFrames con las condiciones que tendrá el valor horario a predecir, es decir con los valores futuros factores seleccionados. Los factores temporales son conocidos y los de generación son los seleccionados en sus respectivos modelos. Para los valores futuros de temperatura se seleccionarán las predicciones realizadas en el modelo anterior y para los lags se tendrá que realizar el mismo procedimiento que con la temperatura. Se deberán realizar 3 iteraciones reaprovechando las predicciones de las primeras iteraciones como factores lags de las siguientes iteraciones. En consecuencia, para cada para cada año a predecir, se usará la siguiente línea de código para obtener las predicciones horarias: 3. regresion_tot.predict(dataframe_factores) Donde “dataframe_factores” es el DataFrame con las fechas a predecir y sus correspondientes factores. De igual manera que con la temperatura, se han representado las predicciones en el gráfico de serie temporal juntamente con los datos históricos (Figura 32) y se han almacenado en un nuevo DataFrame (Tabla 9) y en un Excel para posteriormente facilitar su uso. Figura 32: Gráfico de serie temporal con los datos históricos y las predicciones obtenidas de kgCO2/kWh
Pág. 64 Memoria Según lo previsto, prevalecen los HDD en invierno y los CDD en verano. Sin embargo, como simplificación, se asignarán ciertos meses exclusivamente a la refrigeración y otros a la calefacción. Esto es útil tanto para optimizar el rendimiento térmico como para reducir el coste computacional al calcular las distintas demandas energéticas asociadas a las bombas de calor. Para lograr esto, se realizará el siguiente filtrado: if ([HDDm > 12·df] ∧ |HDDm - CDDm| > 2500) → HDDm & HDDma; else HDDm & HDDma = 0 if ([CDDm > 12·df] ∧ |HDDm - CDDm| > 2500) → CDDm & CDDma; else CDDm & CDDma = 0 Se obtienen modificaciones en algunos HDDm y CDDm (Tabla 11) y (Figura 36) : HDDm CDDm Enero 71691 0 Febrero 53999 0 Marzo 40381 0 Abril 21317 0 Mayo 0 0 Junio 0 25579 Julio 0 46855 Agosto 0 45037 Septiembre 0 19242 Octubre 0 0 Noviembre 29562 0 Diciembre 53509 0 Tabla 11: Grados día mensuales acumulados efectivos (ec. 9) y (ec. 10)
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 65 Figura 36: Gráfico de barras de los grados día mensuales acumulados efectivos Y por lo tanto también se han modificado los HDDm,a, y CDDm,a. Sus respectivos valores han sido almacenados en un DataFrame para el posterior uso. Se puede concluir lo siguiente: • Meses de calefacción: enero, febrero, marzo, abril, noviembre, diciembre. • Meses de refrigeración: junio, julio, agosto, septiembre. Habiendo considerado el filtrado, se procede a encontrar los grados día anuales (ec. 11) y (ec. 12) y a almacenarlos en un nuevo DataFrame. 𝐻𝐷𝐷𝑎= ∑ 𝐻𝐷𝐷𝑚,𝑎 12 𝑚=1 𝐻𝐷𝐷𝑎= ∑ 𝐻𝐷𝐷𝑚,𝑎 12 𝑚=1 5.3. Demandas energéticas diarias Una vez se han recogido las demandas de grados Celsius de calefacción y refrigeración, tanto diarias, mensuales como anuales, ya se pueden encontrar las demandas diarias de calefacción y refrigeración con unidades de energía [kWh/m2]. Para ello se utilizarán las siguientes expresiones (ec. 15) y (ec. 16) [17]: (ec. 11) (ec. 12)
Pág. 66 Memoria 𝑢𝑆𝐻(𝑑)=𝑢𝑆𝐻𝑟𝑒𝑓 ·𝐻𝐷𝐷(𝑑) 𝐻𝐷𝐷𝑎 𝑢𝐶𝐷(𝑑)=𝑢𝐶𝐷𝑟𝑒𝑓 ·𝐶𝐷𝐷(𝑑) 𝐶𝐷𝐷𝑎 Almacenando los resultados obtenidos en el DataFrame de la Tabla 12: Tabla 12: DataFrame de demandas energéticas diarias 5.4. Perfil horario de calefacción y refrigeración A continuación, con el objetivo de distribuir las demandas diarias obtenidas, se deben encontrar las distribuciones horarias de calefacción y frío. Para ello se ha utilizado la tesis doctoral de Eduardo Antonio Pina [20]. En esta, se analizan las demandas energéticas anuales de calefacción y refrigeración en 100 viviendas de Zaragoza de 100 m2 cada una, y se recogen los datos horarios en kW agrupándolos de manera mensual. Este análisis será muy útil para ver de manera mensual como se distribuyen las distintas demandas energéticas, es decir, para determinar qué cantidad de la demanda energética diaria se utiliza en cada hora del día separado por meses. A pesar de que los datos del estudio corresponden a la ciudad de Zaragoza, se considera (ec. 13) (ec. 14)
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 67 que pueden ser utilizados como base representativa para el presente proyecto en Barcelona debido a las similitudes climáticas entre ambas ciudades. 5.4.1. Calefacción Los datos de calefacción en kW obtenidos de la tesis de Eduardo Antonio Pina [20] son los recogidos en la siguiente tabla: Hora Enero Febrero Marzo Abril Noviembre Diciembre 1 0 0 0 0 0 0 2 0 0 0 0 0 0 3 0 0 0 0 0 0 4 0 0 0 0 0 0 5 0 0 0 0 0 0 6 0 0 0 0 0 0 7 273,9 231,1 126,2 53,6 151,5 284,5 8 264,1 222,5 121,7 51,7 146 274,1 9 248,4 209,3 114,4 48,6 137,3 257,5 10 232 195,7 107 45,3 128,4 240,8 11 221,5 186,7 102,1 43,3 122,4 229,9 12 214,8 181 99 42 118,8 222,9 13 204 172 94 40 112,9 211,9 14 197,7 166,6 91,1 38,6 109,3 205 15 186,5 157,3 86 36,5 103,2 193,6 16 171,9 145,1 79,3 33,6 95,2 178,7 17 250,8 151,9 59,3 16 96,4 184 18 243,5 175,3 62,9 16 109,3 183,3 19 213,1 179 73,7 21,9 115,1 183,6 20 212,4 164,6 74 22,7 114,1 181,7 21 160,7 123,8 46,8 16,6 67,2 131,8 22 198,1 166,5 76,3 28,4 102,9 164,1 23 0 0 0 0 0 0 24 0 0 0 0 0 0 Total diario 3493,4 2828,4 1413,8 554,8 1830 3327,4 Tabla 13: Potencias de calefacción Se pueden destacar las siguientes observaciones: • Para la calefacción se han considerado los meses, de enero, febrero, marzo, abril, noviembre y diciembre, de igual modo que en el presente estudio. • Se observa la no existencia de demandas energéticas entre las 23pm y las 6am. En el presente estudio se considerará de igual manera esta simplificación, lo que significará emisiones nulas de CO2 en este rango horario. • Los meses con más demanda energética son diciembre y enero.
Pág. 68 Memoria A través de estos datos se puede obtener la función de distribución fh para cada mes. Para ello se presentan los datos en la Tabla 14 y se representan en el gráfico de la Figura 37 el perfil de calefacción fh. Hora Enero Febrero Marzo Abril Noviembre Diciembre 1 0 0 0 0 0 0 2 0 0 0 0 0 0 3 0 0 0 0 0 0 4 0 0 0 0 0 0 5 0 0 0 0 0 0 6 0 0 0 0 0 0 7 0,0784 0,0817 0,0893 0,0966 0,0828 0,0855 8 0,0756 0,0787 0,0861 0,0932 0,0798 0,0824 9 0,0711 0,074 0,0809 0,0876 0,075 0,0774 10 0,0664 0,0692 0,0757 0,0817 0,0702 0,0724 11 0,0634 0,066 0,0722 0,078 0,0669 0,0691 12 0,0615 0,064 0,07 0,0757 0,0649 0,067 13 0,0584 0,0608 0,0665 0,0721 0,0617 0,0637 14 0,0566 0,0589 0,0644 0,0696 0,0597 0,0616 15 0,0534 0,0556 0,0608 0,0658 0,0564 0,0582 16 0,0492 0,0513 0,0561 0,0606 0,052 0,0537 17 0,0718 0,0537 0,0419 0,0288 0,0527 0,0553 18 0,0697 0,062 0,0445 0,0288 0,0597 0,0551 19 0,061 0,0633 0,0521 0,0395 0,0629 0,0552 20 0,0608 0,0582 0,0523 0,0409 0,0623 0,0546 21 0,046 0,0438 0,0331 0,0299 0,0367 0,0396 22 0,0567 0,0589 0,054 0,0512 0,0562 0,0493 23 0 0 0 0 0 0 24 0 0 0 0 0 0 Total 1 1 1 1 1 1 Tabla 14: Funciones mensuales de distribución de calefacción fh
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 69 Figura 37: Representación gráfica de las funciones mensuales de distribución de calefacción fh Se observa que por la mañana se obtiene una mayor demanda energética relacionada con la calefacción debido a la necesidad de calentar la vivienda después de las bajas temperaturas nocturnas. Adicionalmente, se puede concluir que a lo largo del día esta demanda va disminuyendo con un ligero repunte por la noche. 5.4.2. Refrigeración De igual manera se recogen los datos de refrigeración en la Tabla 15: Hora Junio Julio Agosto Setiembre 1 0 0 0 0 2 0 0 0 0 3 0 0 0 0 4 0 0 0 0 5 0 0 0 0 6 0 0 0 0 7 0 0 0 0 8 0 0 0 0 9 0 0 0 0 10 0 0 0 0 11 0 0 0 0 12 32,3 89,2 66,6 27,7 13 41,4 114,5 85,5 35,5 14 49,3 136,3 101,7 42,3 15 74,3 205,1 153,1 63,6 16 141,5 266,6 236,1 128,3
Pág. 70 Memoria 17 129,1 234,9 202,2 109,7 18 31,4 129,6 81,9 23,5 19 23,1 110,8 67,2 13,9 20 13,7 89,5 54,9 8,8 21 11,5 91,2 53,7 7,7 22 12,3 70,8 41,4 6,5 23 0 0 0 0 24 0 0 0 0 Total diario 559,9 1538,5 1144,3 467,5 Tabla 15: Potencias de refrigeración Se pueden destacar las siguientes observaciones: • Para la refrigeración se han considerado los meses de junio, julio agosto y septiembre, de igual modo que en el presente estudio • Se observa una nueva simplificación horaria, donde no hay demandas energéticas entre las 23pm y las 11am por el mismo motivo que en la calefacción. • Los meses con más demanda energética son julio y agosto. A continuación, se presentan los datos del perfil horario fc en la Tabla 16 y su representación gráfica en la Figura 38 para cada mes: Hora Junio Julio Agosto Septiembre 1 0 0 0 0 2 0 0 0 0 3 0 0 0 0 4 0 0 0 0 5 0 0 0 0 6 0 0 0 0 7 0 0 0 0 8 0 0 0 0 9 0 0 0 0 10 0 0 0 0 11 0 0 0 0 12 0,0577 0,058 0,0582 0,0593 13 0,0739 0,0744 0,0747 0,0759 14 0,0881 0,0886 0,0889 0,0905 15 0,1327 0,1333 0,1338 0,136 16 0,2527 0,1733 0,2063 0,2744 17 0,2306 0,1527 0,1767 0,2347 18 0,0561 0,0842 0,0716 0,0503 19 0,0413 0,072 0,0587 0,0297 20 0,0245 0,0582 0,048 0,0188
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 71 21 0,0205 0,0593 0,0469 0,0165 22 0,022 0,046 0,0362 0,0139 23 0 0 0 0 24 0 0 0 0 Tabla 16: Funciones mensuales de distribución de refrigeración fc Figura 38: Representación gráfica de las funciones mensuales de distribución de refrigeración fc La demanda aumenta desde la mañana hasta el mediodía, coincidiendo con las temperaturas más altas del día, y disminuye de manera notable a medida que avanza el día. 5.5. Demandas energéticas horarias Finalmente, con las funciones de distribución horaria de calefacción (fh) y refrigeración (fc), las demandas energéticas diarias (uSH(d) y uCD(d)) y el área (A) en m2 de la vivienda que se analiza, se pueden encontrar las demandas energéticas horarias en kWh según las expresiones (ec. 15) y (ec.16): 𝑢𝑆𝐻(ℎ)=𝑓ℎ(𝑑,ℎ)·𝑢𝑆𝐻(𝑑)·𝐴 𝑢𝐶𝐷(ℎ)=𝑓𝑐(𝑑,ℎ)·𝑢𝐶𝐷(𝑑)·𝐴 El foco de este proyecto está puesto en la ciudad de Barcelona, de este modo, se ha decidido considerar el área correspondiente a todas las viviendas del sector residencial de la ciudad. En los últimos años los metros cuadrados de vivienda ocupados por personas (ec. 15) (ec. 16)
Pág. 72 Memoria físicas se han mantenido entre 53.000.000 y 55.000.000 metros cuadrados, según el portal de datos del ayuntamiento de Barcelona [21], por lo tanto, se ha seleccionado el valor promedio utilizando un área ‘A’ de 54.000.000 m2. Se han almacenado todas las demandas energéticas horarias en el siguiente DataFrame (Tabla 17): Tabla 17: DataFrame de demandas energéticas horarias
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 73 6. CONSUMOS ENERGÉTICOS Y EMISIONES DE CO2 6.1. Introducción En este apartado, se calcularán los consumos necesarios de los sistemas energéticos para satisfacer la demanda estimada durante los 12 años que abarca el estudio. Posteriormente, a partir de estos consumos, se calcularán las correspondientes emisiones de CO2 de Barcelona. De este modo, se han considerado dos casos: 1) Toda la demanda es cubierta por bombas de calor (objetivo del estudio). 2) Toda la demanda es cubierta por calderas de gas y aire acondicionado convencional. Aunque el presente estudio se focaliza en las bombas de calor, resulta de especial interés calcular también las emisiones asociadas a la caldera de gas y aire acondicionado. Estos sistemas energéticos están ampliamente normalizados en la sociedad y son utilizados también para calefacción y refrigeración, respectivamente. En consecuencia, las conclusiones relacionadas con el CO2 que se obtengan para las bombas de calor podrán ser contextualizadas y comparadas con las calderas de gas y aires acondicionados. Todos los consumos y emisiones serán almacenados en distintos DataFrames. 6.2. Bombas de calor: consumos y emisiones de CO2 Las bombas de calor presentan distintos coeficientes de rendimiento, el COP y el EER. Figura 39: Esquema de rendimiento de la bomba de calor • COP: relación entre el calor producido y la electricidad necesaria para generarlo. Bomba de calor COP=4; EER=3 uSH uCD Eelec
Pág. 80 Memoria Figura 43: Mapa de calor de las futuras reducciones porcentuales de las emisiones mensuales por hora del día de las bombas de calor respecto los años históricos Obteniendo las siguientes conclusiones: • Se observan reducciones de las emisiones en todos los casos. • En la calefacción las reducciones más destacables son en junio y julio obtenido reducciones entre el 40 y el 50% en todas las franjas horarias, mientras que en agosto y septiembre estas reducciones son entre el 20 y 40%. • En refrigeración, las reducciones tienen más variabilidad según el mes: o Noviembre y diciembre: entre 43 y 57%. Las más elevadas. o Febrero: entre 7 y 20%. Las más bajas. o Enero y marzo: entre 23 y 38% o Abril: entre 42 y 49% Esta comparativa muestra una reducción significativa de las emisiones en todas las franjas horarias donde hay demanda energética entre los datos históricos (2014-2023) y los datos futuros (2024-2026). Esta reducción está significativamente relacionada con las emisiones de la red eléctrica
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 81 7.1.3. Comparativa detallada: datos históricos recientes vs datos futuros Se ha observado que la tendencia de las emisiones de la bomba de calor en los últimos años de los datos históricos muestra una disminución en comparación con los valores de los primeros años. Por ello, se ha considerado conveniente realizar el mismo análisis que en el apartado anterior, pero enfocándose en una comparación entre los tres últimos años de los datos históricos más recientes (2021-2023) frente los tres años de datos futuros encontrados (2024-2026). Figura 44: Gráfico de serie temporal de las emisiones horarias de CO2 históricas recientes y futuras de las bombas de calor La evolución temporal de la Figura 44 muestra que tanto las emisiones históricas como futuras son del mismo orden de magnitud, sin presentar de manera evidente ninguna disminución destacable. Adicionalmente, como se ha mencionado anteriormente, estos 6 años recogen emisiones anuales similares entre 2 y 3 millones de kgCO2. Nuevamente se obtendrán las emisiones horarias promedias según el mes del año para ambos periodos. Estos resultados se encuentran en las tablas del anexo 1. De igual modo que en apartado anterior, los resultados de las Tablas se muestran en un mapa de calor (Figura 45).
Pág. 82 Memoria Figura 45: Mapas de calor de las emisiones históricas recientes y futuras promedias mensuales por hora del día de las bombas de calor Con las tablas y los mapas de calor se puede observar que la distribución de emisiones a lo largo del día es similar al de la comparación anterior, con los valores más elevadas en los mismos periodos: en calefacción entre las 15 pm y 18pm de julio y agosto, y en refrigeración, entre las 7am y 10 am de enero y diciembre. Asimismo, se aprecia de manera más notoria el cambio en el orden de magnitud de las emisiones promedias históricas de los años más recientes, resultando estas muy similares a las futuras. Esto dificulta la comparación directa, por lo que será muy útil generar el correspondiente mapa de calor de las reducciones porcentuales.
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 83 Figura 46: Mapa de calor de las futuras reducciones porcentuales de las emisiones mensuales por hora del día de las bombas de calor respecto los años históricos recientes Obteniendo las siguientes conclusiones: • No se observan reducciones de emisiones en todos los casos. • En calefacción, las reducciones más destacables se observan en junio, con valores entre el 13% y 20% en todas las franjas horarias. No obstante, en julio, agosto y septiembre, las reducciones son más bajas, oscilando entre el 0% y 11%, e incluso se registran ligeros aumentos en las emisiones, entre el 0% y 5,8%, en las franjas horarias de 17:00 pm y 18:00 pm. • En refrigeración, noviembre, diciembre y marzo presentan reducciones de entre el 10% y 23% en todas las franjas horarias, mientras que en enero las reducciones son menores, entre el 2% y 6%. Por otro lado, abril es el mes con mayores reducciones, alcanzando valores entre el 40,8% y 46%. Sin embargo, en febrero se observa un aumento de las emisiones de entre el 13% y 24%, también en todas las franjas horarias. En esta comparación, se puede concluir que las emisiones anuales futuras son similares a las históricas recientes, manteniendo niveles bajos y generando ligeras reducciones en las emisiones horarias promedio en la mayor parte de los meses analizados, con la excepción de febrero y algunas horas puntuales durante las tardes de verano.
Pág. 84 Memoria 7.2. Impacto ambiental de las calderas de gas + AA De manera análoga a las bombas de calor, se analizará la evolución de las emisiones de CO2 de las calderas de gas + AA en las mismas circunstancias. Para ello, se representan los resultados horarios previamente calculados en el capítulo 6 en la Figura 47: Figura 47: Gráfico de serie temporal de las emisiones horarias de CO2 históricas y futuras de las calderas de gas + AA Se destacan las siguientes observaciones: • Se observa de manera evidente una diferencia entre las emisiones generadas para cubrir las demandas de calefacción con caldera de gas (picos elevados cercanos a 12.500 kgCO2/hora) y las emisiones generadas para cubrir las demandas de refrigeración con AA (picos bajos cercanos a 2500 kgCO2/hora) • Las emisiones de CO2 de las calderas de gas (calefacción) se mantienen elevadas a lo largo de los años, tanto en los años históricos como en los futuros, ya que su origen proviene de la combustión de gas natural, un proceso que inevitablemente conlleva emisiones significativas. A diferencia de la electricidad, no existe la posibilidad de modificar la fuente energética de estas calderas para reducir las emisiones. • Sin embargo, las emisiones de CO2 del AA (refrigeración), al depender de la red eléctrica, evolucionan del mismo modo que esta. Teniendo una diminución de las emisiones a partir del 2019 y manteniéndose en estos valores bajos en los años futuros. Las emisiones totales anuales se presentan en la Tabla:
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 85 Año EMISIONES CO2 (CALDERA DE GAS+AC) 2014 14.266.241 2015 14.415.091 2016 14.003.770 2017 14.144.217 2018 14.004.066 2019 13.737.082 2020 13.594.447 2021 13.438.425 2022 13.735.316 2023 13.419.867 2024 13.405.064 2025 13.651.468 2026 13.454.211 Tabla 21: Emisiones de CO2 anuales totales de la caldera de gas + AA Se observan emisiones de aproximadamente 14 millones de kg de CO₂ anuales en los años previos a 2019, las cuales se reducen ligeramente a 13,5 millones de kilogramos en los años posteriores, incluyendo los años futuros (2024-2026). Esto es debido a la reducción de emisiones del AA mencionado anteriormente. 7.3. Comparativa: emisiones de CO2 de las bombas de calor vs caldera de gas + AA Una vez se han analizado las emisiones de CO2 que generaría la bomba de calor y la caldera de gas + AA en la ciudad de Barcelona en las mismas condiciones, es conveniente comparar estas tecnologías para contextualizar los resultados obtenidos de las bombas de calor. Para ello se compararán las emisiones horarias y anuales previamente mencionadas. 7.3.1. Comparativa horaria Primeramente, se representarán todas las emisiones horarias en la Figura 48:
Pág. 86 Memoria Figura 48: Gráfico de serie temporal de las emisiones horarias de CO2 históricas y futuras de las bombas de calor y el conjunto caldera de gas y aire acondicionado • En los meses de calefacción, las emisiones horarias de la caldera de gas alcanzan picos superiores a 12500 kgCO2/h constantemente, tanto en los años históricos como en los futuros, mientras que, con las bombas de calor, estos valores rara vez superan los 8000 kgCO2/h en los años previos al 2019 y, en los años posteriores, los picos disminuyen significativamente, situándose en el orden de 3000 kgCO2/h. • En los meses de refrigeración, las emisiones asociadas a las bombas de calor son superiores ya que el sistema energético convencional escogido para la comparación ha sido un aire acondicionado de mayor eficiencia. No obstante, esta elección tiene como objetivo demostrar que, incluso utilizando un sistema diseñado exclusivamente para la refrigeración y combinándolo con las calderas de gas para la calefacción, las emisiones anuales conjuntas de ambos sistemas siguen siendo muy superiores respecto las bombas de calor. Posteriormente con la comparativa anual se verificará nuevamente esta afirmación. 7.3.2. Comparativa anual A continuación, se representará gráficamente las emisiones anuales totales de CO2 de ambos escenarios en la Figura 49. Adicionalmente, se recogerán las emisiones de CO2 que se ahorraría con el uso de bomba de calor en vez de caldera de gas + AA en la Tabla 22.
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 87 Figura 49: Gráfico de serie temporal de las emisiones de CO2 anuales totales de la bomba de calor vs el conjunto caldera de gas + AA Año Reducción de emisiones de CO2 con el uso de bombas de calor (kgCO2) 2014 10.229.319 2015 8.656.632 2016 9.162.116 2017 8.056.859 2018 9.076.492 2019 9.829.748 2020 10.866.719 2021 10.887.636 2022 10.309.514 2023 11.245.328 2024 11.203.411 2025 10.635.654 2026 11.184.806 Tabla 22: Reducción de las emisiones de CO2 con el uso de bombas de calor respecto la caldera de gas + AA
Pág. 88 Memoria Se destacan las siguientes conclusiones: • Se evidencia que la generación de electricidad, principal origen de las emisiones de las bombas de calor, está muy lejos de emitir la cantidad de CO2 que genera la combustión de gas natural de las calderas de gas. • Se visualiza nuevamente la tendencia a disminuir las emisiones tanto en el conjunto caldera de gas + AA como en las bombas de calor gracias principalmente a la evolución de la red eléctrica. • Si se utilizaran las bombas de calor para satisfacer las demandas energéticas de Barcelona en vez de la caldera de gas + AA, en los años históricos y futuros se evitaría emitir, aproximadamente, 10 y 11 millones de kg de CO2 anuales respectivamente.
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 89 8. RESULTADOS DEL IMPACTO ECONÓMICO En el presente capítulo se llevará a cabo un análisis de los resultados económicos de las bombas de calor y del conjunto caldera de gas + AA, para posteriormente realizar una comparativa anual y observar si las bombas de calor muestran históricamente y en los próximos años un impacto económico favorable frente los sistemas energéticos convencionales mencionados. 8.1. Impacto económico de las bombas de calor Con el objetivo de encontrar el precio que le costaría al conjunto de residentes de Barcelona cubrir las demandas de calefacción y refrigeración con bombas de calor en los años de estudio, es necesario considerar el indicador previamente analizado “€/kWh”, cuyo gráfico de serie temporal se presenta en la Figura 50: Figura 50: Gráfico de serie temporal de los datos horarios históricos y futuros del indicador €/kWh Como se ha mencionado en apartados anteriores y como se puede observar en el gráfico de serie temporal, el indicador en los años futuros toma los datos de los últimos tres años históricos sustituyendo las anomalías que superan los 0,15 €/kWh por este mismo valor. De este modo, multiplicando el indicador con los consumos eléctricos de la bomba de calor encontrados previamente, se obtiene la evolución horaria del coste de estos sistemas energéticos (Figura 51):
Pág. 96 Memoria Se pueden destacar las siguientes observaciones: • Los costes anuales totales de la bomba de calor y del conjunto caldera de gas + AA siguen la misma tendencia en todos los años del estudio (2014-2026). • En los años previos al 2021, los costes de la bomba de calor son relativamente inferiores a los de la caldera de cas + AA, consiguiendo un ahorro entre 100 y 600 mil euros anuales, destacando unos ahorros prácticamente nulos en el 2020 (año de la pandemia). • En 2021 y 2023 los ahorros con el uso de bomba de calor aumentan considerablemente hasta un millón de euros anuales. • En 2022, a pesar de que tanto el gas natural como la electricidad suben de precio considerablemente, el crecimiento desmesurado del precio del gas natural hace que el ahorro con el uso de bombas de calor ascienda a más de 3 millones de euros. • Respecto los años futuros, la tendencia es que disminuyan los costes, manteniendo nuevamente ahorros entre 100 y 600 mil euros anuales en 2024 y 2026 con el uso de bombas de calor. • En 2025 el coste del uso de las bombas de calor es ligeramente superior al de la caldera de gas + AA, consecuentemente, no se obtiene ahorro económico.
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 97 9. PLANIFICACIÓN En el presente capítulo, se muestra la planificación llevada a cabo para la realización del proyecto mediante el siguiente Diagrama de Gantt fragmentado en dos partes para su correcta visualización: Figura 55: Diagrama de Gantt del documento, parte 1 Figura 56: Diagrama de Gantt del documento, parte 2
Pág. 98 Memoria A continuación, se presenta una leyenda con el título de cada capítulo para facilitar la interpretación del diagrama de Gantt: Número de capítulo Descripción 1 Prefacio 2 Introducción 3 Definición de bomba de calor 4 Análisis y predicción de indicadores de la red eléctrica con el uso de data science 5 Demandas de calefacción y refrigeración 6 Consumos energéticos y emisiones de CO2 7 Resultados del impacto ambiental 8 Resultados del impacto económico 9 Planificación 10 Estudio económico 11 Estudio ambiental 12 Estudio social 13 Conclusiones 14 Bibliografía Tabla 27: Leyenda de los capítulos del documento
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 99 10. ESTUDIO ECONÓMICO En el presente capítulo, se realizará el estudio económico correspondiente a la realización del proyecto. De este modo, se analizarán los costes relacionados con las horas de ingeniería, costes operativos y otros tipos de gastos. Finalmente se presentará el resumen económico del proyecto en formato tabla. 10.1. Costes horas de ingeniería Contabilizando los días y horas trabajadas en el proyecto, y asumiendo una tarifa de 15€/hora por los servicios de ingeniería prestados, se recoge la siguiente tabla: Mes (desglosado por semanas) Días trabajados Horas trabajadas Coste horas de ingeniería Julio 7 14 210 € Semana 27: 1/07/2024 - 7/07/2024 3 6 90 € Semana 28: 8/07/2024 - 14/07/2024 4 8 120 € Septiembre 12 46 690 € Semana 38: 16/09/2024 - 22/09/2024 5 20 300 € Semana 39: 23/09/2024 - 29/09/2024 5 20 300 € Semana 40: 30/09/2024 - 6/10/2024 2 6 90 € Octubre 22 105 1575 € Semana 40: 30/09/2024 - 6/10/2024 4 20 300 € Semana 41: 7/10/2024 - 13/10/2024 6 25 375 € Semana 42: 14/10/2024 - 20/10/2024 5 25 375 € Semana 43: 21/10/2024 - 27/10/2024 4 20 300 € Semana 44: 28/10/2024 - 3/11/2024 3 15 225 € Noviembre 18 90 1350 € Semana 44: 28/10/2024 - 3/11/2024 1 5 75 € Semana 45: 4/11/2024 - 10/11/2024 4 20 300 €
Pág. 100 Memoria Semana 46: 11/11/2024 - 17/11/2024 6 25 375 € Semana 47: 18/11/2024 - 24/11/2024 3 25 375 € Semana 48: 25/11/2024 - 1/12/2024 4 15 225 € Diciembre 19 99 1485 € Semana 49: 2/12/2024 - 8/12/2024 6 30 450 € Semana 50: 9/12/2024 - 15/12/2024 5 25 375 € Semana 51: 16/12/2024 - 22/12/2024 6 30 450 € Semana 52: 23/12/2024 - 29/12/2024 2 14 210 € Semana 53: 30/12/2024 - 5/01/2025 0 0 0 € Enero 11 65 975 € Semana 1: 30/12/2024 - 5/01/2025 2 10 150 € Semana 2: 6/01/2025 - 12/01/2025 4 25 375 € Semana 3: 13/01/2025 - 19/01/2025 5 30 450 € TOTAL: 89 días 419 horas 6285 € Tabla 28: Coste horas de ingeniería por meses 10.2. Costes operativos En este apartado se considerarán los gastos relacionados con electricidad y agua consumida. 10.2.1. Electricidad: Los dispositivos que requieren de un consumo eléctrico utilizados para la realización del proyecto son los siguientes: • Portátil MSI Prestige 14 A11SCS-038ES, 15-90W. • Monitor ASUS TUF Gaming VG249Q3, 39,9W. • Luz LED, 24W. • Estufa eléctrica DR.PREPARE, 600W. Con las potencias de los dispositivos y las horas de uso de cada uno de ellos se
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 101 encontrarán los consumos energéticos en kWh. Como se ha demostrado en el proyecto, el precio del €/kWh varía según la hora del día. Este estudio se ha realizado mayoritariamente durante la tarde, aunque en algunos días también se ha realizado por la mañana y en horas nocturnas. De este modo, se ha seleccionado un precio medio de 0,115 €/kWh para todas las horas consideradas. Dispositivo utilizado Potencia (W) Horas de uso Consumo (kWh) Coste Portátil MSI 52,50 419 22,00 2,53 € Monitor ASUS 39,90 419 16,72 1,92 € Luz LED 24,00 419 10,06 1,16 € Estufa eléctrica 600,00 30 18,00 2,07 € TOTAL: 66,77 7,68 € Tabla 29: Costes operativos: consumos de electricidad según el dispositivo Se ha considerado una potencia media de 52,5W del portátil MSI, dentro del rango 1590W, dado que la realización del proyecto no presenta un coste computacional muy elevado. Cabe destacar que el portátil, el monitor y la luz LED han sido utilizados durante todo el proyecto, mientras que la estufa eléctrica ha sido utilizada únicamente en 30 horas durante el mes de noviembre y diciembre. 10.2.2. Agua El consumo de agua para la realización del proyecto está relacionado con las necesidades básicas del redactor durante su ejecución, principalmente aquellas vinculadas con el uso del cuarto de baño. El consumo medio de agua por persona en una vivienda es de 142 litros/día, lo que equivale a 5,9 litros/hora. De este total, aproximadamente un 73% se utiliza en el cuarto de baño. Dentro de este espacio, el 39% del consumo va asociado al uso del inodoro y gasto de agua que son las que se consideraran [27]. Consecuentemente, el consumo de agua para este proyecto será 5,9 l/h · 0,73 · 0,39, resultando en 1,68 l/h, o 0,00168 m3/h. Según el estudio de Tarifas de 2022 [28], el precio medio de agua para uso doméstico en España es de 1,97€/m3, valor que se utilizará para calcular los costes de agua del presente estudio recogidos en la Tabla 30.
Pág. 102 Memoria Mes Horas trabajadas Consumo de agua (m3) Coste Julio 14 0,0235 0,05 € Septiembre 46 0,0773 0,15 € Octubre 105 0,1764 0,35 € Noviembre 90 0,1512 0,30 € Diciembre 99 0,1663 0,33 € Enero 65 0,1092 0,22 € TOTAL: 0,7039 m3 1,39 € Tabla 30: Costes operativos: consumo mensual de agua 10.3. Costes adicionales Adicionalmente se deben considerar otro tipo de costes recogidos en el presente apartado. Descripción Cantidad/Uso Coste unitario Coste total Licencia Microsoft 365 6 meses 5,60 € 33,60 € Tarjeta transporte público t-Jove 2 unidades 35,29 € 70,58 € Pack 80 hojas miquelrius 1 unidad 5,85 € 5,85 € Productos de escritura 1 unidad 2,55 € 2,55 € Garrafa 8l agua Ribes 8 unidades 1,65 € 13,20 € Antivirus Equipo amortizado 19,99 € 0 € Portátil MSI Equipo amortizado 1.124,75 € 0 € Monitor ASUS Equipo amortizado 129,50 € 0 € Luz LED Equipo amortizado 25,40 € 0 € Estufa eléctrica Equipo amortizado 39,99 € 0 € TOTAL: 125,78 €
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 103 Tabla 31: Costes adicionales Los costes unitarios han sido considerados sin el IVA. 10.4. Resumen costes totales Descripción Cantidad Coste unitario Total, sin IVA Total, con IVA Costes horas de ingeniería 419 h 15 €/hora 6.285 € 7.605 € Costes operacionales (electricidad) 66,77 kWh 0,115 €/kWh 7,68 € 9 € Costes operacionales (agua) 0,7039 m3 1,97 €/m3 1,39 € 2 € Costes adicionales - - 125,78 € 152 € TOTAL: 6.420 € 7.768,02 € Tabla 32: Costes totales El precio total del estudio con IVA (21%) asciende a 7.768,02 €.
Pág. 104 Memoria 11. ESTUDIO AMBIENTAL Tal y como se ha indicado en el presente trabajo, el camino hacia una sociedad sostenible es un objetivo fundamental de la sociedad. Por ello, es necesario determinar también el impacto ambiental que ha conllevado la realización de este estudio. A continuación, se detalla dicho impacto en distintos ámbitos: • Energía total consumida: considerando la potencia de los distintos dispositivos eléctricos mencionados en el estudio económico y sus respectivas horas de uso, el consumo energético asciende a 66,77 kWh. • kg de CO2 emitidos: la única fuente relacionada con la huella de carbono de este proyecto es aquella relacionada con el consumo energético de los dispositivos eléctricos. Como se ha ido mencionando a lo largo del informe, para determinar estas emisiones de CO2, es necesario considerar el valor del indicador kgCO2/kWh, el cual varía según la hora del día. No obstante, como el proyecto se ha realizado en distintos momentos a lo largo de los meses, se ha decidido utilizar el valor promedio de las predicciones realizadas para el 2024, que corresponde a 0,1137 kgCO2/kWh. 𝐻𝑢𝑒𝑙𝑙𝑎 𝑑𝑒 𝑐𝑎𝑟𝑏𝑜𝑛𝑜 =0,1137 𝑘𝑔𝐶𝑂2 𝑘𝑊ℎ · 66,77 𝑘𝑊ℎ= 7,591 𝑘𝑔𝐶𝑂2 • Agua consumida: el consumo de agua se ha calculado anteriormente llegando a un total de 0,7039m3 No se presentan residuos tóxicos ni ningún otro tipo de contaminante que pueda generar este trabajo.
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 105 12. ESTUDIO SOCIAL Todo proyecto científico y tecnológico no solo debe abordar cuestiones técnicas, económicas y medioambientales, sino también debe asegurar que este sea inclusivo y promueva la igualdad de género. El presente estudio, enfocado en las emisiones de CO2 generadas por las bombas de calor, no es una excepción. Un aspecto central de este proyecto es su enfoque inclusivo. La inclusión no solo se refiere a la accesibilidad física o social, sino también a garantizar que los resultados de un proyecto sean equitativos y beneficiosos para cualquier persona que se pueda ver involucrada, independientemente de su género, nivel socioeconómico, origen ético, etc. En este sentido, el proyecto ha sido realizado para ofrecer información y resultados en el que todas las personas, sin excepción, puedan beneficiarse. El proyecto también es de vital importancia a nivel de concienciar a la gente sobre la situación del cambio climático. En este se busca dar a conocer las cantidades exactas de CO2 que se emiten y se emitirán con el uso de bombas de calor en el sector residencial de Barcelona, contribuyendo a aumentar la conciencia pública sobre el impacto de nuestras acciones cotidianas relacionadas con la calefacción y refrigeración. Conocer las cifras de las emisiones de CO2 de las bombas de calor y compararlas con otros sistemas convencionales, como las calderas de gas, no solo favorece a la conciencia pública respecto la importancia del cambio climático, sino también da a conocer las bombas de calor, un sistema de calefacción y refrigeración que se ha ido popularizando en los últimos años, no solo por sus bajas emisiones, sino también por su alta eficiencia energética y económica. En conclusión, el presente estudio tiene una dimensión social crucial, al dar a conocer las bombas de calor como sistema energético con emisiones de CO2 inferiores frente otros sistemas, destacando también la importancia del origen de la electricidad en el impacto ambiental. Adicionalmente, el proyecto tiene un enfoque inclusivo promoviendo el beneficio de este para todos, sin discriminación alguna.
Pág. 112 Memoria Hora Enero Febrero Marzo Abril Junio Julio Agosto Septiembre Noviembre Diciembre 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 7 1357,67 1360,16 710,46 352,34 0,00 0,00 0,00 0,00 552,85 999,15 8 1264,99 1253,96 651,22 312,40 0,00 0,00 0,00 0,00 519,84 934,55 9 1127,74 1097,31 541,68 257,09 0,00 0,00 0,00 0,00 451,61 834,49 10 1004,40 964,91 470,51 225,55 0,00 0,00 0,00 0,00 392,40 735,69 11 937,93 887,16 431,91 210,00 0,00 0,00 0,00 0,00 361,51 679,54 12 893,92 843,63 413,47 200,64 227,92 428,93 449,16 220,81 347,44 653,19 13 849,77 799,01 391,56 186,49 286,93 543,12 567,52 276,76 332,07 629,36 14 827,73 778,63 383,01 180,22 335,20 639,18 663,85 326,17 327,90 629,60 15 797,81 750,09 368,95 173,89 514,00 977,67 1018,97 510,39 324,31 620,16 16 774,63 723,69 353,40 164,96 1012,85 1305,14 1616,93 1105,14 329,20 618,89 17 1235,51 818,59 284,38 81,53 965,72 1187,14 1472,93 1041,05 368,17 683,14 18 1204,36 979,25 325,14 88,23 249,97 705,31 665,09 248,52 422,44 677,30 19 1084,37 1030,33 400,65 130,26 197,62 654,82 595,32 155,54 439,48 672,64 20 1068,64 943,15 403,75 136,49 121,31 561,08 505,97 99,72 429,72 658,27 21 784,50 697,99 247,36 95,79 101,59 568,76 485,11 84,71 249,35 464,93 22 968,75 957,42 403,26 162,43 110,57 450,89 379,77 71,80 387,05 583,65 23 0 0 0 0 0 0 0 0 0 0 Tabla 34: Emisiones futuras promedias mensuales por hora del día de las bombas de calor
Uso de data science en el impacto ambiental histórico y futuro de las bombes de calor Pág. 113 Hora Enero Febrero Marzo Abril Junio Julio Agosto Septiembre Noviembre Diciembre 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 7 1418,25 1096,11 873,35 609,14 0 0 0 0 691,64 1144,70 8 1346,81 1030,35 799,50 561,93 0 0 0 0 654,36 1083,84 9 1203,49 898,84 686,38 480,69 0 0 0 0 570,62 966,31 10 1050,21 781,24 591,04 412,89 0 0 0 0 493,76 834,06 11 979,71 720,98 546,29 377,35 0 0 0 0 457,14 774,22 12 943,39 690,86 525,76 355,47 278,35 449,55 471,46 237,49 441,58 743,00 13 889,27 653,53 498,23 332,58 349,45 562,21 588,62 297,95 419,18 709,83 14 872,14 640,93 486,03 319,35 414,33 659,66 689,12 352,03 411,76 703,79 15 848,37 621,86 468,86 306,56 628,37 996,08 1041,53 534,65 410,50 702,95 16 825,78 605,79 451,37 286,70 1210,94 1305,96 1632,04 1118,59 418,27 707,38 17 1310,95 694,61 365,65 141,02 1130,43 1182,85 1438,35 1022,70 467,82 779,35 18 1287,37 864,36 426,75 149,00 291,46 685,90 628,44 243,98 527,52 766,46 19 1117,44 862,41 502,46 220,78 229,01 638,70 581,46 161,71 545,95 757,32 20 1096,59 776,82 489,16 237,43 145,96 568,97 527,79 105,54 528,21 737,24 21 828,59 589,73 309,94 172,17 125,97 614,07 527,24 93,52 316,07 535,63 22 1037,15 820,22 517,81 304,39 138,68 481,85 413,24 81,34 497,92 675,22 23 0 0 0 0 0 0 0 0 0 0 Tabla 35: Emisiones históricas recientes horarias promedias según el mes del año de las bombas de calor
Pág. 114 Memoria