Presentamos a los detectives energéticos de Carnegie Mellon

Vivian Loftness está obsesionada con la sustentabilidad y el desempeño de los edificios. Después de vivir en muchas ciudades diferentes alrededor del mundo —desde su ciudad natal de Estocolmo, hasta sus primeros años en Los Ángeles y París, hasta sus estudios y trabajos en Boston, Helsinki, Nueva York, Colonia, Atenas, Ottawa y, finalmente, Pittsburgh, donde es docente en la Facultad de Arquitectura de la Universidad de Carnegie Mellon— Loftness ha observado de cerca más de unos cuantos edificios.

La singular pasión de Loftness se centra en el diseño arquitectónico sustentable y en la necesidad de reducir los edificios de nuestro mundo a un “punto cero” en el cual tengan la huella energética más pequeña posible sin sacrificar la comodidad. No es tarea fácil, y es un problema tanto tecnológico como arquitectónico. No obstante, los avances en tecnología como el cómputo en la nube, el análisis de datos y los servicios como el Aprendizaje de Máquina Azure de Microsoft están ayudando a Loftness y a dos investigadores del Centro de Diagnóstico y Desempeño de Edificios de Carnegie Mellon a descifrar poco a poco el código, un edificio a la vez, y en maneras antes inconcebibles.

La “Oficina Inteligente” — Donde inicia el recorrido de los datos

La Oficina Inteligente Robert L. Preger, ubicada en lo alto del Margaret Morrison Carnegie Hall, es el lugar donde Loftness y 30 investigadores y estudiantes analizan el impacto de los factores que determinan la calidad de los ambientes construidos. La luz natural domina este espacio, al que llaman “el laboratorio viviente”, la cual llega en torrentes a través de tragaluces y muro tras muro de ventanas expansivas que ofrecen vistas espectaculares del campus de la universidad. Los estudiantes investigadores ocupan espacios abiertos y compartidos. Los modelos de edificios en madera se encuentran en mesas de trabajo que, al igual que el resto de los muebles y las paredes del laboratorio, se pueden reacomodar y mover —todo en cuestión de minutos—. Hay plantas por todas partes, y si observas con atención, varias están cableadas con sensores, así como las paredes y los techos de este espacio de trabajo “viviente”.

Los investigadores principales, Bertrand Lasternas y Azizan Aziz, trabajan con Loftness y comparten su pasión por asumir uno de los problemas más graves que enfrenta nuestra generación: ¿Cómo construir edificios de bajo consumo energético? Las estadísticas son alarmantes. Casi el 70% de toda la electricidad en Estados Unidos se consume por las operaciones de los edificios: sistemas de calefacción y aire acondicionado, luz, ventilación y aparatos eléctricos conectados. Para estos investigadores, el camino empezó con preguntas muy sencillas: ¿Cómo puedes proporcionar a la gente que trabaja en edificios un ambiente confortable utilizando la menor cantidad de energía posible? ¿Cómo puedes responsabilizar a la gente de su propia huella energética? ¿Cómo puede la tecnología ayudar en ese camino?

Entender los datos de los edificios

Al igual que un equipo de investigadores que analiza metódicamente la evidencia en la escena del crimen, estos detectives de la energía han aprendido a capturar los datos de los edificios ubicados en el campus de Carnegie Mellon. Se encuentran a la mitad del camino: han extraído datos de 40 edificios, y faltan unos 25 más.

Los datos son la manera en que los edificios revelan sus secretos, y si se excluye alguno, la investigación podría salirse de curso. “Los comportamientos de los edificios que analizamos y de la gente que los ocupa son únicos, complejos y difíciles de predecir”, dice Loftness. Hay estudiantes que dejan las ventanas abiertas durante los días helados del invierno con la calefacción al máximo. Hay administradores de edificios que dejan encendidos los sistemas de aire acondicionado durante las noches frescas del verano. Hay oficinas que gozan de una luz de día brillante, pero cuyos empleados dejan las luces encendidas durante todo el día. Y también está el problema de administrar las “cosas” —termostatos, computadoras, hornos de microondas, elevadores— y de analizar los factores externos como las fluctuaciones climáticas diarias.

Tanta ineficiencia

El enorme número de variables significa una sola cosa: los edificios, así como aquellos que los habitan, son cosas vivientes. ¿Qué nos están diciendo? Más importante aún, ¿los estamos escuchando?

“No cabe duda de que ahorramos 30% en la mayoría de los edificios si sabemos en qué se consume la energía y si brindamos a los usuarios mejores maneras de ajustar sus necesidades individuales para reducir el uso de energía”, dice Loftness.

El riesgo es alto y lo es también la urgencia. Cerca del 40% de las emisiones de CO2 a nivel global las generan los edificios.

Los edificios utilizan tecnologías y productos ensamblados en cientos de manera diferentes, lo que representa literalmente millones de variaciones. Los edificios también varían en edad, con adaptaciones arquitectónicas locales que se realizan con el paso del tiempo. Y también están los ocupantes —una mezcla de personas con distintas actividades y umbrales de confort. Entender el impacto de todos esos factores requiere conocer y analizar los datos históricos. Muchos de ellos.

El reto de los datos conoce a los detectives de datos

Lograr que todos los datos capturados de los edificios funcionen juntos es como armar un rompecabezas gigantesco. Algunos edificios del campus, tales como el Gates Center, tienen cientos de sensores, mientras que otros, no tantos. Esos sensores monitorean los niveles de CO2 en distintas habitaciones, miden la distribución de temperaturas en cada piso, sala y altura, y monitorean las ventanas, los sistemas de iluminación y la carga de aparatos eléctricos conectados. Pero eso no es todo: la gente que trabaja dentro de esos edificios representa la parte más importante del latido de un edificio. Por lo tanto, estamos agregando datos de satisfacción de usuario a la mezcla con base en una encuesta a los ocupantes para poder tener una idea holística de la calidad ambiental al interior de las oficinas.

Es una tarea compleja, por decir lo menos. Lasternas y Aziz han dedicado mucho tiempo a ser detectives de datos y encontrar maneras de escuchar lo que los edificios están intentando comunicar —la historia que vive en los datos—.

Cuando Lasternas llegó a Carnegie Mellon desde Francia en el 2010 era un estudiante de Física y Química cursando una maestría en Ingeniería Mecánica y Ciencias de la Construcción. Hoy, es un experto en extraer datos de los sensores y los sistemas de administración de los edificios, tanto para entender cómo funciona un edificio como para ayudar a la gente a utilizar la energía en forma más eficiente.

Lasternas recuerda las dificultades que enfrentaron en las primeras etapas de la investigación: “Había 10 fabricantes de equipo en un solo edificio y ninguno de ellos compartía información. Entonces, ¿cómo podíamos extraer los datos? Queríamos que la gente se involucrara más en el edificio viviente, que fuera más consciente de sus patrones de uso energético”.

Con la ayuda del socio ISV Global de Microsoft, OSIsoft, Lasternas y Aziz comenzaron a utilizar su solución, el PI System, hace cuatro años. Ofrecía el “pegamento” faltante que ayudó al equipo a reunir los datos de varias fuentes, “limpiarlos”, almacenarlos en un formato común y prepáralos para el análisis histórico y en tiempo real. El PI System soporta más de 400 interfaces que se pueden conectar a los sistemas de muchos proveedores de controles y sistemas para edificios.

El descubrimiento del aprendizaje de máquina

Una vez conquistado el reto de integrar y almacenar los datos, el equipo se enfocó en el análisis —un mundo de hojas de cálculo masivas y lenguajes de programación como MATLAB para realizar cálculos grandes e iterativos—. Fue una tarea que pronto resultó imposible de llevar a cabo. “No somos científicos especializados en el manejo de datos, y los paquetes estadísticos complejos están fuera de nuestra área de experiencia”, dice Aziz.

“Una de nuestras antiguas estudiantes utilizaba MATLAB para el análisis”, recuerda. “Le tomó mucho tiempo tan solo preparar y clasificar los datos, además de que un solo proceso de análisis duraba entre 30 y 45 minutos. Es demasiado tiempo para realizar una predicción acertada de la reducción de demanda. Definitivamente, necesitábamos conducir esos análisis iterativos en tiempo real”.

El aprendizaje de máquina, la nube y las tecnologías de visualización de datos cambiaron la dinámica de su proyecto en forma drástica. “Con el Aprendizaje de Máquina Azure, el tiempo que tomaba realizar un solo proceso se redujo de 45 minutos a un instante”, dice Aziz. “Es muy divertido poder utilizar diferentes tipos de algoritmos de aprendizaje de máquina y obtener los resultados de inmediato. Podemos jugar con todas las variables y saber cuáles contribuyen en mayor medida a un cambio específico en las condiciones de un edificio”.

Dejar que los datos cuenten la historia

Para dejar que los datos cuenten su propia historia de una manera sencilla y fácil de entender, los investigadores de Carnegie Mellon crearon “tableros de control digitales” que permiten identificar las anomalías en los datos de forma mucho más sencilla. Con dichos tableros han podido resolver acertijos en los edificios que se encuentran analizando. En un caso, Lasternas recuerda: “Vimos un área inusual de baja temperatura en un edificio y nos percatamos de que alguien había dejada una ventana abierta en pleno invierno, cuando había menos 22 grados centígrados afuera”.

Según Aziz, cuando se detecta una situación extraña en el tablero, la solución es por lo general sencilla. “Le preguntamos a las personas que por qué tienen el calentador encendido si la temperatura en el exterior es de 29 grados centígrados. Resulta que no sabían que estaba encendido, porque nadie les presenta los datos con claridad“.

Contar con una perspectiva de los datos en tiempo real es maravilloso, pero la cosa se pone realmente interesante cuando cabe la posibilidad de realizar un modelo predictivo. Esta es un área en la cual las tecnologías de nube y de aprendizaje de máquina han cambiado las reglas del juego. Puesto que Carnegie Mellon está recopilando y almacenando datos históricos y en tiempo real en los edificios del campus a través de PI System, al fin tiene la capacidad de realizar un análisis predictivo utilizando el Aprendizaje de Máquina Azure en maneras innovadoras.

Uno de los primeros experimentos del equipo consistió en intentar determinar la hora ideal para subir el nivel de la calefacción a 22 grados centígrados en los edificios del campus al inicio de la jornada laboral (8 a.m.), de acuerdo con las variaciones predichas en la temperatura exterior y la luz del sol. Con el Aprendizaje de Máquina Azure, desarrollaron un modelo que analizaba meses enteros de datos sobre el uso de calefacción a partir de los registros del edificio y los relacionaba con las diferentes temperaturas durante el día y con la radiación solar anticipada. ¿El resultado? Lograron obtener un modelo personalizado de cada día para comenzar a calentar un edificio con el menor uso de energía.

“Por muy simple que parezca esta victoria, los ahorros de energía y dinero son enormes —especialmente cuando los escalas—“, comenta Lasternas. Para este grupo de investigadores, la posibilidad de ampliar esas capacidades predictivas —anticipar factores como picos en la demanda de energía y fallas de equipo para proporcionar a la gente información útil— es el aspecto en el cual su información puede tener un impacto real y amplio.

“Se trata de problemas complejos y críticos que estamos intentando resolver. Y la tecnología de nube y de aprendizaje de máquina nos está ayudando a rebasar las fronteras de lo posible en maneras que hasta hace unos cuantos años eran inconcebibles”, dice Aziz.

La energía en una encrucijada

El camino de estos defensores de la energía apenas comienza a cobrar fuerza. Algunas de sus primeras iniciativas se componen de alianzas y proyectos con el Departamento de Energía y el Departamento de Defensa de Estados Unidos, OSIsoft, la ciudad de Pittsburgh y PNC Bank, una de las instituciones de servicios financieros diversificados más grandes de Estados Unidos.

Gracias al sólido compromiso del sector público y privado con las iniciativas de diseño sustentable, Loftness considera que el movimiento de conservación de energía está alcanzando rápidamente un punto de cambio en Estados Unidos.

“El cambio climático es un problema serio, y esperamos que la administración de la energía en los edificios se eleve de su mala condición actual hacia el frente del movimiento de conservación de energía”, dice Loftness. “La tecnología nos está ayudando a generar perspectivas más claras en menos tiempo para crear un movimiento que tenga un efecto dominó en todo el país a lo largo de los próximos años, lo cual cambiará la forma en que vivimos, trabajamos y jugamos”.