En aquest article, aprendràs com utilitzar la funció de Diagnòstic de Línies Base dins de la Calculadora de Línies Base, disponible a la secció M&V de la plataforma.
Contingut d’aquest article:
Introducció
La funció de Diagnòstic de Línies Base et permet avaluar la fiabilitat estadística de les línies base creades amb la funció Calculadora de Línies Base.
Requisits
Per poder utilitzar aquesta funció, necessites tenir llicències Advanced o Ultimate. S’apliquen els mateixos permisos que es requereixen per utilitzar la funció Calculadora de Línies Base.
També hauràs de crear una línia base per poder activar la seva avaluació estadística.
Com funciona?
Quan calcules una línia base, la plataforma avalua automàticament la seva salut estadística. Aquests diagnòstics complementen mètriques com R² i R² ajustat comprovant si el model té prou dades fiables, utilitza variables significatives i probablement funcionarà de manera consistent.
El resultat es resumeix amb un estat general de salut de la línia base:
- OK: Totes les comprovacions completades han passat. No s’han detectat problemes de qualitat estadística.
- Avís: Almenys una comprovació ha identificat un problema que pot reduir la fiabilitat de la línia base. Revisa les recomanacions abans d’utilitzar el model.
- Crític: S’ha detectat almenys un problema crític. La línia base pot no ser fiable i s’hauria de revisar abans d’utilitzar-la per als càlculs d’estalvi o un projecte M&V.
Un resultat crític té prioritat sobre els avisos. Alguns diagnòstics poden no ser aplicables a un model concret, com per exemple, les comprovacions que requereixen variables d’entrada no es poden realitzar quan el model només conté una constant.
Revisió del diagnòstic de la línia base
Per visualitzar els problemes, has de fer clic a "Veure problemes".
Això habilitarà un menú a la dreta que mostrarà la secció de Diagnòstic de línies base. Mostra el resultat de cada comprovació. Cada targeta de diagnòstic inclou:
- El nom de la comprovació.
- Una descripció del problema detectat.
- Una acció recomanada per ajudar a millorar la línia base.
- Informació tècnica addicional, quan sigui rellevant.
Les comprovacions que han passat també inclouen una breu explicació que confirma quina condició del model ha estat validada.
Després de revisar un avís o un problema crític, actualitza la configuració rellevant de la línia base i selecciona Calcula línia base de nou. El diagnòstic es repetirà utilitzant la nova configuració.
Què es comprova?
La plataforma realitza fins a 11 comprovacions estadístiques:
1. Graus de llibertat
Comprova si el període de referència conté prou dades en comparació amb el nombre de paràmetres que utilitza el model.
Si apareix un avís, amplia el període de referència per incloure més dades o redueix el nombre de variables seleccionades.
2. Ràtio de mida de mostra
Comprova si hi ha prou punts de dades per variable d’entrada per obtenir estimacions fiables.
Si apareix un avís, amplia el període de referència o redueix el nombre de variables candidates.
3. Correlació
Comprova si les variables d’entrada estan massa correlacionades entre elles. Les variables altament correlacionades dificulten determinar l’efecte individual de cada variable sobre el consum d’energia.
Si apareix un avís, elimina una de les variables redundants, especialment quan dues variables representen efectes meteorològics o operatius similars, i recalcula la línia base.
4. Distribució de l’error
Comprova si les diferències entre el consum real i el consum predicte estan distribuïdes de manera uniforme. Una distribució inusual pot indicar valors atípics, períodes d’operació anormals o patrons de consum que el model no captura.
Si apareix un avís, revisa el període de referència per a tancaments, canvis operatius, valors atípics o altres dades no representatives. Pots excloure aquests períodes a Opcions de càlcul > Períodes a descartar.
5. Cap variable significativa
Comprova si el model calculat conté variables d’entrada significatives. Un model només amb constant utilitza el consum mitjà perquè cap de les variables seleccionades explica suficientment el patró de consum.
Si apareix un problema crític, revisa les variables candidates i considera afegir més factors rellevants d’energia, com ara dades meteorològiques, de producció, d’ocupació, del calendari o del programa d’operació.
6. Qualitat del model
Comprova si les variables seleccionades expliquen el consum d’energia millor que simplement utilitzar el consum mitjà.
Si apareix un problema crític, revisa si les variables seleccionades representen el comportament energètic real del lloc. Considera afegir variables més informatives o ampliar el període de referència.
7. Compliment de la cerca
Comprova si la plataforma ha pogut analitzar totes les combinacions rellevants de variables candidates dins del temps de càlcul disponible.
Si apareix un avís, s’ha trobat un bon model, però pot existir una millor combinació. Redueix el nombre de variables candidates i prioritza aquelles amb una relació física o operativa clara amb el consum d’energia.
8. Disponibilitat de dades
Comprova la integritat de les dades utilitzades per les variables objectiu i d’entrada. Les lectures que falten de variables incloses en el model poden reduir la seva precisió o fer que la línia base no sigui fiable.
Depenent de la quantitat de dades que falten i si la variable afectada és utilitzada pel model, aquesta comprovació pot retornar un avís o un resultat crític.
Revisa els dispositius o fonts de dades afectades per trobar buits, comptadors fora de línia, problemes de sensors o problemes d’integració. També pots seleccionar un període de referència amb dades més completes.
9. Sobreajustament
Comprova si el model s’ajusta massa de prop a les dades del període de referència o si funciona malament quan s’aplica a dades de verificació. Un model sobreajustat pot representar variacions aleatòries en lloc de patrons repetibles de consum d’energia.
Aquest diagnòstic considera el R² del model, la diferència entre R² i R² ajustat i, quan hi ha dades de verificació disponibles, el seu error de predicció.
Depenent de la gravetat del problema, aquesta comprovació pot retornar un avís o un resultat crític. Considera simplificar el model reduint el nombre de variables o ampliant el període de referència per incloure dades més representatives.
10. Linealitat
Comprova si un model lineal representa adequadament la relació entre les variables d’entrada i el consum d’energia.
Si apareix un avís, pot ser que el model no inclogui efectes no lineals, comportament estacional o diferents modes d’operació. Considera afegir termes quadrats o interaccions entre variables rellevants a Interaccions de paràmetres. Revisar les variables de grau-dia o separar diferents períodes d’operació també pot ajudar.
11. Variància de l’error
Comprova si la mida dels errors de predicció del model roman consistent a través de diferents nivells de consum.
Si apareix un avís, les prediccions poden ser menys fiables durant períodes de consum alt o baix. Revisa les dades per valors atípics, tancaments, canvis en la producció o condicions d’operació inusuals. També pots ajustar el període de referència, revisar les variables seleccionades o descartar períodes no representatius.
Millorar la línia base
Un avís no significa necessàriament que la línia base no es pugui utilitzar, però identifica una condició que pot afectar la seva fiabilitat. Els problemes crítics requereixen una revisió més detallada perquè poden tenir un impacte més gran en el consum predicte i els càlculs d’estalvi resultants.
Quan facis canvis, considera el comportament físic i operatiu del lloc. Una línia base estadísticament saludable també hauria de tenir sentit des d’una perspectiva de gestió energètica.
Repeteix el càlcul després de cada canvi rellevant i compara el nou estat de salut, la fórmula i les mètriques de rendiment abans de seleccionar la línia base per al teu projecte M&V.
Preus
Aquesta funció està inclosa amb les llicències Advanced o Ultimate .