conuee – inecc – gopa - giz - gob.mx · contenido temático. página 3. implementado por....
TRANSCRIPT
Página 1
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Benchmarking de EficienciaEnergética a Centros Médicos, Escuelas y Hoteles
Conuee – INECC – GOPA - GIZ
25 de agosto de 2014
Héctor Juárez
Página 2
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Antecedentes
Integración de Base de Datos
Inmuebles analizados para determinar algoritmos de desempeño energético
Modelos estadísticos obtenidos
Conclusiones
Próximos pasos
Benchmarking de Eficiencia Energética en InmueblesCentros Médicos, Escuelas y Hoteles
Contenido Temático
Temario
Página 3
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
En seguimiento al Benchmarking realizado para
inmuebles de Oficinas y Bancos, en donde se
tiene una herramienta en Excel para calificar el
desempeño energético a través de modelos
estadísticos que basan su operación en
procedimientos de Energy Star®, se decidió
conjuntamente (Conuee, INECC y GOPA-GIZ)
enfocar esfuerzos en el desarrollo los modelos
de desempeño energético para calificar
inmuebles de Centros Médicos y Escuelas de la
APF y Hoteles.
Se identificaron 102 Centros Médicos, 167
Escuelas y 423 Hoteles que presentaron
información suficiente para realizar los análisis
estadísticos correspondientes.
Antecedentes
Página 4
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Centros Médicos “CM”: Inmuebles destinados a los servicios de salud (BD
de la Conuee): Centros de Salud, Clínicas, Unidades de Medicina Familiar
del IMSS y Centros Médicos; con excepción de Hospitales o Centros
Médicos especializados.
Escuelas: inmuebles que integran la BD de la Conuee: Educación
Elemental, Educación Media Superior, Educación Superior, Centros de
Capacitación e Institutos Científicos y Tecnológicos
Consideraciones
Antecedentes
Página 5
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Principales Escuelas registradas en el programa de EE de la APF (Conuee)
Antecedentes
Educación Elemental: Guarderías, CENDI
Educación Media Superior:
Centro de Estudios Científicos y Tecnológicos IPN, CECyT
Centro de Desarrollo de Talentos Deportivos y Alto Rendimiento
Centro de Educación y Capacitación Forestal
Centro de Enseñanza Técnica Industrial
Centro de Estudios Técnicos
Colegio de Bachilleres
CONALEP
Educación Superior: ESIME, Superior de Enfermería, Superior de Medicina
Centros de Capacitación e Institutos Científicos y Tecnológicos
Página 6
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Consideraciones
Se verificó el estatus de las BD y se estructuraron para realizar los análisis estadísticos
Se identificó la información existente en las BD en función del análisis de Energy Star
Se determinó e integro a las BD los CDD y HDD
Se empleó la herramienta de CONAVI
Se generó una BD por Entidad Federativa y Ciudad con sus CDD y HDD
Se analizó la calidad de información de las BD y se corrigieron inconsistencias
Nombres de los estados y municipios
Se indica de manera incorrecta sí cuentan con AA
Existían errores de captura en los consumos de energía
Existían errores en la clasificación designada para el tipo de inmueble
Conuee solicitó la corrección y/o modificación de inconsistencias (por oficios y correo electrónico)
CM Escuelas HotelesIntegración
Integración Bases de Datos
Página 7
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Variables Energy Star Vs. variables disponibles en la BD de la APF para Centros Médicos
Integración Bases de Datos
CM Escuelas HotelesIntegración
Página 8
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Variables Energy Star Vs. variables disponibles en la BD de la APF para Escuelas
Integración Bases de Datos
CM Escuelas HotelesIntegración
Página 9
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Información energética de Hoteles1
Hoteles de categorías 2 y 3 estrellas (PyME)
Capacidad de 100 a 250 habitaciones
Caracterización de consumos de Energía Eléctrica y Térmica
Información obtenida de 13 destinos turísticos y 6 zonas
climáticas
La información energética recopilada corresponde con la
información que analiza Energy Star
Los primeros análisis estadísticos realizados por INECC
indican que es posible obtener un algoritmo para calificar el
desempeño energético de Hoteles
1 Información proporcionada por la componte NAMA PyME de GIZ
Integración Bases de Datos
CM Escuelas HotelesIntegración
Página 10
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Destinos turísticos y zonas climáticas de los Hoteles1
1 Información proporcionada por la componte NAMA PyME de GIZ
Integración Bases de Datos
CM Escuelas HotelesIntegración
Página 11
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Variables de los Hoteles (NAMA PyME)
Clasificación del hotel
Entidad/Municipio
No. de habitaciones
Promedio de ocupación anual (%)
No. de habitaciones ocupadas
Año de operación
Año de construcción
Horas de operación (h/día)
Empleados turno principal
Servicio de cocina
Servicio de lavandería en el sitio
Servicio de Spas
Servicio de gimnasio
Servicio de Alberca
Servicio centro de negocios
Área total construida (m2)
Tarifa
kWh/año
Zona climática
ANUAL HDD65
ANUAL CDD65
Integración Bases de Datos
CM Escuelas HotelesIntegración
Página 12
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
En la revisión preliminar sólo había 79 Centros Médicos con información relevante para el análisis estadístico y se logró obtener con apoyo
de la Conuee, una BD de 102 Centros Médicos con datos consistentes
En la revisión preliminar había 167 Escuelas con información relevante para el análisis estadístico y sólo se logró obtener únicamente una
BD de 134 escuelas con datos consistentes con apoyo de la Conuee
Inmuebles yalgoritmos
Inmuebles analizados para determinar algoritmos de desempeño energético Centros Médicos
y Escuelas
CM y E ENMS Hoteles
Página 13
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
@ Educación Elemental, Institutos Científicos y Escuelas de Nivel Superior de la base de datos de la APF
& Centro de Estudios Científicos y Tecnológicos (CECyT), Preparatorias, CONALEP, Colegio de Bachilleres, e inmuebles en donde se
imparta Educación de Nivel Medio Superior
Análisis estadísticos independientes de Escuelas APF
Derivado del análisis de la calidad de información y los análisis estadísticos independientes que
se realizaron para cada tipo de Escuelas, así como las diferencias significativas de los
consumos de energía y las variables contenidas en 85 de 134 Escuelas@ de la base de datos de
la APF, se decidió conjuntamente con Conuee e INECC, enfocar únicamente los esfuerzos
en el desarrollo del algoritmo de desempeño energético de las Escuelas de Nivel Medio
Superior (ENMS)&
NOTA: No fue posible obtener el algoritmo de desempeño energéticos para Escuelas de Educación
Elemental, Institutos Científicos y Escuelas de Nivel Superior, debido a que la información de
consumos de energía y variables clave presentaron datos muy heterogéneos entre las diferentes
tipologías
Inmuebles yalgoritmos
CM y E ENMS Hoteles
Página 14
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
& Centro de Estudios Científicos y Tecnológicos (CECyT), Preparatorias, CONALEP, Colegio de Bachilleres, e inmuebles en donde se
imparta Educación de Nivel Medio Superior
49 Escuelas de Nivel Medio Superior
presentaron la mayor cantidad de
variables a analizar con los
procedimientos de Energy Star®
El 80% de las Escuelas analizadas se
ubican en el Distrito Federal y Estado de
México, 14% en Oaxaca, 4% en Jalisco
y 2% en Guerrero
Aspectos relevantes sobre la información de Escuelas de Nivel Medio Superior
Inmuebles yalgoritmos
CM y E ENMS Hoteles
Página 15
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos ConclusionesInmuebles y
algoritmos
CM y E ENMS Hoteles
Inmuebles analizados para determinar algoritmos de desempeño energético en Hoteles
(Modelo preliminar)
Página 16
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos ConclusionesInmuebles y
algoritmos
CM y E ENMS Hoteles
Información consistente que permitió determinar el modelo preliminar de desempeño
energético en hoteles
Página 17
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Se evalúa el desempeño eléctrico de todo el inmueble
El consumo del inmueble se evalúa de acuerdo a la facturación
eléctrica real
La evaluación normaliza las características operativas del inmueble
La evaluación se basa en grupo de datos de inmuebles del mismo tipo
Inmuebles con puntuaciones mayores o iguales a 75 puntos son
considerados como eficientes
Inmuebles con puntuaciones menores a 75 puntos, son considerados
como ineficientes y por lo tanto con potenciales de ahorro energético y
reducción de gases de efecto invernadero
Criterios de evaluación de los modelos desarrollados en conjunto con Conuee e INECC para
calificar el desempeño energético de los inmuebles:
Modelosestadísticos
CM ENMS HotelesCriterios
Página 18
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Modelo para evaluar el desempeño energético de Centros Médicos
ln (kWh/año) = C0 + C1*ln(m2) + C2*ln(Per) + C3*GDC + C4*GDR + C5* hr/semana
El modelo tiene un coeficiente de determinación de 0.6789 e indica que este modelo explica el 67.89% de la varianza en el consumo anual de energía eléctrica en los Centros Médicos
Modelosestadísticos
CM ENMS HotelesCriterios
Página 19
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Variables explicativas que influyen en el consumo de energía en los Centros Médicos
(Modelo Conuee-INECC-GIZ)
Superficie construida en metros cuadrados
Número de personas (Per)
Grados día de Refrigeración (GDR)
Grados día de Calefacción (GDC)
Tiempo de operación (hr/Semana)
NOTA:
El resultado del modelo estadístico muestra
que el comportamiento de los Centros
Médicos es similar inmuebles de Oficinas
Resultado estadístico “Medical Office Building”
(ENERGY STAR)
Modelosestadísticos
CM ENMS HotelesCriterios
Página 20
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Modelo para evaluar el desempeño energético de las Escuelas de Nivel Medio Superior
kWh/m2-año = C0 + C1*ln(m2) + C2*Per + C3*HDD + C4*hr/día
El modelo tiene un coeficiente de determinación de 0.5138 e indica que este modelo explica el 51.38% de la varianza en el consumo anual de energía eléctrica en estas Escuelas
Modelosestadísticos
CM ENMS HotelesCriterios
Página 21
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Variables explicativas que influyen en el consumo
de energía de las Escuelas de Nivel Medio Superior
(Modelo Conuee-INECC-GIZ)
Tiempo de operación del inmueble (hr/día)
Grados día de Calefacción (GDC ó HDD)
Número de personas por cada 100 m2
Logaritmo natural de la superficie construida en m2
NOTA:
Las características de las Escuelas analizadas por Energy Star® son
muy diferentes a las Escuelas Primarias, Secundarias y Escuelas de
Nivel Medio Superior en México, por lo que se descartaron en el
análisis estadístico las siguientes variables: número de cuartos
frigoríficos por superficie y el uso de energía para cocinar
Technical Methodology for K-12 School
(ENERGY STAR)
Modelosestadísticos
CM ENMS HotelesCriterios
Página 22
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Modelo preliminar (317 hoteles) para evaluar el desempeño energético de Hoteles
kWh/m2-año = C0 + C1*Cuartos cada 100 m2 + C2*HDD + C3*CDD + C4*refrigeradores cada 100 m2
El modelo tiene un coeficiente de determinación de 0.7732 e indica que este modelo explica el 77.32% de la varianza en el consumo anual de energía eléctrica en Hoteles
Modelosestadísticos
CM ENMS HotelesCriterios
Página 23
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Variables explicativas que influyen en el consumo
de energía de los Hoteles
(MODELO PRELIMINAR Conuee-INECC-GIZ)
Cuartos por cada 100 m2
HDD
CDD
Refrigeradores por cada 100 m2
Technical Methodology for Hotel
(ENERGY STAR)
Modelosestadísticos
CM ENMS HotelesCriterios
Página 24
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Conclusiones
Se obtuvieron modelos para calificar el desempeño energético con los siguientes inmuebles
102 Centros Médicos
49 Escuelas de Nivel Medio Superior de la APF
317 Hoteles (modelo preliminar)
Se ha trabajado adecuadamente en el desarrollo de los modelos para evaluar el desempeño
energético de los inmuebles de Oficinas, Bancos, Centros Médicos, Escuelas y Hoteles; en
donde se emplea la información que tenemos actualmente en México, como lo es la BD del
programa de ahorro de energía de la Conuee, datos promedios históricos de los GDR y GDC, y
recomendaciones de ahorro de energía basadas en diagnósticos energéticos para inmuebles del
mismo tipo
Conclusiones
Página 25
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
Próximos pasos
Desarrollar la aplicación de la herramienta en Internet e Intranet (Portal en línea), integrando las
herramientas desarrolladas para Oficinas, Centros Médicos (y Hoteles)
Integrar a la plataforma de recepción de datos de la Conuee, la base de datos con los nombres
de entidades federativas, municipios y localidades
Incrementar la calidad de información ingresada por los usuarios
Integrar la información requerida (en los sistemas actuales de captura) para realizar análisis estadísticos
de acuerdo con el tipo de inmueble
Próximos pasos
Página 26
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones Próximos pasos
Próximos pasos
Implementar una estrategia para recolección de datos de hoteles
Implementar el sistema de Benchmarking y analizar si es necesario hacer pruebas para calibrar
los modelos desarrollados
Es recomendable aplicar los modelos tanto en inmuebles del sector público y privado
Es necesario obtener retroalimentación de los usuarios
La disponibilidad del portal en línea apoyará la aplicación de los modelos
Página 27
Implementado por
Temario Próximos pasosAntecedentes Integración Bases de Datos
Inmuebles yalgoritmos
Modelosestadísticos Conclusiones
¡Gracias por su atención!Equipo de Eficiencia Energética
GIZ (Cooperación Alemana al Desarrollo)Tel. +52-55-3000 1000 Ext. 1312 (Conuee)Tel. +52 55 5550-5967 (Conuee)
Internet: www.giz.de www.gtz.de/mexico