Un modelo multiclasificador para la predicción de la carga de enfriamiento y calor en edificios residenciales

• Autor: Ramirez Milla, Luis Enrique
• Formato: tesis doctoral
• Fecha de Publicación: 2025
• Institución: Universidad Nacional del Santa
• Repositorio: UNS - Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uns.edu.pe:20.500.14278/5007
• Enlace del recurso: https://hdl.handle.net/20.500.14278/5007
• Nivel de acceso: acceso embargado
• Materia: Modelo multiclasificador; Carga de calor; Carga de enfriamiento; Edificios residenciales; Python; https://purl.org/pe-repo/ocde/ford#2.02.04

Esta investigación tuvo como objetivo desarrollar un modelo multiclasificador para la predicción de la carga de enfriamiento y calor en edificios residenciales, siendo de tipo aplicada, pre-experimental y de diseño experimental; cuya población estuvo compuesta por 768 edificios residenciales. Para la recopilación de los datos, se empleó el análisis documental. Dentro de los resultados obtenidos, referente a la “Carga de calefacción”, el “Modelo multiclasificador 1” logró los valores más óptimos de R2 Score de 99.75%, Mean absolute error de 0.34, Mean squared error de 0.28, Root mean squared error de 0.53, Mean absolute percentage error de 0.02, Mean squared log error de 0.001, Root mean squared log error de 0.03. Por otra parte, en la “Carga de enfriamiento”, XGBoost mostró los valores más altos de R2 Score de 99.05%, Mean absolute error de 0.62, Mean squared error de 0.89, Root mean squared error de 0.93, Mean absolute percentage error de 0.02, Mean squared log error de 0.001 y Root mean squared log error de 0.03. En conclusión, el Modelo multiclasificador 1 y XGBoost fueron los algoritmos más eficaces para la predicción de la carga de calor y enfriamiento en edificios residenciales respectivamente.