ISSN-p: 0123-7799 

ISSN-e: 2256-5337 

 

 

Vol. 26, nro. 58, e2650, 2023 

 

 

 

 

 

Recibido: 15 febrero 2023 

Aceptado: 29 agosto 2023 

Disponible: 11 septiembre 2023 

 

 

©Instituto Tecnológico Metropolitano 

Este trabajo está licenciado bajo 

una Licencia Internacional 

Creative Commons Atribución 

(CC BY-NC-SA) 

 

 

 
 

Estrategias de predicción de consumo 

energético en edificaciones: una revisión 

Strategies for Predicting Energy Consumption in 

Buildings: A Review 

 

 Liliana Ortega-Diaz 1; 

  Jorge Cárdenas-Rangel 2; 

   German Osma-Pinto 3 

  

 

  

 
 

 

 
  

1 Universidad Industrial de Santander, Bucaramanga-Colombia,  

liliana2228331@correo.uis.edu.co 
2 Universidad Industrial de Santander, Bucaramanga-Colombia,  

jorge2148225@correo.uis.edu.co 
3 Universidad Industrial de Santander, Bucaramanga-Colombia,  

gealosma@uis.edu.co 

 

Cómo citar / How to cite  

 

L. Ortega-Diaz, J. Cárdenas-Rangel, G. Osma-Pinto, “Estrategias de 

predicción de consumo energético en edificaciones: una revisión,” 

TecnoLógicas, vol. 26, nro. 58, e2650, 2023. 

https://doi.org/10.22430/22565337.2650 

 

 

 

 

https://orcid.org/0000-0001-5737-3973
mailto:liliana2228331@correo.uis.edu.co
mailto:jorge2148225@correo.uis.edu.co
mailto:gealosma@uis.edu.co
https://doi.org/10.22430/22565337.2650
https://orcid.org/0000-0002-3633-1237
https://orcid.org/0000-0001-9665-0267
mailto:gealosma@uis.edu.co


L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 2 | 34 

Resumen 

Los edificios son uno de los principales actores contaminantes del medio ambiente, por lo 

que es necesario fortalecer las estrategias para la reducción de su consumo energético, como 

el diseño energéticamente eficiente (edificios nuevos) y la gestión energética (edificios 

existentes). Para ello, es fundamental la predicción del consumo energético que permita 

conocer el estado de operación de la edificación e inferir sobre las causas de éste y la eficacia 

de las estrategias de ahorro energético. No obstante, la diversidad de técnicas de predicción 

del consumo energético existentes dificulta a investigadores su identificación, selección y 

aplicación. Por ello, a partir de una revisión de la literatura, este artículo identifica técnicas 

de predicción, expone sus principios teóricos, describe las etapas generales de construcción 

de un modelo de predicción, reconoce métricas de evaluación, identifica algunas de sus 

fortalezas y debilidades y presenta criterios para facilitar la selección de una técnica de 

predicción y métricas de evaluación según las características del caso de estudio. Se realizó 

un análisis bibliométrico como metodología para identificar y estudiar los artículos más 

importantes sobre demanda de energía en edificios. Se encuentra que hay tendencia en la 

aplicación de técnicas de aprendizaje automático y que los modelos de predicción de consumo 

energético son mayormente aplicados a edificaciones residenciales, comerciales y educativas. 
 

Palabras clave 
Demanda de energía, eficiencia energética, consumo de energía en edificaciones, enfoques 

de predicción, métricas de desempeño. 
 

Abstract 

Buildings are one of the main polluting actors in the environment. Therefore, it is 

necessary to strengthen strategies to reduce their energy consumption, such as energy-

efficient design (new buildings) and energy management (existing buildings). For this, it is 

essential to predict energy consumption to know the state of the building’s operation and 

infer the causes and effectiveness of energy-saving strategies. However, the diversity of 

existing energy consumption prediction techniques makes it difficult for researchers to 

identify, select, and apply them. Therefore, from a literature review, this article identifies 

prediction techniques, exposes its theoretical principles, describes the general stages of 

building a prediction model, recognizes evaluation metrics, identifies some of its strengths 

and weaknesses, and presents criteria to facilitate the selection of a prediction technique and 

evaluation metrics according to the characteristics of the case study. A bibliometric analysis 

was carried out to identify and study the most critical articles on energy demand in buildings. 

It is found that there is a trend in the application of machine learning techniques and that 

energy consumption prediction models are mainly applied to residential, commercial, and 

educational buildings. 
 

Keywords 
Energy demand, energy efficiency, energy consumption in buildings, prediction 

approaches, performance metrics. 
 

  



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 3 | 34 

1. INTRODUCCIÓN 

 

En 2021, los edificios y los sectores de construcción de edificios combinados fueron 

responsables de cerca del 30 % del consumo de energía final global y del 27 % de las emisiones 

totales del sector energético [1]. Las principales tendencias mundiales de los edificios y la 

construcción entre 2015 y 2021 señalan que la intensidad de emisiones de CO2 producida por 

estos sectores disminuyó un 7 % y el consumo de energía un 0,7 %. Lo anterior, debido a la 

pandemia de COVID-19 que representó cambios en el sector de los edificios y la construcción 

en 2020 en temas de demanda de construcción, cierres de lugares de trabajo y desafíos de 

asequibilidad energética. A pesar de la disminución de estos porcentajes, el consumo y huella 

de carbono de las edificaciones aún es muy alto, en 2021 las actividades de construcción 

recuperaron sus niveles previos a la pandemia y la demanda de energía se intensificó con la 

apertura de puestos de trabajo [2]. 

Los problemas ambientales ocasionados por la gran cantidad de energía consumida en los 

edificios producen efectos adversos sobre la existencia de la humanidad y sobre el planeta [3]. 

Por lo tanto, el aumento global de la demanda de energía se ha vuelto de suma importancia 

para propietarios de edificios [4], comunidades científicas, industrias y gobiernos [5]. 

Según A. D. Pham et al. [6], los edificios deben ser energéticamente eficientes y sostenibles, 

pues contribuyen significativamente al consumo mundial de energía y a la emisión de gases 

de efecto invernadero. La eficiencia energética presenta beneficios ambientales y económicos. 

Los edificios con sistemas de energía y estrategias de gestión eficientes tienen costos 

operativos más bajos [7]. 

La predicción del consumo de energía de los edificios es una herramienta de gran ayuda 

para investigadores e ingenieros interesados en el comportamiento energético de las 

edificaciones. Predecir el uso de energía de los edificios es necesario para la planificación, 

gestión y conservación de la energía [8]. La predicción exacta y rápida del consumo de energía 

puede ayudar a lograr los objetivos de evaluar nuevas alternativas de diseño de edificios y 

optimizar los sistemas de energía [9], [10]. El desarrollo de un modelo de predicción de 

energía con alta exactitud se considera uno de los enfoques más efectivos para comprender 

la eficiencia energética de los edificios [11]. El conocimiento basado en los patrones de 

consumo de energía de años anteriores podría usarse para predecir el uso de energía de los 

edificios y hacer más eficiente el consumo de energía [4]. 

En los últimos años, las tendencias asociadas al cambio climático han permitido promover 

el desarrollo de diversas técnicas/estrategias para predecir el consumo energético y el confort 

térmico de los edificios [12]. La revisión de la literatura permitió reconocer cuatro enfoques 

de predicción, a saber: estadístico, basado en datos, de ingeniería e híbrido. La Figura 1 

presenta estos enfoques con algunas técnicas específicas. 

Los modelos de regresión estadística correlacionan el consumo de energía o el índice de 

energía con las variables influyentes. Estos modelos empíricos se desarrollan a partir de 

datos históricos, por lo que se debe garantizar una cantidad significativa de éstos para 

construir un modelo [13]. 

El enfoque de ingeniería, también denominado de caja blanca, se basa en el modelado físico 

de la edificación, por lo que requiere información detallada de fenómenos de construcción 

complejos [14] y depende de las reglas termodinámicas para el modelado y análisis de energía 

detallados. Algunos de los programas que utilizan modelos físicos son EnergyPlus, TRNSYS, 

eQuest, ESP-r, Dymola y DOE-2 [15]. 

 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 4 | 34 

 
Figura 1. Enfoques de predicción. Fuente: elaboración propia. 

 

Los modelos basados en datos, conocidos como de caja negra, se basan en datos históricos 

para deducir o caracterizar la relación oculta entre la salida (e.g., consumo de energía del 

edificio) y las variables de entrada (e.g., clima, características físicas del edificio, 

comportamiento de los ocupantes y horarios de uso de los equipos) utilizando métodos 

matemáticos. Se aprecia el creciente uso de estos modelos para predecir el consumo 

energético en edificaciones [8], lo cual se debe a la alta confiabilidad de los algoritmos de 

aprendizaje en la resolución de problemas complejos y no lineales [16] y al aumento de la 

información disponible sobre las edificaciones [17]. 

Los enfoques híbridos o modelos de caja gris combinan el enfoque de caja negra y el enfoque 

de caja blanca. Dado que es posible obtener datos sintéticos sobre el consumo energético a 

través de software [10], [18], se puede utilizar un modelo físico simplificado y datos de fácil 

acceso para simular la demanda de energía del edificio, combinando así las ventajas de estos 

dos enfoques [9]. También se pueden clasificar dentro de este grupo las técnicas que usan 

modelos estadísticos y aprendizaje automático para mejorar la exactitud de la predicción 

[19]–[23]. El enfoque basado en datos aprende y mejora a partir de la experiencia adquirida 

en la etapa de entrenamiento, es capaz de resolver problemas no lineales y está ubicado en 

el campo de la computación y la inteligencia artificial. El enfoque estadístico utiliza 

ecuaciones matemáticas para deducir relaciones (lineales) entre variables, por lo que 

recopila, organiza, analiza, interpreta y presenta datos y utiliza reglas para entrenarse. 

Aunque ambos enfoques utilizan la técnica de la regresión lineal usando la misma base 

teórica, note que el enfoque basado en datos absorbe la regresión estadística y busca mejorar 

su exactitud [24]. Específicamente, la regresión lineal en Machine Learning (ML) busca 

adaptar los datos de entrada para cumplir con cuatro supuestos, a saber: relación lineal entre 

las variables, independencia entre la tendencia de los errores (no deben tener un patrón 

identificable entre ellos), normalidad o ajuste de datos y variación constante del error [25]. 

Existen gran cantidad de técnicas empleadas para predecir el consumo de energía en 

edificios; sin embargo, es difícil para los investigadores identificar las técnicas que se usan 

para predecir el consumo de energía en edificaciones y encontrar esa diferenciación con otras 

técnicas empleadas para otros fines o predicciones. También resulta tedioso decidir cuál sea 

la técnica a usar según el caso de estudio, los datos y herramientas disponibles, los 

Enfoques de 

predicción

Enfoque estadístico

Enfoque de ingeniería

(White box)

Enfoque basado en 

datos (Black box)

Enfoque híbrido

(Grey box)

Relaciona

variables

Simulación

Machine

Learning 

Combina dos 

enfoques

• Regresión 

Lineal Múltiple • ARIMA

• SARIMA• SARIMAX

• EnergyPlus

• TRNSYS

• eQuest

• Dymola

• ESP-r • DOE-2

• Regresión 

Lineal
• ANN

• SVM

• Árbol de 

decisión

• Aumento de 

gradiente

• Bosque 

aleatorio

• DNN

• Simulación 

y ML

• Estadístico 

y ML



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 5 | 34 

conocimientos de los encargados de entrenar los modelos, etc. Tampoco es claro la manera en 

que se deben aplicar las técnicas, cómo deben ser sus etapas y qué se debe hacer para 

entrenar un buen modelo. En consecuencia, este artículo busca ayudar a superar esas 

dificultades teniendo como objetivo explicar los modelos que más se usan para cada enfoque 

de predicción, las métricas para evaluar el rendimiento de los modelos, las etapas de 

construcción, las fortalezas y debilidades y los criterios de selección de un enfoque en 

específico.  

 

 

2. METODOLOGÍA 

 

La literatura permite apreciar la existencia de cuatro enfoques de predicción de energía; 

sin embargo, es pertinente mencionar que la selección de una técnica específica según las 

características del caso es una tarea compleja [13], [14] Esto se debe al número de técnicas 

asociadas a cada enfoque, al no conocimiento de los principios teóricos, a la diversidad de 

métricas de evaluación y la carencia de criterios que ayuden a facilitar la selección. Es por 

esto que, este trabajo presenta una revisión de la literatura que permita facilitar la respuesta 

a estas inquietudes.  

Para ello, se hace un análisis bibliométrico con el propósito de evaluar y analizar la 

producción académica y científica en el campo de la predicción del consumo de energía de 

edificaciones y seleccionar los artículos más importantes para ser leídos y estudiados. Esta 

revisión está basada en la búsqueda de artículos publicados en la base de datos SCOPUS 

donde se tuvo en cuenta editoriales como ELSEVIER, MDPI, IEEE y Springer, entre otras, 

con los siguientes términos: edificio, energía, consumo, basado en datos y predicción. Estos 

términos engloban todo el contexto que se quiere revisar en esta investigación. La ecuación 

de búsqueda usada es (ALL (building AND energy AND consumption) AND ALL (data-

driven) AND TITLE-ABS-KEY (prediction) ). AND PUBYEAR > 2016 AND PUBYEAR < 2024 

AND (LIMIT-TO ( OA , "all" ) ) AND ( LIMIT-TO ( DOCTYPE , "cp" ) OR LIMIT-TO ( 

DOCTYPE , "ar" ) ). El tipo de documento buscado fue artículo y conferencia, de acceso abierto 

para el intervalo de años 2017-2023. 

SCOPUS suministró 1257 resultados; mientras VOSVIEWER permitió ahondar en el 

análisis bibliométrico de los resultados, el cual puede suministrar mapas de visualización de 

red, superposición y densidad y establecer la co-ocurrencia de las palabras claves, tal como 

muestra la Tabla 1. Es posible definir 33 términos claves en cuatro grupos usando un número 

mínimo de ocurrencia de cada palabra de 58 de un total de 8831 palabras claves. Además, la 

Figura 2 presenta la relación entre las palabras claves. 

 

 

3. RESULTADOS Y DISCUSIÓN 

 

En algunas investigaciones clasifican los enfoques de predicción de energía en tres, cuatro 

o más grupos. Por ejemplo, Deb et al. [7] menciona que los enfoques se dividen en simulación 

por computadora, estadísticos y aprendizaje automático e híbridos. Chen et al. [9] y Gassar 

et al. [15] los clasifican en tres grupos: modelos de energía físicos, basados en datos utilizando 

aprendizaje automático y modelos híbridos. En este estudio se decidió abordar los cuatro 

enfoques encontrados en la literatura, lo cual permita considerar la mayor cantidad de 

técnicas mencionadas en la literatura. A continuación, se presentan algunas técnicas de 

predicción por enfoque que fueron seleccionadas de acuerdo con la revisión de literatura 

realizada. 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 6 | 34 

Tabla 1. Coocurrencia de palabras clave. Fuente: elaboración propia. 

Grupo 1 Grupo 2 Grupo 3 Grupo 4 

-Aire acondicionado/Air 

conditioning 

-Edificio/Building 

-Edificios/Buildings 

-Utilización de energía 

eléctrica/Electric power 

utilization 

-Conservación de energía/ -

Energy conservation 

-Eficiencia energética 

/Energy efficiency 

-Manejo de la energía/Energy 

management 

-Utilización de la 

energía/Energy utilization 

-Alojamiento/Housing 

-Edificios de oficinas/ Office 

building 

-Análisis de 

regresión/Regression analysis 

-Algoritmo/ Algorithm 

-Inteligencia 

artificial/Artificial 

intelligence 

-Red neuronal 

artificial/Artificial 

neural network 

-Toma de decisiones/ 

Decision making 

-Aprendizaje 

automático/Machine 

learning 

-Redes neuronales/ 

Neural networks 

-Optimización/ 

Optimization 

-Predicción/ Prediction 

-Análisis predictivo/ 

Predictive analytics 

 

-Aprendizaje profundo/ 

Deep Learning 

-Cargas de centrales 

eléctricas/Electric power 

plants loads 

-Transmisión de energía 

eléctrica/ Electric power 

transmission 

-Pronóstico/Forecasting 

-Memoria a corto y largo 

plazo/ Long short-term 

memory 

-Redes eléctricas 

inteligentes/Smart power 

grids 

-Series de tiempo/Times 

series 

-Árboles de decisión/ 

Decision trees 

-Algoritmos de 

aprendizaje/ 

Learning algorithms 

-Sistemas de 

aprendizaje/ 

Learning systems 

-Aprendizaje-

automático/Machine-

learning 

-Error cuadrático 

medio/ Mean square 

error 

-Máquinas de soporte 

vectorial/Support 

vector machines 

 

 

  
a. Red        b. Superposición 

 
c. Densidad 

Figura 2. Visualización del análisis bibliométrico. Fuente: elaboración propia. 

 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 7 | 34 

3.1 Enfoque estadístico 

 

El método de predicción estadístico es un subcampo de la matemática que trata de 

encontrar relaciones entre variables para predecir un resultado. Usa ecuaciones matemáticas 

para crear cada una de estas relaciones. Para el campo de la predicción del consumo de 

energía, este enfoque de predicción se basa en relacionar el consumo de energía con las 

diversas variables que inciden en tal consumo. Estos métodos utilizan análisis de series 

temporales (datos medidos de una variable con un estampado de tiempo) con cierta resolución 

temporal (e.g., cada 15 minutos) para predecir valores futuros [19]. 

La Tabla 2 muestra artículos de la literatura que usan técnicas estadísticas para predecir 

el consumo de energía, siendo las más usadas ARIMA, SARIMA y SARIMAX con una 

representatividad del 46,7 %, 20 % y 20 %, respectivamente. Tal representatividad fue 

calculada tomando el número de artículos donde se utilizó la técnica y dividiendo por el total 

de artículos. Las métricas de rendimiento más usadas son RMSE y MAPE con un 53,3 %. El 

35,71 % de los estudios corresponden a edificios comerciales. Para todas las investigaciones, 

los datos recolectados fueron obtenidos por medición. El 26,7 % de los estudios identificados 

utilizaron el software MATLAB para el entrenamiento de los modelos. Las etapas generales 

de construcción de los modelos estadísticos son las presentadas en la Figura 3. 

 

  
Figura 3. Etapas del enfoque estadístico. Fuente: elaboración propia. 

 
3.1.1  Regresión Lineal Múltiple 

 

El consumo de energía depende de actividades específicas de los ocupantes (como la 

diferencia entre días festivos y días laborales), condiciones climáticas y eventos inesperados, 

entre otras. Suponiendo que la variable dependiente 𝑦 varía con los 𝑚 grupos de datos de 

observación y las n variables observadas (𝑦𝑘 , 𝑥𝑘1, 𝑥𝑘2, … , 𝑥𝑘𝑛) 𝑘 = 1,2, … ,𝑚, se puede modelar 

como muestra (1), donde 𝛽0, 𝛽1, 𝛽2, … , 𝛽𝑛 son los coeficientes de la regresión, 𝑒 son los residuos 

de la regresión, 𝑥1, 𝑥2, … , 𝑥𝑛 son los factores que afectan la variable dependiente 𝑦 [26]. 

 
𝑦 = 𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 +⋯+ 𝛽𝑛𝑥𝑛 + 𝑒 (1) 

 

Los coeficientes 𝛽𝑖 se pueden calcular utilizando el método de mínimos cuadrados, 

entonces �̂�0, �̂�1, �̂�2, … , �̂�𝑛 son las estimaciones de mínimos cuadrados de 𝛽0, 𝛽1, 𝛽2, … , 𝛽𝑛 , el 

valor de 𝑦 puede ser observado en (2): 

 

Identificar 

variables 

de entrada

Recolectar 

datos

Entrenar 

la técnica

Probar 

el modelo



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 8 | 34 

𝑦𝑘 = �̂�0 + �̂�1𝑥𝑘1 + �̂�2𝑥𝑘2 +⋯+ �̂�𝑛𝑥𝑘𝑛 + 𝑒𝑘 (2) 

 

Donde 𝑒𝑘 es el valor estimado del residual 𝑒 y es igual a 𝑦𝑘 − �̂�𝑘, donde �̂�𝑘 es el valor 

estimado de 𝑦𝑘, entonces se puede obtener una relación como se muestra en (3):  

 

�̂�𝑘 = �̂�0 + �̂�1𝑥𝑘1 + �̂�2𝑥𝑘2 +⋯+ �̂�𝑛𝑥𝑘𝑛 (3) 

 
𝛽0, 𝛽1, 𝛽2, … , 𝛽𝑛 deben hacer que 𝑃 cumpla con el mínimo, que son los cuadrados de 

desviación de los valores observados 𝑦𝑘 y los valores de regresión �̂�𝑘, entonces 𝑃 se define 

en (4): 

 

𝑃 =  ∑[𝑦𝑘 − (�̂�0 + �̂�1𝑥𝑘1 + �̂�2𝑥𝑘2 +⋯+ �̂�𝑛𝑥𝑘𝑛)]
2

𝑚

k=1

 (4) 

 

Como 𝑃 es una cuadrática no negativa de �̂�0, �̂�1, �̂�2, … , �̂�𝑛, el valor mínimo debe existir, 

entonces �̂�0, �̂�1, �̂�2, … , �̂�𝑛 deben satisfacer las ecuaciones en (5): 

 

{
 
 
 
 

 
 
 
 𝜕𝑃

𝜕�̂�0
= −2∑[𝑦𝑘 − �̂�𝑘] = 0

𝑚

𝑘=1

𝜕𝑃

𝜕�̂�1
= −2∑[𝑦𝑘 − �̂�𝑘]𝑥𝑘1 = 0

𝑚

𝑘=1

⋮            ⋮           ⋮             ⋮

𝜕𝑃

𝜕�̂�𝑛
= −2∑[𝑦𝑘 − �̂�𝑘]𝑥𝑘𝑛 = 0

𝑚

𝑘=1

 (5) 

 

Sustituyendo (3) en (5), se obtiene (6): 

 

{
 
 
 
 

 
 
 
 𝑚�̂�0 + [∑𝑥𝑘1

𝑚

𝑘=1

] �̂�1 + [∑𝑥𝑘2

𝑚

𝑘=1

] �̂�2 +⋯+ [∑𝑥𝑘𝑛

𝑚

𝑘=1

] �̂�𝑛 =∑𝑦𝑘

𝑚

𝑘=1

[∑ 𝑥𝑘1

𝑚

𝑘=1

] �̂�0 + [∑𝑥𝑘1
2

𝑚

𝑘=1

] �̂�1 + [∑𝑥𝑘1𝑥𝑘2

𝑚

𝑘=1

] �̂�2 +⋯+ [∑𝑥𝑘1𝑥𝑘2

𝑚

𝑘=1

] �̂�𝑛 =∑𝑥𝑘1𝑦𝑘

𝑚

𝑘=1

⋮                  ⋮               ⋮               ⋮               ⋮              ⋮                ⋮         ⋮             ⋮ 

[∑ 𝑥𝑘𝑛

𝑚

𝑘=1

] �̂�0 + [∑𝑥𝑘𝑛𝑥𝑘1

𝑚

𝑘=1

] �̂�1 + [∑𝑥𝑘𝑛𝑥𝑘2

𝑚

𝑘=1

] �̂�2 +⋯+ [∑𝑥𝑘𝑛
2

𝑚

𝑘=1

] �̂�𝑛 =∑𝑥𝑘𝑛𝑦𝑘

𝑚

𝑘=1

  (6) 

 

La matriz de coeficientes de las ecuaciones normales es una ecuación simétrica 

presentada en (7): 

 

𝑌 = (

𝑦1
𝑦2
⋮
𝑦𝑛

) 𝛽 =

(

 

�̂�0
�̂�1
⋮
𝛽𝑛)

  𝑋 = (

1 1 …
𝑥11 𝑥21 …
⋮ ⋮ ⋮

    
1
𝑥21
⋱

𝑥1𝑛 𝑥2𝑛 …  𝑥𝑚𝑛    

) (7) 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 9 | 34 

Entonces (6) puede ser escrita en la forma de matriz (𝑋𝑇𝑋)𝛽 = 𝑋𝑇𝑌 o 𝐴�̂� = 𝐵. En caso de 

que la matriz de coeficientes A sea de rango completo, resolviendo la ecuación matricial 

anterior el valor estimado de �̂� se puede obtener como en (8): 

 

�̂� = (𝑋𝑇𝑋)−1𝑋𝑇𝑌 = 𝐴−1𝐵 (8) 

 
3.1.2  Media móvil integrada autorregresiva (ARIMA) 

 

ARIMA es un modelo básico y general de técnicas de pronóstico de series de tiempo. 

Transforman la serie temporal en estacionaria mediante el proceso de diferenciación. Una 

serie temporal es estacionaria si sus propiedades estadísticas son todas constantes en el 

tiempo. En (9) se muestra la técnica ARIMA para una serie de tiempo como una función lineal 

donde la entrada consta de retraso de la variable dependiente junto con retrasos del error de 

pronóstico, donde 𝑤 es la suma ponderada de uno o más valores pasados de 𝑦, 𝑐 es una 

constante y e es la suma ponderada de uno o más valores pasados del error del pronóstico [7]. 

 
𝑦 = 𝑤 + 𝑐 + 𝑒 (9) 

 

Los términos de retraso de la serie de tiempo estacionaria se denominan “autorregresivos”, 

mientras que los retrasos de los términos de error pronosticados se denominan “promedio 

móvil”. Estos modelos se denotan como ARIMA (p, d, q), donde p representa el orden de la 

parte autorregresiva, d denota el grado de la primera diferencia involucrada y q representa 

el orden de la parte media móvil. La parte autorregresiva del modelo con orden p es 

representada por (10). El modelo de promedio móvil de orden q se presenta en (11), donde 𝑌𝑡 
es la salida de una serie de tiempo como datos de consumo de electricidad y 𝑒𝑡 es la serie de 

error [7]. En (12) se muestra la combinación de las dos anteriores. 

 
𝑌𝑡 = 𝑐1 + ∅1𝑌𝑡−1 + ∅2𝑌𝑡−2 +⋯+ ∅𝑝𝑌𝑡−𝑝 (10) 

𝑌𝑡 = 𝑐2 + 𝜃1𝑒𝑡−1 + 𝜃2𝑒𝑡−2 +⋯+ 𝜃𝑞𝑒𝑡−𝑞 + 𝑒𝑡 (11) 

𝑌𝑡 = (𝑐1 + 𝑐2) + (∅1𝑌𝑡−1 + ∅2𝑌𝑡−2 +⋯+ ∅𝑝𝑌𝑡−𝑝) + (𝜃1𝑒𝑡−1 + 𝜃2𝑒𝑡−2 +⋯+ 𝜃𝑞𝑒𝑡−𝑞 + 𝑒𝑡) (12) 

 
3.1.3  Modelos de promedio móvil integrado autorregresivo estacional (SARIMA) 

 

SARIMA se usa para analizar y pronosticar datos de series temporales que se ocupan 

especialmente de los efectos estacionales. Está compuesta por tres componentes: 

autorregresión, media integrada y móvil. La autorregresión significa la relación de 

dependencia entre una observación y observaciones previas. También está integrada la 

diferenciación de observaciones sin procesar para hacer que la serie temporal sea 

estacionaria. El promedio móvil identifica la dependencia entre una observación y un error 

residual de un modelo de promedio móvil aplicado a observaciones retrasadas.  

SARIMA generaliza los modelos de la familia ARIMA, teniendo la misma estructura con 

nuevos términos estacionales [19], tales como P (retrasos de la serie estacionaria), D 

(diferenciación estacional), Q (promedio móvil estacional) y s (longitud estacional en los 

datos), por lo que estos modelos se denotan como 𝑆𝐴𝑅𝐼𝑀𝐴(𝑝, 𝑑, 𝑞)(𝑃, 𝐷, 𝑄)𝑠.  
La Figura 4 muestra los programas utilizados en las investigaciones de enfoque estadístico 

según el año de publicación. 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 10 | 34 

 
Figura 4. Software utilizado en enfoque estadístico. Fuente: elaboración propia. 

 
3.2 Enfoque de ingeniería 

 

El enfoque ingeniería, también llamado de caja blanca o físico, se basa en ecuaciones de 

balance de masa y calor que presentan el comportamiento térmico dinámico de una 

edificación. El análisis del balance de calor considera tres modelos de transferencia de calor 

(conducción, convección y radiación) entre la envolvente del edificio y sus alrededores. Por 

ello, comprender las características físicas generales de los edificios es importante para 

utilizar estas herramientas de simulación de edificios; por lo que, se requiere información 

detallada de la envolvente del edificio, configuración de los sistemas de calefacción, 

ventilación y aire acondicionado (HVAC), ganancias de calor internas, equipos, horarios de 

ocupación de espacios interiores y de uso de equipo, zonas térmicas, ubicación y datos 

meteorológicos, entre otros [9]. La Figura 5 presenta el proceso de creación del modelado y de 

simulación del comportamiento energético de edificaciones. 

 

 
Figura 5. Esquema general del modelado de simulación energética. Fuente: imágenes tomadas de 

repositorio de imágenes de uso libre. 

 
 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 11 | 34 

Tabla 2. Enfoque estadístico - Principales características. Fuente: elaboración propia. 

Ref. País Año 

Edificación 

Variables de entrada 

Técnicas 
Datos de 

comparación 
Métricas de evaluación Software 

C
a
n

ti
d

a
d

 

Tipo 

A
R

IM
A

 

A
R

IM
A

X
 

R
L

M
 

S
A

R
IM

A
 

S
A

R
IM

A
X

 

O
tr

a
s 

M
e
d

ic
ió

n
 

S
im

u
la

ci
ó
n

 

R
2
 

M
A

E
 

M
S

E
 

R
M

S
E

 

M
A

P
E

 

C
V

-R
M

S
E

 

M
S

P
E

 

R
 

N
_
M

B
E

 

R
E

 

O
tr

a
s 

P
y
th

o
n

 

M
A

T
L

A
B

 

O
tr

o
s 

C
o
m

e
rc

ia
l 

R
e
si

d
e
n

ci
a
l 

E
d

u
ca

ti
v
o
 

O
tr

o
 

[27] 

China 

2020 1 √    

Consumo de electricidad, 

festivos, días de alta 

temperatura 

√      √      √       - - - 

[28] 2016 1 √    

Tipo de día, tiempo del día, 

temperatura exterior de bulbo 

seco 

√      √    √ √ √         

SPPS 

Modeler 

14.1 

[29] 2015 1 √    
Número de cargas de la hora 

anterior. 
 √     √       √   √   - - - 

[30] 

EE. UU 

2022 7 √    

Potencia activa por hora, 

superficie, ubicación, 

información meteorológica 

   √   √  √ √ √ √ √ √ √     √   

[31] 2021 4  √   

Año, mes, día del mes, hora del 

día, número de la semana, día 

de la semana, estación del año, 

vacaciones, clima, temperatura, 

temperatura de rocío, humedad 

relativa, dirección del viento, 

velocidad del viento, consumo 

de energía 

√      √   √ √         - - - 

[32] 2021 -  √   
Temperatura interior, 

temperatura exterior, potencia 
    √  √ √  √  √       MAXE √   

[33] 2019 9  √   Consumo de energía   √   PZ √            

TPR 

TNR 

FPR 

RP 

AUC 

F1 

FP-100 

 √  

[34] Finlandia 2016 1 √    
Consumo de calor, temperatura 

exterior, velocidad del viento 
  √ √   √     √ √      TIC  √  

[35] Taiwán 2019 1   √  

Temperatura, humedad, nivel 

de CO2, consumo de 

electricidad, ocupación, estado 

ventiladores: encendido o 

apagado 

√      √   √  √    √   
SI 

TER 
- - - 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 12 | 34 

Ref. País Año 

Edificación 

Variables de entrada 

Técnicas 
Datos de 

comparación 
Métricas de evaluación Software 

C
a
n

ti
d

a
d

 

Tipo 

A
R

IM
A

 

A
R

IM
A

X
 

R
L

M
 

S
A

R
IM

A
 

S
A

R
IM

A
X

 

O
tr

a
s 

M
e
d

ic
ió

n
 

S
im

u
la

ci
ó
n

 

R
2
 

M
A

E
 

M
S

E
 

R
M

S
E

 

M
A

P
E

 

C
V

-R
M

S
E

 

M
S

P
E

 

R
 

N
_
M

B
E

 

R
E

 

O
tr

a
s 

P
y
th

o
n

 

M
A

T
L

A
B

 

O
tr

o
s 

C
o
m

e
rc

ia
l 

R
e
si

d
e
n

ci
a
l 

E
d

u
ca

ti
v
o
 

O
tr

o
 

[36]  Singapur 2019 40   √  

Temperatura de bulbo seco, 

humedad relativa, radiación 

solar, número de personas en el 

edificio, humedad relativa 

interior, consumo de 

electricidad de iluminación y 

electrodomésticos, demanda 

sensible total de frío para todos 

los sistemas demanda latente 

total de frío para todos los 

sistemas, ganancia de calor 

sensible de ventilación e 

infiltración, ganancia neta de 

calor por radiación 

temperatura interior 

   √   √      √         
Software 

R 

[37] 
Arabia 

Saudita 
2021 1    Industrial Consumo de energía √      √   √  √ √      

RMSL

E 
- - - 

[38] Malasia 2021 1   √  Consumo de energía √      √   √  √       ARE  √  

[39] India 2022 -    
Edificio 

Inteligente 
Temperatura √    √  √   √ √ √ √       - - - 

[40] Ecuador 2022 1   √  

Potencia promedio mensual, 

potencia pico, energía mensual, 

energía pico, energía diaria 

     TM √           √   √  

[41] Bulgaria 2022 10  √   

Año, mes, consumo de energía, 

temperatura exterior promedio 

mensual 

    √  √      √       √   

Representatividad 

5 4 4 2 

Representatividad 

7 1 2 3 3 2 15 1 1 7 4 8 8 2 1 1 1 1 6 3 4 2 

3
3
.3

 %
 

2
6
.7

 %
 

2
6
.7

 %
 

1
3
.3

 %
 

4
6
.7

 %
 

6
.7

 %
 

1
3
.3

 %
 

2
0
.0

 %
 

2
0
.0

 %
 

1
3
.3

 %
 

1
0
0
 %

 

6
.7

 %
 

6
.7

 %
 

4
6
.7

 %
 

2
6
.7

 %
 

5
3
.3

 %
 

5
3
.3

 %
 

1
3
.3

 %
 

6
.7

 %
 

6
.7

 %
 

6
.7

 %
 

6
.7

 %
 

4
0
.0

 %
 

2
0
 %

 

2
6
.7

 %
 

1
3
.3

 %
 

Técnicas ➔ ARIMA: Media móvil integrado autorregresiva; ARIMAX: Media móvil integrada autorregresiva con variable explicativa; RLM: Regresión Lineal Múltiple; SARIMA: Media 

móvil integrado autorregresiva; SARIMAX: media móvil integrada autorregresiva estacional con factores exógenos; PZ: Puntuación z; TM: Técnica de Montecarlo 

Datos de comparación ➔ M: medición; S: simulación 

Métricas de evaluación ➔ R2: Coeficiente de determinación; MAE: Error Absoluto Medio; MSE: Error cuadrático medio; RMSE: Raíz cuadrada del error cuadrático medio; MAPE:  

Error porcentual absoluto medio; CV-RMSE: Coeficiente de variación de la raíz del error cuadrático medio; MSPE: Error porcentual medio cuadrático; R: Coeficiente de correlación; 

N_MBE: Error de sesgo medio normalizado; TIC: Coeficiente de desigualdad de Theil; SI: Índice de síntesis; TER: Tasa de error total; TPR: Tasa verdadera positiva; TNR: Tasa verdadera 

negativa; FPR: Tasa de falsos positivos; RP: Poder de rango; AUC: Área debajo de la curva; FP-100: Falso positivo cuando la tasa de detección es 100 %; RMSLE: Error de registro de  

raíz  

cuadrática media; ARE: Error relativo promedio; MAXE: Máximo error métrico; RE: Relative Error; F1: Puntuación 

Software ➔SPSS Modeler: Statistical Product and Service Solution.



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 13 | 34 

Generalmente, los modelos de simulación por computadora son usados para el diseño de 

nuevas edificaciones, ya que una vez está en operación el edificio se hace complejo monitorizar 

las condiciones climáticas, el horario de ocupación y las interacciones complejas de los 

sistemas HVAC e iluminación, lo cual dificulta la estimación del consumo de energía [7], [19]. 

La Tabla 3 relaciona algunas de las herramientas software más utilizadas para la predicción 

del consumo de energía en edificaciones. La Tabla 4 muestra los artículos en los que se hizo 

uso de herramientas de simulación de energía de edificaciones. Los edificios residenciales son 

de gran interés en este enfoque, tuvieron una representatividad del 55,5 %, EnergyPlus y 

DesignBuilder son los programas más utilizados con un porcentaje de 27,8 % y 16,7 % 

respectivamente. El error relativo es la métrica de evaluación que se usa con mayor 

frecuencia. El enfoque de simulación se usa en mayor medida para calcular el consumo 

energético de las edificaciones, ya que se predijo para el 66,67 % de las investigaciones 

estudiadas. 

Otra herramienta de simulación es el software DesignBuilder basado en EnergyPlus. Este 

programa permite estimar energía, emisiones de CO2, iluminación y confort. Facilita el 

proceso de simulación de edificios tridimensionales, sus diseños y rendimiento energético. Es 

utilizado por arquitectos, ingenieros, trabajadores de la construcción y consultores de 

energía. 

 
Tabla 3. Herramientas de simulación. Fuente: elaboración propia. 

Software Desarrollador Año País Características técnicas 
Tipo de 

modelado 

EnergyPlus 

U.S. 

Department of 

Energy's 

1997 
EE. 

UU. 

Programa basado en consola que lee la 

entrada y escribe la salida en archivos de 

texto. Es de código abierto 

Arquitectónico 

TRNSYS 
Universidad de 

Wisconsin 
1975 

EE. 

UU. 

Consta de un motor que lee y procesa el 

archivo de entrada, a través de iteraciones 

resuelve el sistema, determina la 

convergencia y gráfica las variables del 

sistema. 

Diagrama de 

bloques 

DOE-2 

Grupo de 

investigación de 

simulación 

Laboratorio 

Lawrence 

Berkeley 

- 
EE. 

UU. 

Recibe un archivo de texto de entrada con 

parámetros y detalles necesarios que 

describen el edificio y sus sistemas. 

Arquitectónico 

eQuest DOE 1998 
EE. 

UU. 

Es el motor DOE-2 con asistentes y gráficos 

incorporados 

Arquitectónico 

Dymola 
Dassault 

Systèmes 
2006 Francia 

Basado en lenguaje Modelica (orientado a 

objetos), utiliza ecuaciones para modelar 

sistemas físicos. 

Arquitectónico 

ESP-r 
Universidad de 

Strathclyde 
1974 

Reino 

Unido 

Programa de código abierto, su distribución se 

gestiona bajo el control de código fuente de 

GitHub. 

Arquitectónico 

 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 14 | 34 

Tabla 4. Enfoque de simulación – Características. Fuente: elaboración propia. 

Ref. País Año 

Edificación Software 

Número de 

parámetros de 

construcción 

Métricas de evaluación Respuesta de salida 

C
a
n

ti
d

a
d

 

Tipo 

E
n

e
rg

y
P

lu
s 

D
y
m

o
la

 

e
Q

U
E

S
T

 

E
S

P
-r

 

T
R

N
S

Y
S

 

IE
S

-V
E

 

D
e
si

g
n

B
u

il
d

e
r 

D
O

E
 2

.2
 

O
tr

o
s 

R
E

 

M
A

P
E

 

R
2
 

R
M

S
E

 

N
S

E
 

O
tr

o
s 

C
E

 

E
E

E
 

D
E

C
 

R
E

N
 

C
E

-S
H

V
A

C
 

Otras 

R
e
si

d
e
n

ci
a
l 

E
d

u
ca

ti
v
o
 

C
o
m

e
rc

ia
l 

N
o
 r

e
si

d
e
n

ci
a
l 

O
tr

a
s 

[42] 

EE. UU. 

2014 1 √     √        OS - √      √      

[43] 2017 

4 

8 

16 

√     √         -      Minimizar costos  √     

[44] 2021 1  √    √         -  √     √      

[45] 

China 

2017 8 √       √       10 - √      

[46] 2020 1   √       √     15 -     √  

[47] 2022 5     Hospital       √   13      
Tasa de ahorro de 

energía 
√      

[48] Bélgica 2015 1 √      √        25      
Indicadores de 

impacto en la red 
√      

[49] Polonia 2018 2 √ √       √ √     6      R   √    

[50] 

Arabia Saudita 

2021 1 √          √    20 - √      

[51] 2022  √       √       9 √           
Carga de 

refrigeración 

[52] 2023 1    √        √   20 √      √      

[53] 
Bosnia y 

Herzegovina 
2022 1 √     √      √   16   √    √      

[54] Corea del sur 2022 1     Invernadero     √     10   √  √     √   

[55] Italia 2022 1 √     √ √        7 -    √   

[56] Australia 2022 1  √           √  22   √    √      

[57] 
Colombia 

2016 1  √          √   8 √      √      

[58] 2022 2 √           √   20 √      √      

[59] Egipto 2022 1  √          √   17    √   √      

  Representatividad 

10 5 1 1 2 5 2 2 1 3 1 6 1 1 

 

5 1 3 1 1 4 12 1 1 2 1 1 

5
5

5
.5

5
 %

 

2
7

.8
 %

 

5
.5

 %
 

5
.5

 %
 

1
1

.1
1

 %
 

2
7

.8
 %

 

1
1

.1
1

 %
 

1
1

.1
1

 %
 

5
.5

 %
 

1
6

.7
 %

 

5
.5

 %
 

3
3

.3
3

 %
 

5
.5

 %
 

5
.5

 %
 

2
7

.8
 %

 

5
.5

 %
 

1
6

.7
 %

 

5
.5

 %
 

5
.5

 %
 

2
2

.2
 %

 

6
6

.6
7

 %
 

5
.5

5
 %

 

5
.5

5
 %

 

1
1

.1
1

 %
 

5
.5

5
 %

 

5
.5

5
 %

 

Métricas de evaluación ➔ MAPE: Error porcentual absoluto medio; R2: Coeficiente de determinación; NSE: Coeficiente de eficiencia de Nash-Sutcliffe; RE: Relative Error; R: 

Coeficiente de correlación R 

Software ➔TRNSYS: Transient System Simulation Tool; IES-VE: (Integrated Environmental Solution-Virtual Environment; DOE 2.2: Department of Energy 2.2; OS: Open  

Studio 

Respuesta de salida ➔ CE: Consumo de energía; EEE: Evaluación de energía de edificios; DEC: Demanda estacional de calor; REN: Rendimiento energético; CE-SHVAC: Consumo  

de energía del sistema de calefacción, ventilación y aire acondicionado.



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 15 | 34 

3.3 Enfoque de datos 

 

El enfoque basado en datos está dentro del campo de la computación y la inteligencia 

artificial. Se denomina Machine Learning (ML) y se centra en el uso de datos y algoritmos 

para imitar la forma en que los humanos aprenden, mejorando gradualmente la exactitud.  

Mediante el uso de métodos estadísticos, los algoritmos se entrenan para hacer 

clasificaciones o predicciones y descubrir información clave en proyectos de minería de datos. 

No requieren la construcción de ecuaciones de balance térmico; por lo tanto, se necesita menos 

o ninguna información física del edificio. Se basan en datos históricos para reducir la relación 

oculta entre la salida y las variables de entrada utilizando métodos matemáticos [9].  

ML se divide en 4 subgrupos: aprendizaje supervisado, aprendizaje no supervisado, 

aprendizaje por refuerzo y Deep Learning (DL). El aprendizaje supervisado se caracteriza por 

utilizar datos etiquetados (categorizados); el aprendizaje no supervisado usa gran cantidad 

de datos sin etiquetar que luego agrupa y asocia según colores, tamaños, formas y diferencias; 

el aprendizaje por refuerzo se retroalimenta de la experimentación con los datos y conduce al 

usuario hacia el mejor resultado, aprende a través de la prueba y el error. 

DL utiliza arquitecturas profundas o multicapa, lo cual mejora la capacidad de clasificar, 

reconocer, detectar, describir y entender. La arquitectura puede tener cinco o más capas y 

presenta algoritmos más eficientes que pueden aumentar aún más la exactitud [60]. Uno de 

los usos del DL es la clasificación de imágenes, reconocimiento del habla, detección de objetos 

y descripción de contenido. Sin embargo, demanda un alto costo computacional debido a la 

naturaleza iterativa de los algoritmos, aumento de la complejidad conforme incrementa el 

número de capas y grandes volúmenes de datos necesarios para el entrenamiento.  

En la Tabla 5 se puede apreciar un resumen de las investigaciones encontradas y revisadas 

sobre el enfoque basado en datos. Estos modelos de aprendizaje automático se utilizan 

mayormente para hacer predicciones en edificios residenciales y comerciales. El 44 % de los 

artículos utilizaron Python para entrenar las técnicas, EE. UU. es el país que más utiliza 

estos modelos en sus investigaciones, existen gran variedad de técnicas en las que se destaca 

SVR, ANN y DNN. El 72,2 % de las investigaciones utilizó datos medidos en lugar de datos 

simulados. También hay gran cantidad de métricas de evaluación, siendo MAE, RMSE y R2 

las más usadas.  

 
3.3.1  Regresión lineal 

 

El método de regresión lineal relaciona variables y ofrece algunas ventajas, como la 

facilidad de uso y la interpretabilidad. El modelo de regresión lineal es definido en (13), donde 

�̂� es el valor predicho, 𝛽0 y 𝛽1 son los coeficientes de regresión y 𝑋 son los datos observados. 

La relación entre la variable medida y la variable de respuesta no sugiere necesariamente 

causalidad, sino que existe una correlación significativa entre las dos variables [60]. 

 
�̂� = 𝛽0 + 𝛽1𝑋 (13) 

 

Esta regresión lineal se diferencia de la regresión lineal del enfoque estadístico en los 

datos. Los datos de esta regresión requieren de un tratamiento para cumplir con 

características como relación lineal entre las variables, tendencia de los errores 

independiente, normalidad y variación constante del error. Está técnica se clasifica en tres 

tipos: regresión lineal simple, regresión lineal múltiple y regresión lineal multivariable [61]. 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 16 | 34 

Tabla 5. Clasificación de literatura encontrada para enfoque basado en datos. Fuente: elaboración propia. 

Ref. País Año 

Edificación Técnicas Comparación Métricas de evaluación Software 

Cantidad 

Tipo 

A
N

N
 

G
B

 

D
N

N
 

R
F

 

S
V

R
 

K
N

N
 

D
T

 

L
R

 

M
L

P
 

X
G

B
 

A
D

 

 
E

T
 

O
tr

a
s 

M
 

S
 

R
2
 

M
A

E
 

M
S

E
 

R
M

S
E

 

M
A

P
E

 

C
V

-R
M

S
E

 

A
C

 

F
1
 

O
tr

a
s 

P
y
th

o
n

 

M
a
tl

a
b
 

W
E

K
A

 

O
tr

o
 

R
e
si

d
e
n

ci
a
l 

H
o
te

l 

C
o
m

e
rc

ia
l 

E
d

u
ca

ti
v
o
 

N
o
 

re
si

d
e
n

ci
a

l 

O
tr

o
s 

[62] 

EE. UU. 

2018 410   √     √           
 

√  √     √   NMBE  
  Software 

R 

[63] 2019 
Comercial: 1 

Residencial: 30 
√  √      √          

 

√     √     

Coeficiente 

de Pearson 
𝜌 

√ 

   

[6] 2020 5     √     √         
M5P 

RT 
     √ √    

 
 

 
√ 

 

[8] 2021 5    √   √    √        M5R √   √  √ √     -    

[64] 2022 2612   √       √ √ √  √ √ √ √ √ 
RC 

RdE 
√   √        √ 

   

[65] 

China 

2019 6 √               √   
RLO 

√        √ √ 
Recall 

Precision 
√ 

   

[66] 2020 1   √        √         √        √ √   √   

[17] 2021 2370      Público    √ √  √ √  √   RR √  √ √  √      √    

[18] 
Italia 

2017 1 √      √             √  √  √        √   

[16] 2019 13    √   √              √  √  √ √        ASA 

[67] 

UK 

2020 1      Industrial   √            √  √  √      √    

[60] 2021 5000 √      √ √ √ √ √ √ √ √     Stacking √  √ √ √ √      √    

[11] 2021 4500 √         √ √ √ √  √ √ √ √ GP √        √ √ Precision √    

[68] 

España 

2018 1  √       √  √       √  √  √ √  √     NRMSE √    

[69] 2020 25    √     √  √  √  √    
BaRT 

BoRT 
√     √     

 
 

  
VIMOEN 

[70] 
Países 

Bajos 
2019 47   √    √   √ √        BT √  √     √   

 
 

√   

[10] Egipto 2021 12000 √      √              √ √    √        NS V5 

[71] Taiwan 2019 243   √    √    √   √     CART  √  √  √ √    R   √  

  Representatividad 

6 1 6 3 1 2 7 2 5 6 10 3 4 4 3 4 2 3 10 13 4 7 8 2 10 5 2 3 3 6 8 3 2 4 

3
3
.3

 

%
 

5
.5

5
 

%
 

3
3
.3

 

%
 

1
6
.6

6
 %

 
5
.5

5
 

%
 

1
1
.1

1
 %

 

3
8
.8

8
 %

 
1
1
.1

1
 %

 
2
7
.7

7
 %

 
3
3
.3

 

%
 

5
5
.5

5
 %

 
1
6
.6

6
 %

 
2
2
.2

2
 %

 
2
2
.2

2
 %

 
1
6
.6

6
 %

 
2
2
.2

2
 %

 
1
1
.1

1
 %

 
1
6
.6

6
 %

 
5
5
.5

5
 %

 

7
2
.2

2
 %

 

2
2
.2

2
 %

 

3
8
.8

8
 %

 
4
4
.4

4
 %

 
1
1
.1

1
 %

 
5
5
.5

5
 %

 
2
7
.7

7
 %

 
1
1
.1

1
 %

 
1
6
.6

6
 %

 
1
6
.6

6
 %

 

3
3
.3

 

%
 

4
4
.4

4
 %

 
1
6
.6

6
 %

 
1
1
.1

1
 %

 
2
2
.2

2
 %

 

Técnicas ➔ANN: Artificial Neural Networks; GB: Gradient Boosting; DNN: Deep Neural Networks; RF: Random Forest; SVR: Support Vector Regression; KNN: K Nearest 

Neighbour; DT: Decision Tree; LR: Linear Regression; RR: Ridge Regression; M5P: Árboles de modelo M5P; RT: Random Tree; ET: Extra Trees; AD: Adaboost; GP: Gaussian  

Process; M5R: M5Rules; RC: Regresor de cresta; RRE: Regresión de red elástica; RdE: Regresor de embolsado; BaRT: BaggedRegression Tree; BoRT: Boosted Regression Tree;  

BT: Boosted-tree; RLO: Regression Logistica; CART: Classification and regression tree. Datos de comparación ➔ M: Medición; S: Simulación; Métricas de evaluación ➔ R2:  

Coeficiente de determinación; MAE: Error Absoluto Medio; MSE: Error cuadrático medio; RMSE: Raíz cuadrada del error cuadrático medio; MAPE: Error porcentual absoluto  

medio; CV-RMSE: Coeficiente de variación de la raíz del error cuadrático medio; AC: Accurracy; NRMSE: Error cuadrático medio normalizado; F1: Puntuación F1; NMBE: R:  

Coefficient of correlation. 

Software ➔WEKA: Waikato Environment for Knowledge Analysis; ASA: Azure Synapse Analytics; VIMOEN: VIsual MOnitoring of ENergy; NS V5: NeuroSolutions Versión 5



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 17 | 34 

3.3.2  Redes neuronales artificiales (ANN) 

 

El principio de ANN se basa en la forma en que los sistemas nerviosos biológicos procesan 

la información. Consiste en las tres partes mostradas por la Figura 6: (i) primera capa (de 

entrada), que acomoda todas las variables de entrada del modelo, (ii) la capa final, con cada 

neurona representando una salida diferente del modelo y (iii) la(s) capa(s) oculta(s), donde 

los datos proporcionados por la capa de entrada son analizados por un número variable de 

neuronas en busca de un patrón en la relación entre las distintas variables de entrada y el 

objetivo. 

El patrón se traduce en pesos y sesgos dados a la conexión entre cada neurona y la neurona 

en la capa anterior. Los pesos muestran la fuerza de cada conexión; mientras los sesgos son 

un factor agregado a los pesos para imponer compensaciones y aproximar los valores de las 

series de tiempo pronosticadas a los reales. Dada la flexibilidad de los modelos ANN, se 

pueden configurar para una sola salida o múltiples salidas [72]. En general, es utilizada como 

una única técnica o dentro de un conjunto de técnicas donde se evalúa su exactitud. Se pueden 

identificar cinco tipos de redes neuronales usadas para predecir el consumo energético: 

perceptrón multicapa (MLP), redes neuronales recurrentes profundas (DRNN), redes 

neuronales profundas (DNN), red neuronal Elman (ENN) y memoria a largo y corto plazo 

(LSTM). 

MLP es un tipo de red neuronal profunda que utiliza propagación hacia adelante con una 

capa oculta donde se aprenden las características latentes y abstractas [11]. Está conformado 

por varios perceptrones simples o redes de una sola capa. Trata de imitar el comportamiento 

de una red neuronal biológica más grande. Cuenta con la capa de entrada, la capa de salida 

de la red y las capas ocultas de la red. Una red neuronal de avance de dos capas fue usada 

por Olu-Ajayi et al. [11] para predecir el consumo energético anual en la etapa de diseño de 

4500 edificios. Este algoritmo tuvo una precisión de 0,58 y una puntuación F1 de 0,52. 

Las DRNN modelan dependencias temporales presentes en los datos de series temporales 

mediante el uso de conexiones de retroalimentación para recordar los valores en pasos de 

tiempo anteriores. Las dependencias de la salida de tiempo anteriores utilizan el algoritmo 

de propagación hacia atrás a través del tiempo [63]. 

 

 
Figura 6. Esquema general de una red neuronal artificial. Fuente: elaboración propia. 

 

... ...

Capa de 

entrada
Capa 

oculta

Capa de 

salida

Entrada 1

Predicción 

de energía

Entrada 2

Entrada 3

Entrada n



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 18 | 34 

Este tipo red neuronal fue usado por Mawson et al. [67] para predecir el consumo hora a 

hora del sistema HVAC de una edificación industrial ubicada en Reino Unido con una 

exactitud de 96,8 %. Rahman et al. [63] usaron DRNN para predecir valores de consumo de 

electricidad con una resolución de una hora en un periodo de tiempo de mediano a largo plazo 

para dos casos: predicción del consumo de energía eléctrica en un edificio de seguridad pública 

durante un período de 83 días y predicción del consumo total de electricidad en edificios 

residenciales en un horizonte de tiempo de un año. 

ENN generalmente tiene dos capas, la capa oculta tiene una realimentación desde su 

salida a su entrada. La realimentación permite a la red aprender a reconocer y generar 

patrones temporales o variantes en el tiempo. El retardo de la conexión almacena valores del 

instante de tiempo anterior, que pueden ser utilizados en el instante actual. Ruiz et al. [69] 

aplicaron este tipo de red neuronal para predecir el consumo de energía de 25 edificios 

educativos ubicados en España, fue el modelo más preciso y estable en comparación con 

árboles de regresión y máquinas de vectores de soporte.  

LSTM contiene celdas que constan de una puerta de entrada, una puerta de salida y una 

puerta de olvido, que almacena y transmite datos desde la celda. La puerta de olvido es el 

proceso de decidir si descartar datos pasados, la puerta de entrada determina si almacenar 

la información actual y la puerta de salida es el proceso de decidir qué valor de salida generar. 

Este tipo de red neuronal es adecuada para modelos de predicción basado en el análisis de 

series temporales. Este algoritmo fue utilizado por Hwang et al. [20] junto con otras técnicas 

de aprendizaje automático para predecir el consumo de 28 edificaciones comerciales basados 

en información de edificios e instalaciones mediante un enfoque de dos pasos: recopilación y 

procesamiento previo de datos y desarrollo del modelo de predicción. La Tabla 6 presenta las 

características principales de las redes neuronales artificiales utilizadas en la predicción del 

consumo de energía en edificaciones. 

 
Tabla 6. Características de las redes neuronales artificiales. Fuente: elaboración propia. 

Nombre Estructura Conexión 
Tipo de 

aprendizaje 

Flujo de 

información 
Información adicional 

MLP 

Multicapa 

Capa de entrada- 

Capa oculta- Capa 

de salida 

Total o 

parcialmente 

conectada 

Supervisado Unidireccional Propagación hacia atrás 

DRNN Multicapa 
Parcialmente 

conectada 
Supervisado Realimentadas 

Tipo de red neuronal profunda 

con realimentación 

DNN Multicapa 
Parcialmente 

conectada 

Supervisado 

No supervisado 

Por refuerzo 

Unidireccional 

Posee mayor cantidad de capas 

ocultas que una red neuronal 

artificial común 

ENN Multicapa 
Parcialmente 

conectada 
Supervisado Realimentadas 

Son un tipo de redes neuronales 

recurrentes. Tiene entradas 

adicionales de la capa oculta 

denominadas capa de contexto. 

LSTM Multicapa 
Parcialmente 

conectada 
Supervisado Realimentadas 

Se usa para evitar que el 

gradiente explote o desaparezca 

 

 

 

 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 19 | 34 

Existen tres tipos de aprendizaje automático. En el aprendizaje supervisado las máquinas 

se programan con conjuntos de datos de entrenamiento que aseguran que la salida sea de 

cierto valor o calidad, se divide en dos categorías: clasificación y regresión. En el aprendizaje 

no supervisado se inicia con un algoritmo y un conjunto de datos, pero la máquina debe 

descubrir su propio significado en los datos que le proporciona, los algoritmos de este tipo de 

aprendizaje se clasifican en agrupamiento y asociación [73]. El aprendizaje por refuerzo toma 

decisiones y va aprendiendo de su experiencia con los datos [74]. 

Las redes neuronales no recurrentes son aquellas en las que el flujo de información va en 

una sola dirección, no existe realimentación y carecen de memoria. Las redes neuronales 

recurrentes poseen realimentación entre neuronas de una misma capa o de diferentes capas, 

lo anterior permite que posean memoria [63]. 

 
3.3.3  Máquinas de soporte vectorial (SVM) 

 

SVM es un algoritmo de aprendizaje robusto para resolver problemas no lineales y se 

puede utilizar tanto para la regresión como para la clasificación. SVM permite encontrar un 

hiperplano óptimo que separe las clases con un margen máximo. Si la SVM se ejercita para 

predecir una serie de tiempo o números reales, se denomina regresión de vectores de soporte 

(SVR). SVR utiliza los mismos principios que SVM. La Figura 7 se muestra un esquema 

general de este tipo de algoritmo. Para cada vector de parámetros de entrada (𝑋) y su vector 

de salida correspondiente (𝑌), SVR relaciona las entradas y salidas usando (14), donde 𝑊 

representa el vector de peso y 𝑏 representa el sesgo que depende de la función de Kernel 

seleccionada (𝜑(𝑋)). La función de Kernel cuantifica la similitud de dos observaciones [70].  

 
𝑌 = 𝑊.𝜑(𝑋) + 𝑏 (14) 

 

 
Figura 7. Esquema general de un SVR. Fuente: elaboración propia. 

 

 

Variable 1

x1

Variable 2

x2

Variable 3

x3

Variable n

xn

 
.

Variable 4

x4

ϕ(x1) 

ϕ(x2) 

ϕ(x3) 

ϕ(x4) 

ϕ(xn) 

Σ(wn)(ϕ(xn)) Bias b

w1

w2

w3

w4

wn

Output
Σ(wn)(ϕ(xn)) + b

 
.

Vectores de 

soporte

Función de 

Kernel

Weights



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 20 | 34 

3.3.4  Árboles de decisión 

 

Utiliza una estructura de árbol similar a un diagrama de flujo para segregar un conjunto 

de datos en varias clases predefinidas, proporcionando así la descripción, categorización y 

generalización de conjuntos de datos dados. Como modelo lógico, el árbol de decisiones 

muestra cómo se puede predecir el valor de una variable de destino utilizando los valores de 

un conjunto de variables predictoras. Para ello, el proceso de entrenamiento se divide en dos 

etapas: (i) división sucesiva del espacio de los predictores en regiones (e.g., minimización de 

la raíz de la suma residual) y (ii) predicción de la variable respuesta en cada región 

establecida. La popularidad del método del árbol de decisión se atribuye principalmente a su 

facilidad de uso y su capacidad para generar modelos predictivos con estructuras 

comprensibles e interpretables que, en consecuencia, brindan información clara y útil sobre 

los dominios correspondientes [75]. Este algoritmo fue utilizado por Ramos et al. [76] para 

evaluar cuál algoritmo era el más adecuado para predecir el consumo de un edificio entre 

redes neuronales artificiales. La Figura 8 presenta el esquema general de un árbol de 

decisión, los nodos y la relación entre ellos. 

 
3.3.5  Aumento de gradiente (GB) 

 

Este método utiliza un conjunto de modelos débiles que en conjunto forman un modelo 

más fuerte. El modelo final es una función que recibe un vector de atributos x ∈ Rn como 

entrada para identificar un valor F(X) ∈ R. Además, una de las razones para utilizar GB se 

basa en la reputación anterior de métodos de conjunto que superan a otros métodos de 

aprendizaje automático. Por lo general, se reconocen como los regresores o clasificadores que 

producen los mejores resultados listos para usar [60]. 

 
3.3.6  Árbol aleatorio de regresión (RFR) 

 

Es una técnica de conjunto que ofrece varias características beneficiosas, tales como: (i) se 

basa en la teoría del aprendizaje por conjuntos, lo que le permite aprender tanto problemas 

simples como complejos; (ii) no exige muchos ajustes de hiperparámetros para lograr un buen 

rendimiento en comparación con otros algoritmos de ML (e.g., ANN y SVM) y (iii) sus 

parámetros predeterminados a menudo producen un rendimiento excelente. Por lo tanto, 

RFR está ganando más atención en el campo del consumo de energía en edificios [60]. 

 

 
Figura 8. Esquema general de un árbol de decisión. Fuente: elaboración propia. 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 21 | 34 

Con base en lo mostrado en la Tabla 6, se puede apreciar el uso del software utilizado para 

entrenar las técnicas de aprendizaje automático. La Figura 9 muestra que el software Python 

es el más utilizado para entrenar las técnicas de predicción basadas en datos. Matlab, Azure 

Synapse Analytics, WEKA, VIMOEN y NeuroSolutions son programas que también se usan 

para el entrenamiento de los algoritmos. 

 
3.4 Enfoque híbrido 

 

El enfoque híbrido combina dos de los enfoques mencionados, enfoque estadístico & ML o 

simulación simplificada & ML, lo cual permite mitigar las desventajas que presenta un 

enfoque; por ejemplo, el tiempo de predicción empleado en simulación se puede reducir 

utilizando simulación simplificada y aprendizaje automático. También, este enfoque se ha 

usado para compensar la incapacidad de los modelos SARIMA para tratar con exactitud los 

componentes no lineales de los datos de predicción de energía de edificios, se combina el 

modelo estadístico SARIMA y las máquinas de soporte vectorial (SVM) [19]. Otro ejemplo, 

propone un enfoque de dos pasos basado en estadísticas y ML, para desarrollar un modelo de 

predicción de consumo de electricidad de alta exactitud superando limitaciones de 

información insuficiente [20]. Mui et. al [77] proponen un enfoque de simulación hibrido 

(EnergyPlus y ANN) que se puede aplicar a diversos tipos de edificios para estimar el 

consumo anual de energía de refrigeración. Utiliza el software EnergyPlus para realizar el 

modelado de los edificios, luego a través de Matlab y Python se gestionan los datos de energía 

(entregados por EnergyPlus) y se entrenan las redes neuronales artificiales. La Tabla 7 

muestra los hallazgos encontrados en los artículos que usaron enfoque híbrido; por ejemplo, 

los edificios que más se usan para estudiar su comportamiento energético fueron los 

comerciales y los educativos, la combinación de técnicas estadísticas con técnicas de 

aprendizaje automático tiene una representatividad del 58,3 % mientras que en los artículos 

que usaron simulación y aprendizaje automático la representatividad fue del 47,7 %. 

 

 
Figura 9. Programas utilizados para entrenar algoritmos de ML. Fuente: elaboración propia. 

 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 22 | 34 

Tabla 7. Artículos encontrados para enfoque híbrido. Fuente: elaboración propia. 

Ref. País Año 

Edificación 

Variables de entrada 

Técnicas Enfoque 
Datos de 

comparación 
Métricas de evaluación Software 

C
a
n

ti
d

a
d

 

Tipo 

S
A

R
IM

A
 

S
A

R
IM

A
X

 

A
R

IM
A

 
R

L
M

 

G
D

 

A
N

N
 

L
S

T
M

 

S
V

M
 

E
n

e
rg

y
P

lu
s 

IE
S

-V
E

 

D
e
si

g
n

B
u

il
d

e
r 

O
tr

a
s 

S
S

 +
 M

L
 

E
 +

 M
L

 

M
 

S
 

R
2
 

M
A

E
 

M
S

E
 

R
M

S
E

 

M
A

P
E

 

R
E

 

R
 

C
V

-R
M

S
E

 

 

O
tr

a
s 

P
y
th

o
n

 

M
a
tl

a
b
 

R
e
si

d
e
n

ci
a
l 

C
o
m

e
rc

ia
l 

E
d

u
ca

ti
v
o
 

O
tr

o
s 

[78] 

China 

2022 8   √  

Temperatura media del aire 

exterior, humedad relativa 

exterior, amplitud de 

temperatura, género, índice de 

vacaciones e índice de días 

soleados. 

   √        JPR  √ √  √   √ √   √ N_MBE √  

[79] 2022 1  √   

Temperatura, humedad, 

intensidad de luz, 

concentración de dióxido de 

carbono, velocidad del viento y 

la lluvia. Sensores de 

monitoreo ambiental interior. 

           
TPM 

DDM 
√  √       √    - - 

[23] 2022 1   √  
Datos de carga de calefacción 

por hora. 
  √         DL  √ √  √   √    √ MBE - - 

[77] 2022 2 √   Hospital 

Temperatura exterior, día en 

un año, hora en un día, 

temperatura del aire, área de 

la ventana, área de la pared 

externa, superficie del 

apartamento, orientación, 

valor U de la ventana, valor U 

de la pared, coeficiente de 

sombreado, ángulo de sombra 

vertical. 

     √   √    √   √   √        √ 

[19] 

Reino 

Unido 

2020 1   √  

Fecha, día de la semana, 

temperatura exterior, 

temperatura aparente, 

temperatura mínima exterior, 

temperatura máxima exterior, 

presión del aire, humedad, 

velocidad del viento, nivel de 

la nube. 

√       √      √ √  √   √      - - 

[80] 2020 1    
No 

residencial 

Temperatura ambiente, punto 

de ajuste de calefacción, punto 

de ajuste de refrigeración, 

perfil de la planta, humedad 

relativa, contenido de 

     √  √  √  RNN √   √    √ √    N-RMSE  √ 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 23 | 34 

Ref. País Año 

Edificación 

Variables de entrada 

Técnicas Enfoque 
Datos de 

comparación 
Métricas de evaluación Software 

C
a
n

ti
d

a
d

 

Tipo 

S
A

R
IM

A
 

S
A

R
IM

A
X

 

A
R

IM
A

 
R

L
M

 

G
D

 

A
N

N
 

L
S

T
M

 

S
V

M
 

E
n

e
rg

y
P

lu
s 

IE
S

-V
E

 

D
e
si

g
n

B
u

il
d

e
r 

O
tr

a
s 

S
S

 +
 M

L
 

E
 +

 M
L

 

M
 

S
 

R
2
 

M
A

E
 

M
S

E
 

R
M

S
E

 

M
A

P
E

 

R
E

 

R
 

C
V

-R
M

S
E

 

 

O
tr

a
s 

P
y
th

o
n

 

M
a
tl

a
b
 

R
e
si

d
e
n

ci
a
l 

C
o
m

e
rc

ia
l 

E
d

u
ca

ti
v
o
 

O
tr

o
s 

humedad, carga sensible de la 

planta de calefacción, 

ganancia interna y número de 

personas. 

[81] 
Países 

Bajos 
2021 

1600

000 
√    

Dirección, índice energético 

NV, consumo teórico de 

energía, año de construcción, 

subtipo de edificio, superficie 

habitable en m2, área de 

pérdida de calor: piso, techo, 

fachada, fachada a espacios 

sin calefacción, puertas, 

hermeticidad de la capa 

exterior, sistemas de 

ventilación, sistema de 

calefacción, generador de 

calefacción, temperatura del 

sistema de calefacción, 

sistema de agua del grifo, 

generador de agua del grifo, 

sistema de refrigeración, 

ducha con sistema de 

recuperación de calor, área de 

paneles fotovoltaicos, área de 

paneles de calefacción solar. 

    √       MGN  √ √  √         - - 

[21] Vietnam 2022 6  √   

Consumo de energía, 

temperatura exterior, 

humedad exterior, día de la 

semana y hora del día. 

√       √      √ √   √  √ √  √    √ 

[22] EE. UU. 2022 1   √  

Fecha, mes, día, hora, hora y 

minuto, consumo de energía 

de algunos aparatos 

electrónicos.  

  √ √   √       √ √     √ √  √   - - 

[20] 
Corea del 

Sur 
2020 28  √   

Temperatura, velocidad del 

viento, presión atmosférica, 

humedad relativa, irradiación 

solar, área, número de pisos, 

 √    √ √ √    DNN  √ √     √ √    
CV 

MBE 
- - 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 24 | 34 

Ref. País Año 

Edificación 

Variables de entrada 

Técnicas Enfoque 
Datos de 

comparación 
Métricas de evaluación Software 

C
a
n

ti
d

a
d

 

Tipo 

S
A

R
IM

A
 

S
A

R
IM

A
X

 

A
R

IM
A

 
R

L
M

 

G
D

 

A
N

N
 

L
S

T
M

 

S
V

M
 

E
n

e
rg

y
P

lu
s 

IE
S

-V
E

 

D
e
si

g
n

B
u

il
d

e
r 

O
tr

a
s 

S
S

 +
 M

L
 

E
 +

 M
L

 

M
 

S
 

R
2
 

M
A

E
 

M
S

E
 

R
M

S
E

 

M
A

P
E

 

R
E

 

R
 

C
V

-R
M

S
E

 

 

O
tr

a
s 

P
y
th

o
n

 

M
a
tl

a
b
 

R
e
si

d
e
n

ci
a
l 

C
o
m

e
rc

ia
l 

E
d

u
ca

ti
v
o
 

O
tr

o
s 

número de sótanos, día de la 

semana, Q-value. 

[82] 2022 3 √ √  Público 

Aislamiento de la envolvente 

del modelo, aislamiento de las 

ventanas, coeficiente de 

ganancia de calor solar, 

infiltración, ganancia de calor 

de iluminación, ganancia de 

calor del equipo, ganancia de 

calor de las personas, 

temperatura de consigna de 

calefacción/refrigeración, 

eficiencia del dispositivo de 

calefacción/refrigeración. 

    √    √    √   √      √  √  √  

[83] Dinamarca 2022 1    Público 

Dióxido de carbono, humedad, 

energía de la luz visible, 

número de ocupantes, 

temperatura del aire, flujo de 

aire interior. 

        √  √ RF √  √  √ √  √     

FS 

RSE 

ALL 

√  

Representatividad 

3 4 4 4 

Representatividad 

2 1 2 2 2 3 4 4 3 1 1 7 5 7 9 3 5 2 1 8 5 2 2 3 5 3 2 

2
5
%

 

3
3
.3

3

%
 

3
3
.3

3

%
 

3
3
.3

3

%
 

1
6
.7

%
 

8
.3

3
%

 

1
6
.7

%
 

1
6
.7

%
 

1
6
.7

%
 

2
5
%

 
3
3
.3

3

%
 

3
3
.3

3

%
 

2
5
%

 

8
.3

3
%

 

8
.3

3
%

 

5
8
.3

3

%
 

4
1
.7

%
 

5
8
.3

%
 

7
5
%

 

2
5
%

 

4
1
.7

%
 

1
6
.7

%
 

8
.3

3
%

 

6
6
 

.6
7
%

 
4
1
.7

%
 

1
6
.7

%
 

1
6
.7

%
 

2
5
%

 

4
1
.7

%
 

2
5
%

 

1
6
.7

%
 

 

Técnicas ➔ SARIMA: Media móvil integrada autorregresiva SARIMAX: media móvil integrada autorregresiva estacional con factores exógenos; ARIMA: Media móvil integrada autorregresiva; RLM: Regresión Lineal Múltiple; ANN: 

Artificial Neural Networks; LSTM: Memoria a largo y corto plazo; SVM: Support Vector Machine; GD: Gradiente descendente; MGN: Método de Gauss-Newton; JPR: Regresión de punto de unión; DL: Deep Learning; TPM: Modelo físico 

tradicional; DDM: Modelo Basado en Datos; RNN: Random Neural Network; RF: Random Forest 

Datos de comparación ➔ M: medición; S: simulación;  

Métricas de evaluación ➔ CV: Coeficiente de variación; MBE: Error de sesgo medio; NMBE: Error de sesgo medio normalizado; R2: Coeficiente de determinación; MAE: Error Absoluto Medio; MSE: Error cuadrático medio; RMSE: Raíz 

cuadrada del error cuadrático medio; MAPE: Error porcentual absolute medio; CV-RMSE: Coeficiente de variación de la raíz del error cuadrático medio; CV: Coeficiente de variación; MBE: Error de sesgo medio; R: Coeficiente de 

correlación R; FS: F-Score; RSE: Error cuadrático relativo; ALL: Average log los: RE: Relative Error 

Enfoques ➔ SS: Simulación simplificada; ML: Machine Learning; E: Estadístico 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 25 | 34 

La Figura 10 hace un resumen de los tipos de edificaciones estudiadas por enfoque y el 

porcentaje de tipo de edificación estudiada a nivel global. 

 

 
a. Edificaciones por enfoque 

 

 
b. Tipos de edificaciones estudiadas (%) 

Figura 10. Tipos de edificaciones. Fuente: elaboración propia. 

 
 

4. MÉTRICAS DE EVALUACIÓN DE DESEMPEÑO 

 

Algunas de las métricas usadas para evaluar el desempeño de las técnicas de predicción 

del consumo energético de las edificaciones son las mostradas en la Tabla 8. La Figura 11 

muestra un resumen de los hallazgos más importantes en cuanto a estos indicadores de 

rendimiento; por ejemplo, las técnicas que se emplean con mayor frecuencia son RMSE, 

MAPE, MAE y R2. El MAPE estuvo en un rango de [0,05 %-18,95 %], CVRMSE: [0,02 % -

30 %], RE: [0,5 %-17,04 %] y NMBE: [0,2 % -7,7 %]. La mediana de R2 y R fue 0,903 y 0,885, 

respectivamente.  

 

 

33,8%

23,5%

23,5%

4,4%
4,4%

2,9%

2,9%
1,5% 1,5% 1,5%

Residencial Comercial Educativo No residencial

Público Industrial Hospital Inteligente

Invernadero Hotel



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 26 | 34 

Tabla 8. Métricas de rendimiento utilizadas en la literatura. Fuente: elaboración propia. 

Métrica Fórmula 
 

Métrica Fórmula 

Mean Squared 

Error 
𝑀𝑆𝐸 =

1

𝑛
∑(𝑦𝑖 − �̂�𝑖)

2

𝑛

𝑖=1

 

 

Relative Error 𝑅𝐸 =
|𝑦𝑖 − �̂�𝑖|

𝑦𝑖
∗ 100 

R-Squared 𝑅2 = 1 −
∑ (𝑦𝑖 − �̂�𝑖)

2𝑁
𝑖=1

∑ (𝑦𝑖 − �̅�𝑖)
2𝑁

𝑖=1

 

 

Correlation 

coefficient 

𝑅

=
𝑛∑𝑦𝑖 �̂�𝑖 − (∑𝑦𝑖)(∑ �̂�𝑖)

√𝑛(∑𝑦𝑖
2) − (∑𝑦𝑖)

2√𝑛(∑ �̂�𝑖
2) − (∑ �̂�𝑖)

2

 

Mean Absolute 

Error 
𝑀𝐴𝐸 = (

1

𝑛
) (∑|𝑦𝑖 − �̂�𝑖|

𝑛

𝑖=1

) 

 Coefficient of 

Variation of the 

Root Mean 

Squared Error 

𝐶𝑉𝑅𝑀𝑆𝐸 =
√𝑛∑ (�̂�𝑖 − 𝑦𝑖)

2𝑛
𝑖=1

∑ 𝑦𝑖
𝑛
𝑖=1

 

Mean Absolute 

Percentage Error 
𝑀𝐴𝑃𝐸 = (

1

𝑛
)(
∑ |𝑦𝑖 − �̂�𝑖|
𝑛
𝑖=1

𝑦𝑖
) 

 

Normalized Mean 

Bias Error 
𝑁𝑀𝐵𝐸 =

∑ |𝑦𝑖 − �̂�𝑖|
𝑛
𝑖=1

𝑦𝑖
 

Root Mean 

Squared Error 
𝑅𝑀𝑆𝐸 = √

1

𝑛
(∑(𝑦𝑖 − �̂�𝑖)

2

𝑛

𝑖=1

) 

 

 

 

+𝑛: número de muestras o mediciones; 𝑦𝑖: datos reales; �̂�𝑖: datos predichos; 𝑦𝑚𝑎𝑥: valor máximo real; 𝑦𝑚𝑖𝑛: valor mínimo real. 

 

  
a. Uso según enfoque     b. Boxplot para algunas métricas 

 

 
c. Boxplot para R2 y R. 

Figura 11. Métricas de rendimiento. Fuente: elaboración propia. 

 
 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 27 | 34 

MSE es la medida de la variación cuadrática entre los valores estimados y los valores 

reales. Es una evaluación de la calidad de un predictor. R2 representa la proporción predecible 

de la varianza en la variable dependiente que puede ser expuesta por la(s) variable(s). MAE 

es la diferencia promedio entre las variables esperadas y reales. MAPE es la medida promedio 

de los errores absolutos de los pronósticos. RMSE es la desviación estándar de los errores de 

predicción. El error relativo es el cociente entre el error absoluto y el valor real. El coeficiente 

de correlación R es un valor entre -1 y 1, mide la fuerza y la dirección de la relación lineal 

entre dos variables, para valores cercanos a 0 la relación lineal es débil, los valores de R igual 

a 1 y -1 expresan una relación lineal perfecta positiva o negativa, respectivamente. El CV-

RMSE es una métrica que indica inestabilidad en la relación observada entre variables en el 

período de referencia. La N_MBE es una normalización del índice MBE que se utiliza para 

escalar los resultados haciéndolos comparables. 

 

 

5. FORTALEZAS Y DEBILIDADES DE LAS TÉCNICAS DE PREDICCIÓN 

 

Los enfoques de predicción utilizados para predecir el consumo de energía en edificaciones 

presentan algunas ventajas y desventajas. La Tabla 9 muestra las fortalezas y debilidades 

de cada enfoque. Los datos requeridos por el enfoque estadístico son datos históricos de tipo 

series temporales, pues necesita datos medidos en intervalos de tiempo secuenciales [32]. Los 

modelos basados en datos pueden utilizar series temporales, pero no son tan importantes 

como en el caso del enfoque estadístico, los datos históricos si son relevantes en este enfoque 

[17]. El enfoque de simulación solo necesita parámetros físicos (de construcción detallada), 

datos medioambientales y datos de cargas eléctricas. Los datos de la estructura de los 

edificios se obtienen de los planos de planta y planos eléctricos de las edificaciones [58]. Para 

el caso del modelo híbrido depende del modelo que se decida utilizar; en ambos casos se 

requiere de datos históricos, pues en los dos grupos en los que está dividido este enfoque se 

entrenan técnicas de aprendizaje automático [78]. Los datos meteorológicos se tienen en 

cuenta en los cuatro enfoques de predicción debido a que el clima afecta en gran medida el 

consumo energético en los edificios por el uso del aire acondicionado o los sistemas de 

calefacción. Los datos por lo general son recolectados por sensores, medidores de energía y 

estaciones meteorológicas. 

La Tabla 10 analiza los enfoques de predicción a partir de diez criterios que favorecen el 

proceso de selección a investigadores 

 
Tabla 9. Fortalezas y debilidades de los enfoques de predicción. Fuente: elaboración propia. 

Enfoque Fortalezas Debilidades 

Estadístico 

Fácil desarrollo Predicción rápida Inexactitud Requiere datos históricos 

Modelos sencillos  Falta de flexibilidad 
Enfoque mayormente 

lineal 

Simulación 

Exactitud  
Costos computacionales 

altos 

Requiere gran cantidad de 

datos físicos y ambientales 

No requiere datos 

históricos 
 Alta complejidad 

Requiere parámetros de 

construcción detallados 

Basado en datos 

Exactitud Entrenamiento rápido Requiere datos históricos Difícil de generalizar 

No requiere muchas 

entradas 

Costos computacionales 

bajos 
Ineficiencia computacional  

Apropiado para modelado no lineal   

Híbrido 
Combina dos de los enfoques anteriores para superar 

desventajas 
Ineficiencia computacional  

 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 28 | 34 

Tabla 10. Criterios descriptores de los enfoques de predicción. Fuente: elaboración propia. 

Criterio 

Enfoque 

Estadístico Simulación 
Basado en 

datos 

Híbrido 

Simulación + 

ML 

Enfoque 

estadístico + 

ML 

Nivel de exactitud 

Porcentaje de 

exactitud que 

muestra la técnica 

de predicción. Se 

mide con las 

métricas de 

rendimiento. 

Baja Alta Media Alto Alto 

Tiempo de 

predicción 

Es la duración que 

toma todo el 

proceso de 

predicción 

Bajo Alto Bajo Medio Alto 

Diseño de 

edificaciones 

Campo de la 

arquitectura y la 

ingeniería que se 

encarga de 

diseñar y modelar 

este tipo de 

construcciones 

No 

recomendable 
Recomendable 

No 

recomendable 
Recomendable Recomendable 

Edificaciones en 

operación 

Edificaciones 

habitadas y 

existentes 

Recomendable 
No tan 

recomendable 
Recomendable 

No tan 

recomendable 
Recomendable 

Datos 

históricos/series 

temporales 

Datos registrados 

por medio de 

equipos 

especializados 

Requiere No requiere Requiere No requiere Requiere 

Datos físicos, 

meteorológicos y 

de construcción 

Datos utilizados 

como variables de 

entrada 

Algunas veces 

usa 
Usa Usa Usa 

Algunas veces 

usa 

Número de 

edificaciones  

Cantidad de 

edificaciones 

evaluadas en la 

predicción  

Más de uno 
Generalmente 

es uno 
Más de uno 

Generalmente 

uno 
Más de uno 

Modelo 

Tipo de forma o 

modelo 

matemático que el 

enfoque predicción 

calcula con mayor 

exactitud  

Lineal - No lineal - 
Lineal y no 

lineal 

Costo 

computacional 

Precio del 

software de 

predicción 

Bajo Alto Bajo Medio Bajo 

Personal 

capacitado 

Conocimientos de 

las personas para 

usar cada enfoque 

Estadística 

Software de 

simulación 

avanzado 

Machine 

Learning 

Software de 

simulación 

simplificado y 

estadística 

Estadística y 

Machine 

Learning 

 

 

6. CONCLUSIONES 

 

Este artículo es una revisión de investigaciones recientes sobre la predicción del consumo 

energético en edificaciones. Fue posible identificar cuatro enfoques de predicción: estadístico, 

ingeniería, basado en datos e híbrido. La técnica más utilizada en el enfoque estadístico es 

ARIMA con una representatividad de 46,7 % del total de las investigaciones estudiadas en 

este grupo, de segunda posición están SARIMA y SARIMAX con un 20 %. Matlab es uno de 

los programas utilizados para ensayar estas técnicas, 26,7 % de los artículos usaron este 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 29 | 34 

programa. Por otra parte, existe gran variedad de programas de simulación de energía los 

cuales se diferencian por sus características técnicas y tipo de modelado. Design Builder y 

EnergyPlus son programas bastante utilizados para evaluar el comportamiento energético 

de las edificaciones; note que para este enfoque se requiere de personal altamente capacitado 

y tiene costos computacionales altos. El enfoque de caja negra o basado en datos es el que se 

usa con mayor frecuencia en la literatura; se encontraron un promedio de 25 técnicas (es el 

enfoque que mayor número de técnicas emplea) en 18 artículos estudiados, siendo EE. UU. 

el país que más investigaciones realiza utilizando este enfoque. Es posible comprobar que el 

uso del enfoque híbrido mejora significativamente la exactitud de las predicciones como, por 

ejemplo, el modelo híbrido JP-MLR muestra un R2 de 0,9577 y los algoritmos separados JPR 

y MLR tienen un R2 de 0,8766 y 0,7098 [78]. El enfoque estadístico en conjunto con el 

aprendizaje automático tuvo una representatividad del 58,3 % y para el enfoque de 

simulación simplificada y ML fue de 41,7 %. Lo más destacado de estas técnicas es que 

permiten superar las desventajas presentadas por las técnicas y a través del trabajo en 

conjunto obtener buenos resultados. 

En cuanto al tipo de información a procesar, se recomienda utilizar el enfoque basado en 

datos o estadístico si se tienen disponibles suficiente cantidad de datos históricos; si, por el 

contrario, sólo se tienen datos físicos de las edificaciones y ambientales el enfoque de 

ingeniería es el indicado para la predicción. Para el enfoque híbrido, depende de los criterios 

mencionados en conjunto con otros criterios, por ejemplo, si se dispone de datos históricos y 

se desea compensar la incapacidad de los modelos estadísticos de tratar con los componentes 

no lineales de los datos, se puede usar el enfoque estadístico & ML; pero si se tiene solo datos 

de construcción de las edificaciones, puede obtener datos de simulación simplificada y 

mejorar el modelo con técnicas de ML.  

La exactitud de las técnicas de predicción puede ser evaluada a través de indicadores de 

rendimiento; según la Figura 11 a), a nivel general los más utilizados son RMSE y MAPE. 

Los tipos de edificaciones que más se estudian son residenciales (34 %), comerciales (24 %) y 

educativas (24 %).  

Cada enfoque posee unas debilidades y unas fortalezas identificadas en este artículo que 

permitieron proponer un listado de diez criterios para la escogencia de una técnica de 

predicción. Estos criterios se basan en los recursos, habilidades e información disponible en 

la investigación. Se sugiere aplicar una o varias de las técnicas mencionadas en esta 

investigación para predecir el consumo energético de edificaciones y hacer uso de las métricas 

de rendimiento para evaluar la exactitud de las predicciones.  

Esta investigación, a diferencia de otras revisiones, clasifica los enfoques en cuatro 

grupos, abordando la mayor cantidad de técnicas usadas para predecir el consumo de energía 

en edificios. Las revisiones encontradas muestran que unas dividen en tres enfoques y 

mezclan el enfoque estadístico con el aprendizaje automático; mientras, otras dejan por fuera 

los métodos estadísticos.  

Este artículo puede ser de utilidad (i) para el sector académico porque puede servir como 

guía para investigadores que estén interesados en seleccionar y aplicar técnicas de predicción 

de energía de manera rápida y sencilla, (ii) para el sector de la construcción porque permite 

promover el uso de nuevas técnicas rápidas y exactas para la construcción de proyectos verdes 

o con estándares de eficiencia energética, (iii) para el sector gubernamental porque puede 

ayudar a motivar a los ciudadanos a gestionar el consumo de energía en los edificios donde 

realizan sus actividades y (iv) para el sector de la construcción podría incentivar a las 

empresas constructoras por medio de beneficios tributarios a construir proyectos verdes u 

otorgar becas a investigadores o instituciones educativas para que sigan profundizando en 

esta temática, lo anterior con el fin de apoyar la transición energética en el país. 



L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 30 | 34 

7. AGRADECIMIENTOS Y FINANCIACIÓN 

 

Este trabajo no cuenta con apoyo económico de ninguna entidad. Se agradece a la 

Universidad Industrial de Santander por su apoyo en el acceso a material bibliográfico. 

 

 

CONFLICTOS DE INTERÉS DE LOS AUTORES 

 

Los autores declaran que no existe ningún conflicto de interés. 

 

 

CONTRIBUCIÓN DE LOS AUTORES 

 

Liliana Ortega-Diaz, metodología, investigación, redacción, revisión y edición. 

Jorge Cárdenas-Rangel, conceptualización, metodología, redacción, revisión y edición. 

German Osma-Pinto, conceptualización, metodología, redacción, revisión y edición.  

 

 

8. REFERENCIAS 

 
[1] International Energy Agency, “Buildings,” 2022. https://www.iea.org/reports/buildings 

[2] United Nations Environment Programme, “2022 Global Status Report for Buildings and Construction,” 

Nairobi, Nov. 2022. https://www.unep.org/resources/publication/2022-global-status-report-buildings-and-

construction 

[3] B. Dandotiya and H. K. Sharma, “Climate Change and Its Impact on Terrestrial Ecosystems,” in Impacts 

of Climate Change on Agriculture and Aquaculture, A. Karmaoui, K. Barrick, M. Reed, and M. Baig (Eds)., 

IGI Global, 2021, pp. 140–157. https://doi.org/10.4018/978-1-7998-3343-7.ch007 

[4] J.-M. Liao, M.-J. Chang, and L.-M. Chang, “Prediction of air-conditioning energy consumption in R&D 

building using multiple machine learning techniques,” Energies, vol. 13, no. 7, p. 1847, Apr. 2020. 

https://doi.org/10.3390/en13071847 

[5] H. Bulkeley and M. M. Betsill, “Cities and Climate Change: Urban Sustainability and Global 

Environmental Governance,” Routledge, 2003. Cities and Climate Change: Urban Sustainability and Global 

Environmental Governance (worktribe.com) 

[6] A.-D. Pham, N.-T. Ngo, T. T. Ha Truong, N.-T. Huynh, and N.-S. Truong, “Predicting energy consumption 

in multiple buildings using machine learning for improving energy efficiency and sustainability,” J Clean 

Prod., vol. 260, p. 121082, Jul. 2020, https://doi.org/10.1016/j.jclepro.2020.121082 

[7] C. Deb, F. Zhang, J. Yang, S. E. Lee, and K. W. Shah, “A review on time series forecasting techniques for 

building energy consumption,” Renewable and Sustainable Energy Reviews, vol. 74, pp. 902–924, Jul. 2017. 

https://doi.org/10.1016/j.rser.2017.02.085 

[8] N.-T. Ngo, A.-D. Pham, T. T. Ha Truong, N.-S. Truong, N.-T. Huynh, and T. M. Pham, “An Ensemble 

Machine Learning Model for Enhancing the Prediction Accuracy of Energy Consumption in Buildings,” 

Arab J Sci Eng, vol. 47, pp. 4105–4117, Jun. 2022. https://doi.org/10.1007/s13369-021-05927-7 

[9] Y. Chen, M. Guo, Z. Chen, Z. Chen, and Y. Ji, “Physical energy and data-driven models in building energy 

prediction: A review,” Energy Reports, vol. 8, pp. 2656–2671, Nov. 2022. 

https://doi.org/10.1016/j.egyr.2022.01.162 

[10] E. Elbeltagi and H. Wefki, “Predicting energy consumption for residential buildings using ANN through 

parametric modeling,” Energy Reports, vol. 7, pp. 2534–2545, Nov. 2021. 

https://doi.org/10.1016/j.egyr.2021.04.053 

[11] R. Olu-Ajayi, H. Alaka, I. Sulaimon, F. Sunmola, and S. Ajayi, “Machine learning for energy performance 

prediction at the design stage of buildings,” Energy for Sustainable Development, vol. 66, pp. 12–25, Feb. 

2022. https://doi.org/10.1016/j.esd.2021.11.002 

[12] R. Chen and Y.-S. Tsay, “Carbon emission and thermal comfort prediction model for an office building 

considering the contribution rate of design parameters,” Energy Reports, vol. 8, pp. 8093–8107, Nov. 2022. 

https://doi.org/10.1016/j.egyr.2022.06.012 

https://www.iea.org/reports/buildings
https://www.unep.org/resources/publication/2022-global-status-report-buildings-and-construction
https://www.unep.org/resources/publication/2022-global-status-report-buildings-and-construction
https://doi.org/10.4018/978-1-7998-3343-7.ch007
https://doi.org/10.3390/en13071847
https://durham-repository.worktribe.com/output/1127233
https://durham-repository.worktribe.com/output/1127233
https://doi.org/10.1016/j.jclepro.2020.121082
https://doi.org/10.1016/j.rser.2017.02.085
https://doi.org/10.1007/s13369-021-05927-7
https://doi.org/10.1016/j.egyr.2022.01.162
https://doi.org/10.1016/j.egyr.2021.04.053
https://doi.org/10.1016/j.esd.2021.11.002
https://doi.org/10.1016/j.egyr.2022.06.012


L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 31 | 34 

[13] H.-x. Zhao and F. Magoulès, “A review on the prediction of building energy consumption,” Renewable and 

Sustainable Energy Reviews, vol. 16, no. 6, pp. 3586–3592, Aug. 2012. 

https://doi.org/10.1016/j.rser.2012.02.049 

[14] Y. Wei et al., “A review of data-driven approaches for prediction and classification of building energy 

consumption,” Renewable and Sustainable Energy Reviews, vol. 82, Part. 1, pp. 1027–1047, Feb. 2018. 

https://doi.org/10.1016/j.rser.2017.09.108 

[15] A. A. Ahmed Gassar and S. H. Cha, “Energy prediction techniques for large-scale buildings towards a 

sustainable built environment: A review,” Energy Build., vol. 224, p. 110238, Oct. 2020. 

https://doi.org/10.1016/j.enbuild.2020.110238 

[16] A. D’Amico, G. Ciulla, M. Traverso, V. Lo Brano, and E. Palumbo, “Artificial Neural Networks to assess 

energy and environmental performance of buildings: An Italian case study,” J Clean Prod., vol. 239, p. 

117993, Dec. 2019. https://doi.org/10.1016/j.jclepro.2019.117993 

[17] Y. Ding, L. Fan, and Xue Liu, “Analysis of feature matrix in machine learning algorithms to predict energy 

consumption of public buildings,” Energy Build., vol. 249, p. 111208, Oct. 2021. 

https://doi.org/10.1016/j.enbuild.2021.111208 

[18] F. Martellotta, U. Ayr, P. Stefanizzi, A. Sacchetti, and G. Riganti, “On the use of artificial neural networks 

to model household energy consumptions,” Energy Procedia, vol. 126, pp. 250-257, Sep. 2017. 

https://doi.org/10.1016/j.egypro.2017.08.149 

[19] Q. Qiao, A. Yunusa-Kaltungo, and R. Edwards, “Hybrid method for building energy consumption prediction 

based on limited data,” in 2020 IEEE PES/IAS PowerAfrica, Nairobi, 2020, pp. 1-5. 

https://ieeexplore.ieee.org/document/9219915 

[20] J. Hwang, D. Suh, and M.-O. Otto, “Forecasting electricity consumption in commercial buildings using a 

machine learning approach,” Energies, vol. 13, no. 22, p. 5885, Nov. 2020, 

https://doi.org/10.3390/en13225885 

[21] N.-T. Ngo, A.-D. Pham, T. T. Ha Truong, N.-S. Truong, and N.-T. Huynh, “Developing a hybrid time-series 

artificial intelligence model to forecast energy use in buildings,” Sci Rep., vol. 12, p. 15775, Sep. 2022. 

https://doi.org/10.1038/s41598-022-19935-6 

[22] D. Durand, J. Aguilar, and M. D. R-Moreno, “An Analysis of the Energy Consumption Forecasting Problem 

in Smart Buildings Using LSTM,” Sustainability, vol. 14, no. 20, p. 13358, Oct. 2022. 

https://doi.org/10.3390/su142013358 

[23] Y. Zhou, L. Wang, and J. Qian, “Application of Combined Models Based on Empirical Mode Decomposition, 

Deep Learning, and Autoregressive Integrated Moving Average Model for Short-Term Heating Load 

Predictions,” Sustainability, vol. 14, no. 12, p. 7349, Jun. 2022. https://doi.org/10.3390/su14127349 

[24] R. Pino-Mejías, A. Pérez-Fargallo, C. Rubio-Bellido, and J. A. Pulido-Arcas, “Comparison of linear 

regression and artificial neural networks models to predict heating and cooling energy demand, energy 

consumption and CO2 emissions,” Energy, vol. 118, pp. 24–36, Jan. 2017. 

https://doi.org/10.1016/j.energy.2016.12.022  

[25] T. C. Quevedo, M. S. Geraldi, and A. P. Melo, “Applying machine learning to develop energy benchmarking 

for university buildings in Brazil,” Journal of Building Engineering, vol. 63, Part. A, p. 105468, Jan. 2023. 

https://doi.org/10.1016/j.jobe.2022.105468 

[26] Y. Ma, J.-q. Yu, C.-y. Yang, and L. Wang, “Study on power energy consumption model for large-scale public 

building,” in 2010 2nd International Workshop on Intelligent Systems and Applications, Wuhan, 2010, pp. 

1–4. https://doi.org/10.1109/IWISA.2010.5473608 

[27] F. Gong, N. Han, D. Li, and S. Tian, “Trend Analysis of Building Power Consumption Based on Prophet 

Algorithm,” in 2020 Asia Energy and Electrical Engineering Symposium, Chengdu, 2020, pp. 1002-1006. 

https://doi.org/10.1109/AEEES48850.2020.9121548 

[28] D. Zhao, M. Zhong, X. Zhang, and X. Su, “Energy consumption predicting model of VRV (Variable 

refrigerant volume) system in office buildings based on data mining,” Energy, vol. 102, pp. 660–668, May. 

2016. http://dx.doi.org/10.1016/j.energy.2016.02.134 

[29] Y. Fu, Z. Li, H. Zhang, and P. Xu, “Using Support Vector Machine to Predict Next Day Electricity Load of 

Public Buildings with Sub-metering Devices,” Procedia Engineering, vol. 121, pp. 1016–1022, Jul. 2015. 

https://doi.org/10.1016/j.proeng.2015.09.097 

[30] C. Nichiforov, N. Arghira, G. Stamatescu, I. Stamatescu, I. Făgărăsan, and S. S. Iliescu, “Efficient Load 

Forecasting Model Assessment for Embedded Building Energy Management Systems,” in 2022 23rd IEEE 

International Conference on Automation, Quality and Testing, Robotics, Cluj-Napoca, 2022, pp. 1-6. 

https://doi.org/10.1109/AQTR55203.2022.9801969 

[31] R. K. Jagait, M. N. Fekri, K. Grolinger, and S. Mir, “Load forecasting under concept drift: Online ensemble 

learning with recurrent neural network and ARIMA,” IEEE Access, vol. 9, pp. 98992–99008, 2021. 

https://doi.org/10.1109/ACCESS.2021.3095420 

https://doi.org/10.1016/j.rser.2012.02.049
https://doi.org/10.1016/j.rser.2017.09.108
https://doi.org/10.1016/j.enbuild.2020.110238
https://doi.org/10.1016/j.jclepro.2019.117993
https://doi.org/10.1016/j.enbuild.2021.111208
https://doi.org/10.1016/j.egypro.2017.08.149
https://ieeexplore.ieee.org/document/9219915
https://doi.org/10.3390/en13225885
https://doi.org/10.1038/s41598-022-19935-6
https://doi.org/10.3390/su142013358
https://doi.org/10.3390/su14127349
https://doi.org/10.1016/j.energy.2016.12.022
https://doi.org/10.1016/j.jobe.2022.105468
https://doi.org/10.1109/IWISA.2010.5473608
https://doi.org/10.1109/AEEES48850.2020.9121548
http://dx.doi.org/10.1016/j.energy.2016.02.134
https://doi.org/10.1016/j.proeng.2015.09.097
https://doi.org/10.1109/AQTR55203.2022.9801969
https://doi.org/10.1109/ACCESS.2021.3095420


L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 32 | 34 

[32] J. Brusokas, T. B. Pedersen, L. Šikšnys, D. Zhang, and K. Chen, “HeatFlex: Machine learning based data-

driven flexibility prediction for individual heat pumps,” in e-Energy 2021 - Proceedings of the 2021 12th 

ACM International Conference on Future Energy Systems, New York, 2021, pp. 160–170. 

https://doi.org/10.1145/3447555.3464866 

[33] M. Gaur, S. Makonin, I. V. Bajic, and A. Majumdar, “Performance Evaluation of Techniques for Identifying 

Abnormal Energy Consumption in Buildings,” IEEE Access, vol. 7, pp. 62721–62733, 2019. 

https://doi.org/10.1109/ACCESS.2019.2915641 

[34] T. Fang and R. Lahdelma, “Evaluation of a multiple linear regression model and SARIMA model in 

forecasting heat demand for district heating system,” Appl Energy, vol. 179, pp. 544–552, Oct. 2016. 

http://dx.doi.org/10.1016/j.apenergy.2016.06.133 

[35] J.-S. Chou, S.-C. Hsu, N.-T. Ngo, C.-W. Lin and C.-C. Tsui, “Hybrid Machine Learning System to Forecast 

Electricity Consumption of Smart Grid-Based Air Conditioners,” IEEE Syst J., vol. 13, no. 3, pp. 3120–

3128, Sep. 2019. https://doi.org/10.1109/JSYST.2018.2890524 

[36] J. A.  Bello, H. Franco, and J. A. Fonseca, “Hybrid Model for Energy Consumption Forecasting in Buildings 

Stocks in Tropical Regions,” in 16th IBPSA International Conference and Exhibition, Building Simulation, 

Rome, 2019. https://doi.org/10.3929/ethz-b-000349218 

[37] F. Harrou, T. Cheng, Y. Sun, T. O. Leiknes, and N. Ghaffour, “A Data-Driven Soft Sensor to Forecast 

Energy Consumption in Wastewater Treatment Plants: A Case Study,” IEEE Sens J., vol. 21, no. 4, pp. 

4908–4917, Feb. 2021. https://doi.org/10.1109/JSEN.2020.3030584 

[38] S. Goudarzi, M. H. Anisi, S. A. Soleymani, M. Ayob, and S. Zeadally, “An IoT-Based Prediction Technique 

for Efficient Energy Consumption in Buildings,” IEEE Transactions on Green Communications and 

Networking, vol. 5, no. 4, pp. 2076–2088, Dec. 2021. https://doi.org/10.1109/TGCN.2021.3091388 

[39] S. S. Kumar, A. Kumar, S. Agarwal, M. Syafrullah, and K. Adiyarta, “Forecasting indoor temperature for 

smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach,” in 2022 9th International 

Conference on Electrical Engineering, Computer Science and Informatics, Jakarta, 2022, pp. 186–192. 

https://doi.org/10.23919/EECSI56542.2022.9946498 

[40] J. N. Castillo, G. G. Carrillo, L. O. Freire, and B. P. Corrales, “Energy modeling and simulation of a building 

to perform sensitivity analysis of energy consumption,” Energy Reports, vol. 8, Suppl. 16, pp. 659–664, Dec. 

2022. https://doi.org/10.1016/j.egyr.2022.10.197 

[41] R. D. Kutkarska and D. Y. Koeva, “Heat energy consumption forecast analysis: Model-oriented multi-

objective approach,” in Journal of Physics: Conference Series, Varna, 2022. https://doi.org/10.1088/1742-

6596/2339/1/012003 

[42] J. H. Yoon, R. Bladick, and A. Novoselac, “Demand response for residential buildings based on dynamic 

price of electricity,” Energy Build., vol. 80, pp. 531–541, Sep. 2014. 

https://doi.org/10.1016/j.enbuild.2014.05.002 

[43] S. Duerr, C. Ababei, and D. M. Ionel, “SmartBuilds: An energy and power simulation framework for 

buildings and districts,” IEEE Trans Ind Appl., vol. 53, no. 1, pp. 402- 410, Feb. 2017. 

https://doi.org/10.1109/TIA.2016.2611667 

[44] J. Wang, S. Huang, D. Wu, and N. Lu, “Operating a commercial building HVAC load as a virtual battery 

through airflow control,” IEEE Trans Sustain Energy, vol. 12, no. 1, pp. 158–168, Jan. 2021. 

https://doi.org/10.1109/TSTE.2020.2988513 

[45] C. Xu, Y. Li, X. Jin, L. Yuan, and H. Cheng, “A real-time energy consumption simulation and comparison 

of buildings in different construction years in the Olympic Central Area in Beijing,” Sustainability, vol. 9, 

no. 12, p. 2245, Dec. 2017. https://doi.org/10.3390/su9122245 

[46] A. Qiu, Z. Yan, Q. Deng, J. Liu, L. Shang, and J. Wu, “Modeling of HVAC Systems for Fault Diagnosis,” 

IEEE Access, vol. 8, pp. 146248–146262, 2020. https://doi.org/10.1109/ACCESS.2020.3015526 

[47] Y. Wei, S. Wang, H. Dang, and P. Liu, “Climate Adaptability Analysis on the Shape of Outpatient Buildings 

for Different Climate Zones in China Based on Low-Energy Target,” Atmosphere, vol. 13, no. 12, p. 2121, 

Dec. 2022. https://doi.org/10.3390/atmos13122121 

[48] B. Verbruggen and J. Driesen, “Grid impact indicators for active building simulations,” IEEE Trans 

Sustain Energy, vol. 6, no. 1, pp. 43–50, Jan. 2015. https://doi.org/10.1109/TSTE.2014.2357475 

[49] J. Ferdyn-Grygierek, D. Bartosz, A. Specjał, and K. Grygierek, “Analysis of accuracy determination of the 

seasonal heat demand in buildings based on short measurement periods,” Energies, vol. 11, no. 10, p. 2734, 

Oct. 2018. https://doi.org/10.3390/en11102734 

[50] S. H. Alyami, A. A. Almutlaqa, A. M. Alqahtany, and N. Ashraf, “Likelihood of Reaching Zero Energy 

Building Design in Hot Dry Climate: Saudi Arabia,” IEEE Access, vol. 9, pp. 167054–167066, 2021. 

https://doi.org/10.1109/ACCESS.2021.3134365 

[51] H. Salem, K. Khanafer, M. Alshammari, A. Sedaghat, and S. Mahdi, “Cooling Degree Days for Quick 

Energy Consumption Estimation in the GCC Countries,” Sustainability, vol. 14, no. 21, p. 13885, Oct. 2022. 

https://doi.org/10.3390/su142113885 

https://doi.org/10.1145/3447555.3464866
https://doi.org/10.1109/ACCESS.2019.2915641
http://dx.doi.org/10.1016/j.apenergy.2016.06.133
https://doi.org/10.1109/JSYST.2018.2890524
https://doi.org/10.3929/ethz-b-000349218
https://doi.org/10.1109/JSEN.2020.3030584
https://doi.org/10.1109/TGCN.2021.3091388
https://doi.org/10.23919/EECSI56542.2022.9946498
https://doi.org/10.1016/j.egyr.2022.10.197
https://doi.org/10.1088/1742-6596/2339/1/012003
https://doi.org/10.1088/1742-6596/2339/1/012003
https://doi.org/10.1016/j.enbuild.2014.05.002
https://doi.org/10.1109/TIA.2016.2611667
https://doi.org/10.1109/TSTE.2020.2988513
https://doi.org/10.3390/su9122245
https://doi.org/10.1109/ACCESS.2020.3015526
https://doi.org/10.3390/atmos13122121
https://doi.org/10.1109/TSTE.2014.2357475
https://doi.org/10.3390/en11102734
https://doi.org/10.1109/ACCESS.2021.3134365
https://doi.org/10.3390/su142113885


L. Ortega-Diaz, et al.  TecnoLógicas, Vol. 26, nro. 58, e2650, 2023 

Página 33 | 34 

[52] S. Samiuddin, I. M. Budaiwi, and M. A. Mohammed, “Impact of HVAC Operation and Air Distribution 

Schemes on Thermal Comfort and Energy Consumption in Intermittent High-Occupancy Buildings: A Case 

of Mosques,” Journal of Architectural Engineering, vol. 29, no. 1, p. 04022039 Nov. 2023. 

https://doi.org/10.1061/JAEIED.AEENG-1451 

[53] D. Kadrić, A. Aganovic, E. Kadrić, B. Delalić-Gurda, and S. Jackson, “Applying the response surface 

methodology to predict the energy retrofit performance of the TABULA residential building stock,” Journal 

of Building Engineering, vol. 61, p. 105307, Dec. 2022. https://doi.org/10.1016/j.jobe.2022.105307 

[54] A. Rasheed, H. T. Kim, and H. W. Lee, “Modeling-Based Energy Performance Assessment and Validation 

of Air-To-Water Heat Pump System Integrated with Multi-Span Greenhouse on Cooling Mode,” Agronomy, 

vol. 12, no. 6, p. 1374, Jun. 2022. https://doi.org/10.3390/agronomy12061374 

[55] D. Schiera et al., “A Distributed Multimodel Platform to Cosimulate Multienergy Systems in Smart 

Buildings,” IEEE Trans Ind Appl, vol. 57, no. 5, pp. 4428–4440, Oct. 2021. 

https://doi.org/10.1109/TIA.2021.3094497 

[56] F. Tahmasebinia, R. Jiang, S. Sepasgozar, J. Wei, Y. Ding, and H. Ma, “Implementation of BIM Energy 

Analysis and Monte Carlo Simulation for Estimating Building Energy Performance Based on Regression 

Approach: A Case Study,” Buildings, vol. 12, no. 4, p. 449, Apr. 2022. 

https://doi.org/10.3390/buildings12040449 

[57] J. Cárdenas, G. Osma, C. Caicedo, A. Torres, S. Sánchez, and G. Ordóñez, “Building energy analysis of 

Electrical Engineering Building from DesignBuilder tool: Calibration and simulations,” in IOP Conference 

Series: Materials Science and Engineering, Institute of Physics Publishing, 2016. 

https://doi.org/10.1088/1757-899X/138/1/012013 

[58] J. Cárdenas-Rangel, J. Jaramillo-Ibarra, and G. Osma-Pinto, “Estimation of the impact of energy efficiency 

measures recommended by Colombian legislation on the performance of low- and middle-income housing 

buildings,” Journal of Building Engineering, vol. 52, p. 104402, Jul. 2022. 

https://doi.org/10.1016/j.jobe.2022.104402 

[59] A. M. Bolteya, M. A. Elsayad, O. D. El Monayeri, and A. M. Belal, “Impact of Phase Change Materials on 

Cooling Demand of an Educational Facility in Cairo, Egypt,” Sustainability, vol. 14, no. 23, p. 15956, Nov. 

2022. https://doi.org/10.3390/su142315956 

[60] R. Olu-Ajayi, H. Alaka, I. Sulaimon, F. Sunmola, and S. Ajayi, “Building energy consumption prediction for 

residential buildings using deep learning and other machine learning techniques,” Journal of Building 

Engineering, vol. 45, p. 103406, Jan. 2022. https://doi.org/10.1016/j.jobe.2021.103406 

[61] N. Fumo and M. A. Rafe Biswas, “Regression analysis for prediction of residential energy consumption,” 

Renewable and Sustainable Energy Reviews, vol. 47. pp. 332– 343, Jul. 2015. 

https://doi.org/10.1016/j.rser.2015.03.035 

[62] S. Touzani, J. Granderson, and S. Fernandes, “Gradient boosting machine for modeling the energy 

consumption of commercial buildings,” Energy Build., vol. 158, pp. 1533– 1543, Jan. 2018. 

https://doi.org/10.1016/j.enbuild.2017.11.039 

[63] A. Rahman, V. Srikumar, and A. D. Smith, “Predicting electricity consumption for commercial and 

residential buildings using deep recurrent neural networks,” Appl Energy, vol. 212, pp. 372–385, Feb. 2018. 

https://doi.org/10.1016/j.apenergy.2017.12.051 

[64] C. Robinson et al., “Machine learning approaches for estimating commercial building energy consumption,” 

Appl Energy, vol. 208, pp. 889–904, Dec. 2017. https://doi.org/10.1016/j.apenergy.2017.09.060 

[65] M. Hao, S. Hejiang, L. Junjie, and W. Shen, “Developing window behavior models for residential buildings 

using XGBoost algorithm,” Energy Build., vol. 205, p. 109564, Dec. 2019. 

https://doi.org/10.1016/j.enbuild.2019.109564 

[66] Y. Liu, H. Chen, L. Zhang, X. Wu, X.-j. Wang, “Energy consumption prediction and diagnosis of public 

buildings based on support vector machine learning: A case study in China,” J Clean Prod., vol. 272, p. 

122542, Nov. 2020. https://doi.org/10.1016/j.jclepro.2020.122542 

[67] V. J. Mawson and B. R. Hug