La Universidad Pablo de Olavide (UPO) de Sevilla y Ferrovial Servicios han desarrollado un proyecto de predicción de consumo energético cuyo objetivo es gestionar de manera más eficiente los recursos energéticos de los edificios aplicando la inteligencia artificial. Este estudio se ha llevado a cabo en un hospital gestionado por Ferrovial Servicios y servirá como base para futuros análisis.
Según Alicia Troncoso Lora, catedrática de Lenguajes y Sistemas Informáticos de la UPO e investigadora principal del proyecto, el diseño del sistema de gestión de eficiencia energética de edificios utiliza los datos recopilados por los contadores inteligentes y sensores implementados en la edificación.
Los datos son procesados a través de un módulo con inteligencia artificial, capaz de aprender de los patrones subyacentes en los datos, lo que permite obtener un modelo de predicción con el que hacer estimaciones de la energía a futuro en tiempo real.
Gracias a su naturaleza abierta y modular, este sistema podrá integrarse en diferentes sistemas técnicos, protocolos, y soluciones de captura y medición como plataformas IoT, Scada, contadores inteligentes o estándar, etc.
Algoritmos y big data
Las técnicas fundamentales aplicadas son los algoritmos de aprendizaje profundo y aprendizaje automático, además de un hardware específico para la computación de grandes volúmenes de datos. Los algoritmos de deep learning y de machine learning son capaces de aprender dependencias temporales en los datos históricos, obteniendo un modelo predictivo capaz de estimar con gran exactitud los consumos futuros a un horizonte vista de un día.
Por otro lado, este modelo predictivo inicial evoluciona en el tiempo a través de un aprendizaje incremental, incorporando los cambios de tendencias que se producen en los datos en el modelo y detectando las anomalías en tiempo real. En cuanto a los recursos de computación, para el coste computacional asociado al entrenamiento de estos modelos de big data, el equipo de investigación ha usado las tarjetas Graphics Processing Unit (GPU), que el grupo tiene actualmente desplegadas en el Data Science & Big Data Lab.
Segunda convocatoria de retos de innovación
La Asociación de Empresas e Instituciones Sevilla Futura impulsó la segunda convocatoria de retos de innovación, con el objetivo de promover nuevas iniciativas innovadoras que se desarrollen en la ciudad dirigidas a solucionar problemas a los que se enfrentan en la actualidad sus empresas asociadas.
En esta ocasión, el reto, organizado desde el área de innovación de Ferrovial Servicios, buscaba incrementar la eficiencia energética mediante soluciones basadas en inteligencia artificial para la gestión óptima de datos. El grupo de investigación ‘TIC254-Data Science & Big Data Lab’ de la Universidad Pablo de Olavide fue seleccionado por Ferrovial Servicios, tras un proceso de concurrencia competitiva, para llevar a cabo el reto ‘Soluciones basadas en inteligencia artificial para la gestión óptima de datos energéticos’.