La Universidad de La Laguna (ULL) ha desarrollado un estudio donde propone modelos de aprendizaje automático para anticipar con 24 horas de margen la demanda energética de los hoteles, una herramienta orientada a mejorar la planificación de cargas, reducir costes operativos y optimizar el uso de los recursos disponibles. La investigación plantea estimaciones más precisas del consumo energético en establecimientos alojativos y puede contribuir a disminuir las emisiones de gases de efecto invernadero asociadas a la actividad hotelera.
El trabajo se enmarca en un contexto especialmente relevante para Canarias, donde el turismo es uno de los principales motores económicos, pero también un sector con un elevado consumo de energía. Esta situación ha impulsado a organismos y administraciones públicas a promover medidas de eficiencia energética y reducción del impacto ambiental en la industria turística.
Modelos de aprendizaje automático
El artículo, titulado ‘Towsmart hotels: energy forecasting with machine learning models’, forma parte de la actividad del grupo de Ingeniería de Control y Sistemas Inteligentes de la Universidad de La Laguna, liderado por Juan Albino Méndez Pérez. En el estudio participan también Rafael Arnay del Arco, Javier Hernández Aceituno, José Francisco Gómez González y Santiago Torres Álvarez.
La investigación, publicada en Logic Journal of the IGPL, propone el uso de métodos inteligentes para la predicción del consumo energético en la industria hotelera. En concreto, analiza los sistemas Long Short Term Memory (LSTM) y Gated Recurrent Unit (GRU), dos modelos diseñados para procesar datos secuenciales y mejorar sus resultados al incorporar información nueva en tiempo real.
La evaluación se realizó en un hotel de lujo situado en Tenerife. La aplicación de modelos predictivos precisos permite ajustar mejor la gestión energética de la infraestructura alojativa y reducir costes, especialmente cuando se busca maximizar el aprovechamiento de energías renovables mediante una planificación adecuada de las cargas eléctricas.
Resultados en un hotel de Tenerife y planificación de cargas
El estudio señala que la flexibilidad de las cargas es un factor clave para desplazar parte de la demanda energética hacia franjas horarias más convenientes. Esta estrategia facilita el uso de excedentes energéticos, reduce los picos de demanda y mejora el aprovechamiento de los recursos disponibles en las instalaciones hoteleras.
Los resultados obtenidos indican que la incorporación de datos en tiempo real y la previsión simultánea de las 24 horas de demanda permiten realizar estimaciones más precisas y eficientes. Aunque métodos estadísticos como ARIMAX pueden emplearse para prever la demanda energética, la investigación concluye que su eficacia disminuye en sistemas complejos como la infraestructura energética de un hotel.
Frente a esos métodos, las técnicas de aprendizaje automático basadas en LSTM y GRU aportaron mejoras significativas en la precisión de las predicciones. Además, los modelos capaces de generar previsiones simultáneas para 24 horas registraron menores tasas de error que aquellos que elaboran las predicciones de forma progresiva.
En concreto, el sistema redujo los errores en la planificación de cargas energéticas un 7,1% en el desplazamiento de carga, entendido como la demanda que debe trasladarse de una franja horaria a otra. También logró una reducción del 23,5% en la acomodación de carga, es decir, la energía disponible que puede aprovecharse en determinados momentos.
El equipo investigador prevé adaptar el modelo a otros establecimientos y zonas de Canarias con distintas condiciones climáticas y patrones de consumo, con el fin de seguir mejorando la gestión energética del sector turístico. Estos métodos de predicción de generación y demanda en comunidades energéticas forman parte del proyecto Interreg Atlantic Area SAtComm, en el que la Universidad de La Laguna participa junto a otras diez entidades públicas y privadas europeas.