VALENCIA, 5 Feb. (EUROPA PRESS) -
Investigadores de la universidad CEU Cardenal Herrera (CEU-UCH) han diseñado un módulo predictivo que, a partir de variables como la cantidad de CO2, el número de habitantes o el ambiente exterior, "aprende" a predecir las temperaturas de una vivienda en pocos días para optimizar su consumo energético
La investigación, que ha sido publicada en el Journal of Energy and Buildings, la han realizado miembros del Grado en Ingeniería Informática de Sistemas de Información que han desarrollado un módulo, basado en redes neuronales artificiales, que permite predecir la temperatura de los hogares y ajustar la climatización para que el consumo energético sea más eficiente.
El módulo predictivo reúne parámetros como la cantidad de CO2, el número de personas que habitan la vivienda o la temperatura exterior para prever cuándo conviene activar el aire acondicionado o la calefacción o anticipar un posible exceso de consumo y ser así más eficientes logrando reducir la factura de la luz y respetando más el medio ambiente, todo ello de forma automática, ha explicado, director del Departamento de Ciencias Físicas, Matemáticas y de la Computación de la CEU-UCH, Juan Pardo.
Predecir la temperatura es la mejor forma de optimizar la energía necesaria para aclimatar una vivienda ya que "la energía requerida para mantener la temperatura en un hogar es menor que la que hace falta para bajarla o subirla", según Pardo que ha indicado que la climatización es responsable de más de la mitad del consumo de energía en los hogares, suponiendo de media el 53,9 por ciento del consumo total.
AGENTE INTELIGENTE
El módulo es un agente inteligente para la generación de predicciones, que trabaja a partir de los datos obtenidos mediante redes neuronales artificiales, implementadas en sistemas electrónicos de reducidas dimensiones, que se conectan entre sí de forma inalámbrica a través de una red de sensores instalada dentro de una vivienda.
El sistema ha logrado precisión en la predicción en un tiempo de entrenamiento "muy reducido": entre 4 y 5 días solamente. Las posibilidades de un sistema como este, capaz de aprender por sí mismo en un entorno nuevo y tan rápidamente, son inimaginables", ha señalado Pardo.
Los resultados de la investigación tienen "gran relevancia" en el ámbito de los sistemas predictivos implantados en entornos desconocidos, en el ámbito del 'aprendizaje online' a partir de la utilización de redes neuronales, según ha informado la universidad.
"Lo habitual para este tipo de sistemas es que recurran a grandes bases de datos para poder identificar cuáles son los patrones de comportamiento que permitan su aprendizaje. Este trabajo, sin embargo, ha consistido en introducir un dispositivo sin esa base de conocimiento o gran base de datos, en un entorno totalmente nuevo, logrando que en pocos días sea capaz de aprender de ese entorno y decir qué va pasar", ha señalado el profesor.
Este estudio se enmarca en un proyecto más amplio que, mediante la utilización de técnicas de inteligencia artificial, pretende desarrollar modelos de redes neuronales con propósitos predictivos a partir de la observación de los hábitos de consumo energético de los habitantes de una casa. De este modo, se pueden prever los ratios de energía consumida y llegar a un balance entre los niveles de confort mínimos y el consumo racional de energía.
Estos sistemas se han testado en la domótica de monitorización de la vivienda SMLsystem, una casa autosuficiente mediante el consumo exclusivo de energía solar diseñada por los alumnos de Arquitectura de esta Universidad y la empresa valenciana CETECK ya ha mostrado su interés en este proyecto, para la implementación de redes neuronales en redes inalámbricas de sensores y su aplicación en el campo de la eficiencia energética, con el objetivo de desarrollar sistemas domóticos inteligentes que puedan ser implantados tanto en viviendas y edificios, como en ambientes industriales.
