RT info:eu-repo/semantics/article
T1 A Data-Driven Forecasting Strategy to Predict Continuous Hourly Energy Demand in Smart Buildings
A1 Mariano-Hernández, Deyslen
A1 Hernández Callejo, Luis
A1 Solis, Martín
A1 Zorita Lamadrid, Ángel Luis
A1 Duque Pérez, Óscar
A1 González-Morales, Luis
A1 Santos García, Félix
K1 Ingeniería Eléctrica
K1 Modelos de previsión. Consumo de energía eléctrica. Previsión a corto plazo. Edificio inteligente
K1 Forecasting models; energy consumption; multi-step forecasting; short-term forecasting; smart building
K1 3306 Ingeniería y Tecnología Eléctricas
AB Los edificios inteligentes buscan tener un equilibrio entre el consumo energético y el confort de los ocupantes. Para que esto sea posible, los edificios inteligentes deben poder prever cambios repentinos en el consumo energético del edificio. Con la ayuda de modelos de previsión, los sistemas de gestión energética de los edificios, que son parte fundamental de los edificios inteligentes, saben cuándo podrían producirse cambios repentinos en el patrón de consumo energético. Actualmente, diferentes métodos de previsión utilizan modelos que permiten a los sistemas de gestión energética de los edificios pronosticar el consumo de energía. Debido a esto, cada vez es más necesario disponer de modelos de previsión adecuados para poder mantener un equilibrio entre el consumo energético y el confort de los ocupantes. El objetivo de este artículo es presentar una estrategia de previsión del consumo de energía que permita realizar predicciones horarias para el día a día. La estrategia de previsión presentada se prueba utilizando datos reales de dos edificios ubicados en Valladolid, España. Se utilizaron diferentes modelos de aprendizaje automático y aprendizaje profundo para analizar cuál podría funcionar mejor con la estrategia propuesta. Después de establecer el rendimiento de los modelos, se armó un modelo utilizando la media de los valores de predicción de los cinco modelos principales para obtener un modelo con mejor rendimiento.
PB MDPI
SN 2076-3417
YR 2021
FD 2021-08
LK https://uvadoc.uva.es/handle/10324/64657
UL https://uvadoc.uva.es/handle/10324/64657
LA eng
NO Applied Sciences, vol 11, n 17, Agosto 2021
NO Producción Científica
DS UVaDOC
RD 22-dic-2024