Regresar

Red neuronal Long Short-Term Memory (LSTM) aplicada a series temporales para pronosticar consumo energético en edificaciones.

Abstract:

En Ecuador, un consumo energético acentuado lo tiene el sector residencial debido al aumento de la población y otros parámetros, lo cual lleva a un incremento en los costos de energía, las emisiones de gases de efecto invernadero y subsidios de fuentes fósiles; de ahí que, existe una necesidad de optimizar y reducir el consumo de energía en edificaciones. Un enfoque considerado son los sistemas de control pbkp_redictivos, para los cuales se requiere de pbkp_redicciones de consumos con alta precisión. En este trabajo aplicaremos técnicas de aprendizaje automático supervisado mediante redes neuronales para pronosticar el comportamiento del consumo energético de una vivienda familiar; para este fin se plantea un diseño experimental que utiliza un dataset de casi cuatro años de mediciones energéticas, se prueban cuatro diferentes arquitecturas Long Short-Term Memory (LSTM) y se corren cerca de 200 modelos haciendo variar los hiperparametros, se consideran métricas tales como root mean square error (RMSE), mean absolute error (MAE), y mean absolute percent error (MAPE) para comparar y seleccionar el mejor modelo LSTM, siendo la mejor estructura LSTM simple con salida vectorial.