Regresar

Comparativas de métricas de modelos de aprendizaje profundo para el pronóstico de consumo energético del edificio de la Facultad de Ciencias Matemáticas y Físicas considerando series de tiempo.

Abstract:

Actualmente Ecuador está experimentando un aumento en el uso de energía en áreas residenciales como resultado del crecimiento de la población, que va acompañado de un aumento en los costos de energía. Los sistemas de control pbkp_redictivo son uno de los enfoques que se han considerado cuando se requieren pbkp_redicciones de consumo de alta precisión. El objetivo del proyecto de títulación es utilizar técnicas de aprendizaje profundo para predecir el comportamiento de uso de energía de la Facultad de Ciencias Matemáticas y Físicas, así como utilizar métricas de regresión para evaluar cada modelo. El método a utilizar es experimental y hace uso de un conjunto de datos de marzo a octubre 2021 que contiene variables de energía, temperatura y humedad para el edificio FCMF-UG, con estos dos últimos agrupados por niveles FCMF. Se probará con tres arquitecturas de redes neuronales: LSTM, GRU y MLP, y se considerarán situaciones con diversos horizontes pronósticos. Como resultado, el modelo MLP ocupa el primer lugar según la comparativa de métricas analizadas y los tiempos de ejecucion computacional.