Pronóstico de consumo de energía en ámbitos

institucionales y domésticos
Patricio G. Donato Marcos A. Funes
Instituto de Investigaciones Científicas Álvaro Hernández Instituto de Investigaciones Científicas
y Tecnológicas en Electrónica (ICYTE) Electronics Department y Tecnológicas en Electrónica (ICYTE)
CONICET - UNMDP University of Alcala CONICET - UNMDP
Mar del Plata, Argentina Alcalá de Henares, Spain Mar del Plata, Argentina
donatopg@fi.mdp.edu.ar alvaro.hernandez@uah.es mfunes@fi.mdp.edu.ar

Rubén Nieto Carlos M. Orallo Laura de Diego

Electronics Technology Department Instituto de Investigaciones Científicas Electronics Department
Rey Juan Carlos University y Tecnológicas en Electrónica (ICYTE) University of Alcala
Móstoles, Spain CONICET - UNMDP Alcalá de Henares, Spain
ruben.nieto@urjc.es Mar del Plata, Argentina laura.diego@uah.es
orallo@fi.mdp.edu.ar

Abstract—El contexto energético actual ha aumentado el hay una importante cantidad de trabajos realizados sobre el
interés en la investigación y desarrollo de tecnologías para la uso de herramientas de inteligencia computacional para la
mejora de la eficiencia energética. En este campo hay un gran extracción de información útil a partir de los datos crudos.
potencial para el uso de redes neuronales que, entre otras Una de las aplicaciones que suele plantearse es el pronóstico
cosas, pronostiquen variables eléctricas e identifiquen patrones de ciertos parámetros eléctricos, habitualmente la potencia
de consumo que pueden utilizarse para optimizar el uso de la generada o consumida, para usar en aplicaciones de gestión.
energía. En este artículo se presentan los resultados En este trabajo se presenta parte de los resultados de un
preliminares del trabajo realizado sobre pronóstico de estudio realizado en conjunto entre dos grupos de
consumo de energía en dos ámbitos muy diferentes, como los
investigación, enfocado tanto en ámbitos institucionales
son las instituciones públicas y las viviendas familiares. Los
resultados obtenidos son promisorios y sirven de base para
como domésticos. Para ello se ha trabajado con series de
avanzar en cuestiones más complejas, tales como la datos históricos de potencia consumida tanto en instalaciones
generalización de las redes y el pronóstico de otras variables. universitarias como en un domicilio particular. En un
principio se pretende ajustar modelos de redes neuronales
Keywords— Redes eléctricas inteligentes, redes neuronales, para hacer pronósticos de evolución de variables eléctricas
pronóstico del consumo eléctrico que sean potencialmente útiles para gestión y control, tanto
de parte de la distribuidora como por parte del cliente. Esto
I. INTRODUCCIÓN servirá de base para, en las siguientes instancias de la
La tendencia creciente de la demanda de energía colaboración, trabajar sobre la capacidad de generalización
eléctrica, impulsada por el crecimiento de la población y los de estas redes entrenadas en diferentes entornos.
hábitos de consumo de la sociedad moderna, crea
II. CONTEXTO DE LA INVESTIGACIÓN
incertidumbre sobre el panorama energético de los próximos
años. La solución a esta problemática se encuentra no solo en Este trabajo surge a partir de la colaboración entre dos
la introducción de más dispositivos de generación de energía grupos de investigación. Por un lado, el Instituto de
eléctrica a partir de fuentes alternativas, sino también en Investigaciones Científicas y Tecnológicas en Electrónica
reducir la demanda a través de un consumo racional, más (ICYTE), dependiente del CONICET y la Universidad
eficiente. La eficiencia energética es un tópico que está Nacional de Mar del Plata (UNMDP), que está realizando
comprendido dentro del concepto, mucho más amplio, de las estudios en el marco del Proyecto de Investigación de
Redes Eléctricas Inteligentes (REI). Éstas se pueden Unidad Ejecutora “Redes de sensores en ciudades
interpretar, en pocas palabras, como la conjunción de la red inteligentes: aplicaciones en la ciudad de Mar del Plata”.
eléctrica tradicional con las tecnologías de la información y Este proyecto incluye, entre otros objetivos, cuestiones
comunicaciones (TIC), los sistemas de generación relativas a la infraestructura de medición de energía eléctrica
distribuida y el almacenamiento de energía. Entre otras y el procesamiento de parámetros relativos a la calidad de
características, las REI tienen que adquirir datos desde dicha energía. Por otro lado, el Grupo de Ingeniería
diferentes puntos de la red en tiempo real, mediante Electrónica Aplicada a Espacios Inteligentes y Transporte
medidores inteligentes y otros dispositivos de medición, y a (GEINTRA), de la Universidad de Alcalá (UAH). Este grupo
su vez ser capaces de actuar sobre la misma en caso de ser tiene una línea de investigación centrada en la inteligencia
necesario, a través de los actuadores que sean pertinentes ambiental orientada a la vida independiente y el
(elementos de maniobra, convertidores de potencia, etc.). envejecimiento activo, soportado por los proyectos ALONE
Esto no es algo trivial, ya que implica, entre otras cosas, y POM (financiados por el Ministerio de Ciencia e
contar con soporte de comunicaciones para manejar grandes Innovación de España). Estos proyectos buscan proponer
volúmenes de datos provenientes de múltiples puntos de la distintas alternativas tecnológicas mínimamente invasivas
red, además de hardware y software para procesar todos esos para monitorizar y evaluar las actividades diarias de los
datos y extraer la información de interés. inquilinos de una vivienda, y de esta forma favorecer la vida
independiente de ciertos colectivos, como los mayores de
Dentro del amplio abanico de temas comprendidos dentro edad o personas con deterioro cognitivo leve.
del procesamiento de datos relativos a parámetros eléctricos,

XXX-X-XXXX-XXXX-X/XX/$XX.00 ©20XX IEEE

III. PRONÓSTICO DE DEMANDA DE POTENCIA MEDIANTE REDES
NEURONALES
Un pronóstico se puede definir como una predicción de la
evolución de un proceso determinado a partir de un conjunto
de datos y empleando una serie de criterios lógicos o
científicos. Entre otras cosas, los pronósticos sirven para el
análisis de series temporales, entendiendo éstas como una
colección de datos ordenados en forma cronológica o
temporal, con el objeto de predecir el comportamiento de una
determinada variable. En otras palabras, hacer un pronóstico
o predicción de series temporales significa que se extienden
los valores históricos de dicha serie (conocidos de antemano)
a tiempos futuros, donde aún no existen mediciones de la
variable de interés. Estos pronósticos se pueden hallar en
dominios y aplicaciones tan diferentes como el pronóstico de Fig. 1. Esquema básico de la red neuronal entrenada, basada en el
beneficios de acciones de empresas, el análisis de variables perceptrón multicapa (MLP).
relativas al cambio climático, el estudio de la dinámica de
TABLA I. Resultados de entrenamiento y test de la red MLP.
poblaciones animales, o el de variables eléctricas, entre otros
[1]. Entre estas últimas se pueden mencionar el análisis y Épocas Batch Loss RMS (train) RMS (test)
pronóstico de los sistemas de generación basados en fuentes 64 16 3,302x10 -4
3,66 kW 3,81 kW
de energía renovable, tales como generadores eólicos y
fotovoltaicos, donde se requieren previsiones eficientes tanto
a corto plazo (de 10 minutos a 5 horas) como a largo plazo B. Red LSTM
(de 5 a 48 horas), para garantizar un funcionamiento óptimo
del mercado energético [2]. Al igual que en el caso de la MLP, se emplean 24
muestras de potencia previas, adquiridas cada media hora. La
En un trabajo previo [3] se presentaron dos propuestas de primera capa densa tiene 24 celdas LSTM, seguida a
redes neuronales, una basada en LSTM (Long Short-Term continuación de una capa densa con 48 neuronas en donde se
Memory) y otra en perceptrones multicapa (MLP), con las agrega la información del día. Los datos de entrenamiento y
cuales se obtenía un pronóstico de la demanda de potencia test fueron los mismos que los usados en la red MLP,
con un bajo nivel de error. Ambas redes hacían el pronóstico distribuidos en la misma proporción y sin emplear datos
basándose solo en la serie de datos temporales de potencia adquiridos durante la pandemia. En la tabla II se resumen los
demandada. Eso hacía necesario que la red tuviese una cierta correspondientes parámetros del entrenamiento y test.
complejidad y que empleara una ventana de datos bastante TABLA II. Resultados de entrenamiento y test de la red LSTM.
extensa, para poder registrar correctamente los patrones
correspondientes a los días laborables, los fines de semana y Épocas Batch Loss RMS (train) RMS (test)
los eventuales feriados. En este nuevo trabajo se propone una 64 16 3,33x10 -4
3,73 kW 3,91 kW
mejora en este sentido, usando como datos de entrada, no
solo la demanda de potencia, sino la identificación del día de
la semana que corresponde. El agregado de esta información Al igual que en el caso de la red MLP, en la red LSTM se
adicional permite reducir notoriamente la ventana de datos observó que los errores de pronóstico más importantes se
necesaria para entrenar la red, ya que la información acerca produjeron durante los cambios abruptos del consumo, como
del fin de semana forma parte de los datos de entrada, y la los que se dan al comienzo y la finalización de la jornada
red no necesita un extenso historial para aprender a distinguir laboral. Exceptuando estos errores transitorios, el resto del
un día laborable de otro que no lo es. tiempo el pronóstico tiene un error acotado menor a 4 kW.
A. Red MLP
IV. PRONÓSTICO DE DEMANDA DE POTENCIA POR FASE
Emplea 24 muestras de potencia previas, las cuales se
adquieren cada media hora, por lo cual implica que el Las redes entrenadas en la sección previa usaban como
pronóstico se hace a partir de las últimas 12 horas. La datos de entrada la potencia activa total demandada en el
primera capa densa tiene 96 neuronas, seguida a edificio de INTEMA durante las últimas 12 horas y el dato
continuación de otra capa densa con 24 neuronas en donde se de identificación del día de la semana. Partiendo de este
agrega la información del día (Fig. 1). Se disponía de un diseño, se planteó la hipótesis de que la misma red podría
conjunto de 26458 mediciones de potencia activa total, emplearse para hacer pronósticos de los consumos
correspondientes a casi 80 semanas, adquiridas entre 2018 y individuales en cada fase, no solo de la potencia activa sino
2020, las cuales se dividieron en 67% para entrenamiento y también de la reactiva. Si bien el análisis de las series
33% para test. Se excluyeron las mediciones temporales de potencia demandada por fase mostraba cierta
correspondientes al comienzo de la etapa de aislamiento similitud en el comportamiento, también el relevamiento de
producto de la pandemia de Covid19, por considerar que no datos había mostrado un fuerte desbalance entre las
representaban el comportamiento normal de la demanda de corrientes de fase, que oscilaba entre el 8% y el 30%
las instalaciones universitarias. En la tabla I se resumen (relación entre componente de secuencia negativa y positiva
algunos de los parámetros del entrenamiento y test. Se de la terna de corrientes de fase), lo cual podía influir en el
observó que los errores más importantes se produjeron pronóstico. El objetivo de esta medición desagregada por
durante los cambios abruptos del consumo, como los que fase es que sirva como herramienta para una futura
corresponden al inicio y la finalización de la jornada laboral. reestructuración de la red interna y a su vez para evaluar los
desarrollos de las redes utilizadas.
A. Pronóstico de potencia activa por fase empleando redes En la Fig. 5 se pueden ver los histogramas correspondientes
MLP y LSTM al error de pronóstico para las tres fases y ambas redes
En la Fig. 2 se puede observar el pronóstico de potencia neuronales. Puede verse que ambos histogramas no están
activa por fase para la semana del 03/08/19 al 10/08/19, centrados en cero, sino que muestran un leve desplazamiento
usando tanto la red MLP como la LSTM. En primer lugar, a valores negativos del error. Se observa una notoria
las curvas de pronóstico de las redes MLP y LSTM son casi diferencia en el valor máximo del histograma
indistinguibles entre sí, esto es, sus pronósticos son casi (principalmente entre L1 y L3), así como en la dispersión,
idénticos. Al igual que en el caso de la potencia total, que es mayor en la fase L2. Respecto del desplazamiento del
evaluado en la sección anterior, se observa que el error tiene valor máximo, es más pronunciado en el caso de la red
la mayor desviación al comienzo y la finalización del horario LSTM, donde el valor máximo se halla centrado en torno a
laboral en las instalaciones. los -200 VAR para la fase L2. En los dos pronósticos se
observa un menor error en la estimación de la fase L3. El
En la Fig. 3 se pueden apreciar dos histogramas del error rango mostrado en la figura comprende al 99% de los valores
de pronóstico para las tres fases y ambas redes neuronales. de error registrados en esa semana para el caso de la red
Puede verse que ambos histogramas no están centrados en MLP, y más del 99% para el caso de la red LSTM. Esto
cero, sino que muestran un leve desplazamiento a valores significa que los errores mayores a ±1 kVAR representan
negativos del error, del orden de cientos de W y que las tres menos del 1% de los errores en dicho período.
fases tienen una distribución similar, con una ligera
diferencia entre las fases L1 y L2 respecto de la L3. El rango
mostrado en la figura comprende más del 98,3% de los
valores de error registrados en esa semana para el caso de la
red MLP, y más del 99% para el caso de la red LSTM. Esto
significa que los errores mayores a ±4 kW representan menos
del 2% del error en dicho período para las redes MLP, y
menos del 1% para el caso de las LSTM.

B. Pronóstico de potencia reactiva por fase empleando

redes MLP y LSTM
En la Fig. 4 se puede observar el pronóstico de potencia
reactiva por fase para la misma semana mostrada en la
subsección previa. La desagregación de la potencia reactiva
consumida por fase se hace con fines estadísticos por el
momento, aunque no se descarta que sirva como insumo para
futuras reformas en la red interna del edificio universitario.
El comportamiento del error es similar al observado en los
ensayos anteriores, tanto en lo que refiere a los ciclos
laborales como en el comportamiento frente a los cambios en
la demanda. Los pronósticos de ambas redes son
Fig. 3. Histogramas del error de pronóstico de potencia activa por fase
prácticamente indistinguibles entre sí. usando las redes MLP (izquierda) y LSTM (derecha) propuestas.

Fig. 2. Pronósticos de demanda de potencia activa por fase (L1, L2 y L3),

empleando las redes MLP y LSTM entrenadas en la sección previa. Fig. 4. Pronóstico de demanda de potencia reactiva por fase (L1, L2 y L3),
empleando las redes MLP y LSTM entrenadas en la sección previa.
 un dispositivo Wibeee Box Mono [7], que proporciona, no
sólo el consumo total de la vivienda, sino también el
consumo desagregado para los aparatos eléctricos más
significativos de la misma, a intervalos de una hora. En la
Fig. 6 se muestra un intervalo de seis semanas, desde el 2 de
noviembre de 2020 hasta el 13 de diciembre de 2020. Nótese
que la representación se ha acotado a las seis semanas
iniciales para una mayor claridad de la misma. En la parte
superior se puede observar el consumo global de la vivienda,
mientras que a continuación se muestra la energía
desagregada correspondiente a la lavadora y al lavavajillas.
A partir de estos datos, se puede concluir que es posible
llevar a cabo un enfoque basado en la predicción o regresión
para el consumo de energía general de la vivienda, pero esta
aproximación no es viable para el consumo particular de la
mayoría de los electrodomésticos, donde se producen
activaciones esporádicas de forma diaria o semanal. Sólo
aquellos aparatos eléctricos que presenten una cierta
regularidad a lo largo del día (como es el caso de la heladera)
son susceptibles de ser analizados mediante técnicas de
regresión.
Fig. 5. Histogramas del error de pronóstico de potencia reactiva por fase
usando las redes MLP (izquierda) y LSTM (derecha) propuestas.

V. PRONÓSTICOS DE DEMANDA EN EL ÁMBITO DOMÉSTICO

La otra parte del estudio fue realizada por el grupo
GEINTRA en el ámbito de una vivienda familiar, empleando
las mismas soluciones tecnológicas. En las últimas décadas
se ha producido el paulatino despliegue en los hogares de
dispositivos inteligentes, unas veces medidores inteligentes y
otros monitores de energía inteligentes, que con un único
punto de medida a la entrada de la vivienda son capaces de
ofrecer una serie de servicios a los inquilinos. La primera
utilidad fue la gestión del consumo eléctrico y el diseño de
estrategias para maximizar la eficiencia energética, de forma
similar a la comentada anteriormente para instalaciones de
mayor envergadura para así tratar de reducir la factura
eléctrica de la vivienda. La identificación de las bandas
horarias de uso de diferentes dispositivos domésticos puede
ayudar a hacer más eficiente su uso, en función de las franjas
horarias con menor tarifa. En tal sentido, existen aplicaciones
y servicios que pueden generar automáticamente avisos y
recomendaciones que pueden reducir el importe de la factura.
Fig. 6. Consumo eléctrico general, de la lavadora y del lavavajillas
En el curso de los últimos años ha surgido con fuerza la durante el periodo inicial de seis semanas.
idea de emplear las técnicas de monitoreo no intrusivo de la
demanda (Non-Intrusive Load Monitoring, NILM) para Centrando el estudio en primer lugar en el consumo
identificar los eventos de activación y desactivación de los general de la vivienda, se propone a continuación una red
distintos aparatos eléctricos existentes en una vivienda. Las neuronal profunda del tipo LSTM que sea capaz de predecir
técnicas NILM pueden emplearse tanto con dispositivos dicho valor, según la arquitectura mostrada en la Fig. 7. Se
dedicados para tal fin como usando los medidores ha elegido la topología recurrente LSTM, tratando de que el
inteligentes, los cuales en definitiva se comportan como sistema sea capaz de aprender las rutinas cíclicas que existen
sensores con un nivel de intrusividad muy bajo. Los patrones en el consumo eléctrico de la vivienda a lo largo de las
de uso identificados sirven como herramientas no solo útiles semanas. En ese sentido, la serie temporal de entrada a la red
para aumentar la eficiencia energética sino para aplicaciones neuronal tiene un histórico de los últimos 14 días, con un
de índole socio-sanitaria de asistencia para la vida total de 24 muestras diarias. Además, para particularizar los
independiente de adultos mayores [4] [5] [6]. comportamientos distintos que tiene la vivienda entre días
En este contexto, se ha monitorizado durante un periodo laborables y fines de semana, la capa densa de salida tiene
de 17 meses (de noviembre de 2020 a marzo de 2022) una como entradas el día de la semana y la hora del día actuales.
vivienda en la región de Madrid, habitada por una familia La complejidad de la red viene definida por un total de
compuesta por dos adultos y dos adolescentes. Para la 29.697.061 parámetros entrenables.
captura de datos, se ha instalado a la entrada de la vivienda
 Datos de
pelo que son más habituales en los días laborables. Otro

LSTM 1

LSTM 2
enfoque similar es el mostrado en la Fig. 10, donde se

(336)

(168)
entrada últimos

Densa (512)
14 días
(336 muestras) Consumo de muestran la energía media consumida por cada
energía electrodoméstico a lo largo de las 24 horas del día. Aquí es
pronosticado
Día de la
posible observar patrones de uso a priori habituales, como el
semana y hora uso matutino de la lavadora o la tostadora, en el empleo del
del día
horno asociado a la preparación de la comida y la cena, o la
Fig. 7. Red neuronal basada en celdas LSTM propuesta para la predicción
activación del microondas asociado a las tres comidas
del consumo eléctrico general de la vivienda bajo análisis. principales del día (desayuno, comida y cena). Además, se
puede observar como las horas nocturnas casi no muestran
Esta red fue entrenada con los datos disponibles de la actividad, a excepción del lavavajillas, y en menor medida la
vivienda para 17 meses, de los cuales el 60% fueron lavadora, que presentan cierta actividad derivada de un inicio
dedicados al entrenamiento, el 20% a la validación y el otro de un ciclo que comenzó en las últimas horas del día anterior
20% al test. La red fue entrenada con un optimizador Adam, y se prolongó en la madrugada siguiente.
incluyendo una tasa de aprendizaje de 10-5, un decay de 10-6,
y una función de pérdidas a partir del error absoluto medio.
A partir de los datos de test (desde el 13 de diciembre de
2021 hasta el 21 de marzo de 2022) se ha comparado la
diferencia entre la energía consumida y el pronóstico,
obteniéndose un error absoluto medio de 0.069 (p.u.) y un
error cuadrático medio de 0.013 (p.u.), para una energía de
entrada normalizada. La Fig. 8 muestra a modo de ejemplo
ambos valores, consumido y predicho, para la última semana
del periodo evaluado en marzo 2022. Nótese que para un
adecuado entrenamiento de la red y para la representación de
sus resultados, los valores de energía se encuentran
normalizados con respecto al máximo valor del periodo de
tiempo bajo análisis. Conviene destacar cómo el consumo de
la vivienda presenta picos de energía, normalmente
asociados al uso de electrodomésticos de gran consumo
(lavavajillas, horno, vitrocerámica, etc.), cuyo uso no es
sistemático a lo largo de los días, de ahí la dificultad en su
aprendizaje. De esta forma, la señal predicha refleja bien los
cambios de consumo entre las franjas diurnas y nocturnas,
pero presenta dificultades para estimar las activaciones de
esos grandes electrodomésticos.

Fig. 9. Consumo semanal medio por día para los distintos

electrodomésticos desagregados en la casa bajo estudio.

Fig. 8. Energía consumida y predicha a partir de la red LSTM para la

última semana disponible en marzo 2022. Nótese que los valores de energía
han sido normalizados al máximo valor del periodo.

Desde un punto de vista más social, existe la posibilidad

de analizar cómo se comporta el consumo de cada uno de los
aparatos eléctricos durante determinados periodos, para
poder establecer pautas de comportamiento de los inquilinos,
y detectar posteriormente cualquier desviación en las mismas
para generar las correspondientes alarmas. En este sentido,
trabajando sobre los datos procedentes de la misma vivienda
anterior, la Fig. 9 muestra el consumo medio para cada día de
la semana de los electrodomésticos desagregados. Este
gráfico muestra ciertas tendencias, como el hecho de que la
tostadora tiende a emplearse con mayor frecuencia durante el Fig. 10. Consumo diario medio cada hora para los distintos
fin de semana, al contrario que el microondas o el secador de electrodomésticos desagregados en la casa bajo estudio
 Por otro lado, otra posibilidad es acometer el análisis de potencia activa y reactiva. Por otro lado, se ha analizado una
forma individual para cada uno de los aparatos eléctricos. En vivienda particular, mediante la instalación a la entrada de la
este contexto, y dependiendo de cada vivienda y persona, es misma de un medidor inteligente. Éste proporciona, no sólo
posible identificar que algunos electrodomésticos son la medida general de consumo eléctrico, sino también la
empleados de forma sistemática y más rutinaria, lo cual los energía desagregada por electrodoméstico. Esta información
hace candidatos ideales para la generación de posibles ha sido empleada para monitorizar de forma preliminar los
alarmas derivadas de la detección de anomalías en el patrones de uso de los electrodomésticos en la vivienda, y
comportamiento. A modo de ejemplo, y de forma particular proponer un sistema de detección de situaciones anómalas a
para esta vivienda, se ha realizado un estudio centrado en el partir del análisis de los aparatos eléctricos más
microondas. En la Fig. 11, en la parte superior se muestra el representativos.
perfil porcentual del consumo de este electrodoméstico a lo
largo de las 24 horas de un día. En ella se observa una
predominancia clara en tres intervalos horarios relacionados
con el desayuno, comida y cena. Otra forma de presentar esta
información se refleja en la gráfica inferior, donde se
representa un porcentaje acumulado.

Fig. 12. Ejemplo del consumo del microondas en una semana de marzo de
2022, y detección de las anomalías correspondientes a su uso diario.

AGRADECIMIENTOS
Este trabajo fue soportado por la Universidad Nacional
de Mar del Plata (UNMDP), el Consejo Nacional de
Fig. 11. Consumo horario medio normalizado del microondas (arriba), y Investigaciones Científicas y Tecnológicas (CONICET)
representación porcentual acumulada para un día (abajo). PIP11220200102643CO y por la Agencia Nacional de
Promoción Científica y Tecnológica (ANPCYT), Argentina.
Sobre la información de la Fig. 11, se puede fijar un Del otro lado, el trabajo ha sido financiado por el Ministerio
umbral (a modo de ejemplo fijado en el valor de 0.4 reflejado de Ciencia e Innovación (proyectos PoM, ref. PID2019-
con una línea roja discontinua), que determina la hora límite 105470RA-C33, ALONE, ref. ED2021-131773B-I00, e
(las 13h) a la cual ya debería haberse activado el microondas. INDRI, ref. PID2021-122642OB-C41), España. Patricio G.
Si en una jornada concreta, este electrodoméstico no se Donato agradece el soporte de la convocatoria Bec.ar, que le
utiliza antes de esa hora, el sistema detectará la situación permitió realizar una estancia de investigación en el
anómala correspondiente y podrá emitir una notificación a GEINTRA durante el año 2022.
las personas interesadas. Este funcionamiento se describe en
la Fig. 12, donde se muestra el comportamiento de este REFERENCES
sistema de detección de anomalías a lo largo de una semana [1] R.H. Shumway, D.S. Stoffer, “Time Series Analysis and Its
final en el periodo registrado. Se puede comprobar cómo en Applications”, 2º edición, Springer (2006).
los primeros días laborables de la semana el microondas es [2] Prasad, A; Kay, M, “Assessment of simulated solar irradiance on days
of high intermittency using WRF-solar”, Energies (2020), 13, 385
activado antes de la hora umbral, pero la situación cambia
hacia el fin de semana, generándose las correspondientes [3] P.G. Donato, M.A. Funes, C.M. Orallo, N.I. Echeverría, “Pronóstico
de variables eléctricas en el marco del proyecto de ciudades
alarmas (círculos azules). Nótese que el umbral de 0.4 puede inteligentes en Mar del Plata”, IEEE Argencon 2022. 7-9 de
modificarse para ajustar más finamente la sensibilidad septiembre de 2022 – San Juan (Argentina).
deseada en función de cada caso particular. [4] N. Noury, M. Berenguer, H. Teyssier, M. J. Bouzid and M. Giordani,
“Building an index of activity of inhabitants from their activity on the
VI. CONCLUSIONES residential electrical power line”, IEEE Trans. on Information
Technology in Biomedicine, vol. 15, pp. 758-766, 2011.
Este trabajo ha abordado el pronóstico del consumo eléctrico
[5] A. Ruano, A. Hernández, J. Ureña, M. Ruano, and J.J. García, “NILM
de un edificio o vivienda, desde dos ámbitos de aplicación Techniques for Intelligent Home Energy Management and Ambient
diferentes. Por un lado, se ha estudiado un edificio público Assisted Living: A Review”, Energies, vol. 12, pp. 2203, 2019.
universitario, en el que se han propuesto dos tipologías [6] Y. Nakaoku, S. Ogata, S. Murata, M. Nishimori, M. Ihara, K. Iihara,
distintas de redes neuronales profundas, una de tipo M. Takegami and K. Nishimura, “AI-Assisted In-House Power
recurrente LSTM y otra perceptrón multicapa. Ambas Monitoring for the Detection of Cognitive Impairment in Older
estructuras se han desempeñado con solvencia y de forma Adults”, Sensors, vol. 21, pp. 6249, 2021.
similar en la estimación del consumo eléctrico del edificio a [7] Smilics Technologies, S. L., Wibeee Box Mono, Technical
Description, 2021.
partir de su serie histórica, alcanzando errores relativos
bajos. Además, el estudio se ha particularizado con éxito, no
sólo para las tres fases del edificio, sino también para la