Electrical Engineering">
Pronóstico de Consumo de Energía en Ámbitos Institucionales y Domésticos
Pronóstico de Consumo de Energía en Ámbitos Institucionales y Domésticos
Pronóstico de Consumo de Energía en Ámbitos Institucionales y Domésticos
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
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,
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. 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