RT Generic
T1 Predicción de consumo de energía en viviendas mediante IoT e Inteligencia Artificial.
T2 Prediction of energy consumption in homes through IoT and Artificial Intelligence
A1 Romero Caparrós, Javier
K1 Inteligencia artificial - Trabajos fin de máster
K1 Viviendas - Consumo de energía
AB El presente proyecto desarrolla un sistema basado en inteligencia artificial para predecir el consumo de energía en viviendas con instalación trifásica. Utilizando los datos recopilados como series temporales (almacenadas en una base de datos noSQL), y utilizando diferentes técnicas de aprendizaje profundo en GPUs, se ha logrado una predicción de excepcional calidad sobre el comportamiento futuro del consumo eléctrico. Para ello, se han considerado diferentes factores colaterales que afectan al consumo, como son la hora del día, el día de la semana, si es un día festivo o no, la meteorología, e incluso la presencia o ausencia de personas.Para alcanzar estos objetivos, se ha diseñado una completa arquitectura de recopilación de datos, en la que se combinan diferentes tecnologías IoT de alto rendimiento y reduci- do ancho de banda, y entre las que se incluyen un protocolo de comunicaciones basado en mensajería por suscripción, sistemas de información mediante servicios RESTful, y el almacenamiento e intercambio de información en formato JSON.Adicionalmente, se ha desarrollado una aplicación Android que permite la calibración del consumo eléctrico de los diferentes aparatos de la vivienda con el simple objeto de etiquetar los causantes de las variaciones del consumo, lo cual permitiría, por ejemplo, mejorar la predicción o la implementación de un sistema de retroalimentación que identifique los principales responsables de la factura eléctrica.El sistema se ha planteado para que sea, en un futuro, extrapolable a comunidades de vecinos o agrupaciones de mayor entidad. Para ello, las tecnologías empleadas, como la base de datos MongoDB o el protocolo de comunicación MQTT, han sido elegidas por su escalabilidad y su diseño especialmente orientado al big data.
YR 2023
FD 2023
LK https://hdl.handle.net/10630/31619
UL https://hdl.handle.net/10630/31619
LA spa
DS RIUMA. Repositorio Institucional de la Universidad de Málaga
RD 20 ene 2026