CENID desarrolla un modelo de IA para detectar anomalías en el consumo eléctrico en edificios públicos
CENID desarrolla un modelo de IA para detectar anomalías en el consumo eléctrico en edificios públicos
El profesor e investigador Faraón Llorens ha explicado en Más de uno Alicante que el objetivo es mostrar la validez del proyecto adaptado a contextos reales
Luz Sigüenza
Alicante | 26.03.2024
CENID, el Centro de Inteligencia Digital de la provincia de Alicante, impulsado por la Diputación de Alicante, la Universidad de Alicante y la Universidad Miguel Hernández de Elche, ha lanzado un proyecto en el que se estudia el modelo de comportamiento de los usuarios de instalaciones públicas mediante algoritmos de Inteligencia Artificial para ayudar en la gestión y optimización del consumo eléctrico en estos espacios. Este trabajo ha sido coordinado por Faraón Llorens y cuenta con la labor de Francisco Maciá, José Francisco Vicent, Alberto Real, José Vicente Berná, José Manuel Sánchez y Javier García, de la UA.
Con el objetivo de mostrar la validez de la propuesta, se siguieron unos pasos dirigidos de comprobar la capacidad del modelo para adaptarse a contextos reales, en los que puede ser perfectamente aplicable, y que no necesiten la supervisión manual de los seres humanos, generando alertas para que se tomen las medidas pertinentes.
Se trabajo a partir de la plataforma Smart University, desarrollada por la Universidad de Alicante, para la recogida de los datos que fueron extraídos tras dos años de sensorización, en periodos de 1h del consumo eléctrico de 36 edificios de la UA. Seguidamente se adaptaron algoritmos de IA para generar modelos de comportamiento de los usuarios de estos espacios. Para la predicción del consumo eléctrico, que tienen tanto componentes temporales como espaciales, se usó el modelo AGCRN (Adaptive Graph Convolutional Recurrent Network).
La siguiente acción se centró en definir las alertas que permitieran detectar situaciones anómalas en la eficiencia energética de los edificios monitorizados para optimizar su uso. De este modo se diseñaron algunas acciones reactivas (altas, bajas, por encima y por debajo del límite establecido) y preventivas (reducir el consumo para evitar picos, reducirlo al sobrepasar un límite establecido y disminuir dicho consumo si no se sobrepasan límites).
Para demostrar la validez del modelo de predicción del consumo eléctrico, se utilizaron los datos de otros espacios ya estudiados, de forma que mediante el uso de la información de un modelo previamente entrenado se puedan detectar patrones en otros lugares, pese a que no se tengan datos propios.
Uno de los últimos pasos para confirmar la efectividad de este proyecto fue incorporar estas herramientas de IA al actual sistema de gestión de datos Smart University. Esto ha permitido disponer de información en tiempo real (colección UA-Energía) y de la predicción (colección UA-CENID Energy Predicción). Ambas disponibles para los usuarios con acceso al sistema.