Red Neuronal LSTM Aplicada A Series De Tiempo Para Pronosticar Consumo Energético En Viviendas
José Guaman (University of Guayaquil, EC)
Julio Barzola-Monteses (University of Guayaquil, EC)
| ||
Red Neuronal LSTM Aplicada A Series De Tiempo Para Pronosticar Consumo Energético En Viviendas | ||
| Published in: | Prospective and trends in technology and skills for sustainable social development. Leveraging emerging technologies to construct the future: Proceedings of the 19th LACCEI International Multi-Conference for Engineering, Education and Technology | |
| Date of Conference: | July 19-23, 2021 | |
| Location of Conference: | Virtual | |
| Authors: | Genesis Segura (University of Guayaquil, EC) José Guaman (University of Guayaquil, EC) Julio Barzola-Monteses (University of Guayaquil, EC) | |
| Full Paper: | #564 | |
Abstract:En Ecuador, un consumo energético acentuado lo tiene el sector residencial debido al aumento de la población y otros parámetros, lo cual lleva a un incremento en los costos de energía, las emisiones de gases de efecto invernadero y subsidios de fuentes fósiles; de ahí que, existe una necesidad de optimizar y reducir el consumo de energía en edificaciones. Un enfoque considerado son los sistemas de control predictivos, para los cuales se requiere de predicciones de consumos con alta precisión. En este trabajo aplicaremos técnicas de aprendizaje automático supervisado mediante redes neuronales para pronosticar el comportamiento del consumo energético de una vivienda familiar; para este fin se plantea un diseño experimental que utiliza un dataset de casi cuatro años de mediciones energéticas, se prueban cuatro diferentes arquitecturas Long Short-Term Memory (LSTM) y se corren cerca de 200 modelos haciendo variar hiperparametros, se consideran métricas tales como root mean square error (RMSE), mean absolute error (MAE), y mean absolute percent error (MAPE) para comparar y seleccionar el mejor modelo LSTM, siendo la mejor estructura LSTM simple con salida vectorial. | ||