SmartPoliTech: estimación del consumo de agua basado en modelo de mezclas de Gaussianas

• Sergio Barroso ^[1] ; Agustín Sánchez ^[1] ; Pedro Núñez ^[1] ; Pablo García ^[1] ; Pablo Bustos ^[1]
  1. [1] Universidad de Extremadura

     Universidad de Extremadura

     Badajoz, España

     
• Localización: Actas del X International Greencities Congress 2019: 10º Foro de Inteligencia y Sostenibilidad Urbana / coord. por Olga Romero Guisado; María Luisa Gómez Jiménez (dir.), 2019, ISBN 978-84-09-09960-3, págs. 36-53
• Idioma: español
• Enlaces
  • Texto Completo Libro (pdf)
• Resumen
  • español

    La gran cantidad de datos recopilados por los sensores inteligentes representan un recurso de gran valor que se puede utilizar para entender mejor el comportamiento de los usuarios y así poder optimizar el consumo y las necesidades de los edificios públicos. Existe actualmente un interés creciente en la comunidad internacional para hacer uso del histórico de datos con el objetivo de predecir el consumo de energía o de agua, por ejemplo, de forma que la demanda pueda ser adaptada de forma dinámica e incluso pueda generarse alertas en caso de diferencias bruscas entre el consumo estimado y los datos reales adquiridos por los sensores. El presente artículo detalla el análisis de datos relativos al consumo de agua en la Escuela Politécnica de la Universidad de Extremadura dentro del Proyecto de centro SmartPoliTech. Este proyecto es una iniciativa creada en dicho centro cuyo objetivo es transformar las instalaciones existentes en un espacio experimental para el estudio, análisis, diseño, implantación y validación de las tecnologías Smart. Las características de esta Escuela como centro universitario público la convierten en un escenario ideal para investigar en estos nuevos ecosistemas sociales digitales. En particular, este trabajo presenta un sistema predictivo del consumo de agua de la Escuela Politécnica, donde en el mismo se realiza el análisis de los meses más significativos del histórico de datos del centro, extrayendo patrones de consumo típicos en diferentes meses del año. En el enfoque propuesto, y una vez los datos son adquiridos a partir de medidores de consumo instantáneos inteligentes, se utiliza el algoritmo Expectation Maximization para realizar un modelo de mezcla de gaussianas sobre los datos, cuyos resultados son presentados en este documento. Los parámetros de este modelo de mezcla varían según el tipo de día (día de la semana, fin de semana), y también el mes concreto. La metodología propuesta se aplica a un conjunto de datos reales del histórico de datos de los edificios de la Escuela Politénica, y los modelos son validados a continuación con datos reales durante los últimos seis meses. Los resultados se cruzan con variables contextuales disponibles como, por ejemplo, días festivos o periodo de exámenes, arrojando resultados interesantes a la hora de estudiar la demanda real en dichas situaciones.

  • English

    The large amount of data collected by smart sensors is a resource of great value that can be used to better understand user behavior and thus be able to optimize the consumption and the resource needs of public buildings. There is currently a growing interest in the international community to make use of the historical data in order to predict the consumption of energy or water, for example, so that the demand can be adapted dynamically and even generate alerts in case of sharp differences between the estimated consumption and the real data acquired by the sensors. This article details the analysis of data related to water consumption in the Escuela Politécnica of the University of Extremadura within the SmartPoliTech Center Project. This project is an initiative created in this center whose objective is to transform existing facilities into an experimental space for the study, analysis, design, implementation and validation of Smart technologies. The characteristics of this School as a public university center make it an ideal setting to investigate these new digital social ecosystems. In particular, this work presents a predictive system for water consumption at Escuela Politécnica, where the analysis of the most significant months of its data history is carried out, and extracting typical consumption patterns in different months of the year. In the proposed approach, and once the data is acquired from smart instant consumption meters, the Expectation Maximization algorithm is used to perform a Gaussian mixture model on the data, the results of which are presented in this document. The parameters of this mix model vary according to the type of day (day of the week, weekend), and also the specific month. The proposed methodology is applied to a set of real data of the data history of the buildings of the Escuela Politécnica, and the models are validated below with real data during the last six months. The results are crossed with available contextual variables such as, for example, holidays or exam periods, yielding interesting results when studying the real demand in these situations.