Ayuda
Ir al contenido

Dialnet


Caracterización del consumo eléctrico del sector sanitario en Castilla y León

  • Autores: Álvaro de la Puente Gil
  • Directores de la Tesis: Jorge Juan Blanes Peiró (dir. tes.), Miguel de Simón Martín (dir. tes.)
  • Lectura: En la Universidad de León ( España ) en 2022
  • Idioma: español
  • Número de páginas: 232
  • Títulos paralelos:
    • Characterization of the electricity consumption in the healthcare sector in the Castilla y Léon region
  • Tribunal Calificador de la Tesis: Antonio Colmenar Santos (presid.), Maite García-Ordás (secret.), Ángel Luis Zorita Lamadrid (voc.)
  • Programa de doctorado: Programa de Doctorado en Ingeniería de Producción y Computación por la Universidad de León
  • Materias:
  • Enlaces
    • Tesis en acceso abierto en: TESEO
  • Resumen
    • español

      El consumo de energía sostenible y responsable requiere la implementación de medidas encaminadas a un uso más eficiente de la energía. Por lo que a la energía eléctrica se refiere, un alto conocimiento del gasto energético permite determinar la presencia de consumos innecesarios, optimizar la demanda eléctrica mediante la reducción del consumo o realizar una adecuada gestión de cargas. Además, si se tiene en cuenta la liberalización del mercado energético, los conocimientos adquiridos pueden utilizarse para mejorar las negociaciones con los proveedores y la contratación de los parámetros tarifarios, reduciendo así los costes.

      En esta Tesis Doctoral se realiza un análisis energético para grandes infraestructuras, como son los edificios de la Consejería de Sanidad de la Junta de Castilla y León, caracterizada por un gran número de puntos de suministro energético (correspondientes a 257 edificios) con alto consumo y dispersión, constituyendo el análisis de los datos un proceso complejo que requiere de técnicas más sofisticadas que las habituales.

      Durante este trabajo se propone desarrollar herramientas informáticas de alto nivel para adquirir, almacenar y procesar datos relacionados con el gasto de energía eléctrica, así como su posterior visualización por parte del usuario final. Para ello, se propone un modelo de datos que es aplicable al análisis de diferentes tipos de consumo de energía. Además, se recopilan datos sobre variables climáticas y variables constructivas que influyen en el gasto energético y que serán de utilidad en el análisis e interpretación del perfil de consumo eléctrico y su estimación.

      Apoyado en el modelo de datos, se han desarrollado herramientas de análisis para crear visualizaciones sencillas y modelos para extraer el conocimiento inherente a los datos energéticos. Utilizando técnicas de machine learning, se crean grupos con perfiles de consumo energético de características similares. El análisis de los perfiles o curvas del perfil eléctrico se ha realizado mediante técnicas de clusterización, reducción de dimensionalidad, análisis de regresión y redes neuronales. De esta forma, es posible determinar qué edificios se comportan de manera similar y cuáles se desvían del comportamiento normal. Los modelos obtenidos permiten estimar el consumo energético mensual de cada edificio relacionándolo con las variables climáticas. Con base a estimaciones futuras de las variables climáticas, se puede predecir el gasto energético del edificio. El uso de estas técnicas incluye el uso de análisis de regresión que integran información sobre la evolución del perfil de consumo eléctrico.

    • English

      Sustainable and responsible energy consumption requires the implementation of measures aimed at a more efficient use of energy. As far as electricity is concerned, a thorough knowledge of energy expenditure makes it possible to determine the presence of unnecessary consumption, to optimize electricity demand by reducing consumption or to carry out proper load management. Moreover, taking into account the liberalization of the energy market, the knowledge acquired can be used to improve negotiations with suppliers and the contracting of tariff parameters, thus reducing costs.

      In this Doctoral Thesis an energy analysis is carried out for large infrastructures, such as the buildings of the Health Department of the Castilla y León Regional Government, characterized by a large number of energy supply points (corresponding to 257 buildings) with high consumption and dispersion, constituting the analysis of the data a complex process that requires more sophisticated techniques than the usual ones.

      During this work, it is proposed to develop high-level computer tools to acquire, store and process data related to electrical energy expenditure, as well as its subsequent visualization by the end user. For this purpose, a data model is proposed that is applicable to the analysis of different types of energy consumption. In addition, data is collected on climatic variables and construction variables that influence energy expenditure and that will be useful in the analysis and interpretation of the electricity consumption profile and its estimation.

      Based on the data model, analysis tools have been developed to create simple visualizations and models to extract the knowledge inherent in the energy data. Using machine learning techniques, groups with energy consumption profiles of similar characteristics are created. The analysis of the profiles or curves of the electrical profile has been performed using clustering techniques, dimensionality reduction, regression analysis and neural networks. In this way, it is possible to determine which buildings behave similarly and which deviate from normal behavior. The models obtained allow estimating the monthly energy consumption of each building in relation to climatic variables. Based on future estimates of climatic variables, the building's energy expenditure can be predicted. The use of these techniques includes the use of regression analyses that integrate information on the evolution of the electricity consumption profile.


Fundación Dialnet

Dialnet Plus

  • Más información sobre Dialnet Plus

Opciones de compartir

Opciones de entorno