Paralelización en GPU de métodos de machine learning para el análisis de datos procedentes del consumo energético

• Autores: Jose Rubén Sánchez Iruela
• Directores de la Tesis: María del Carmen Pegalajar Jiménez (codir. tes.), Manuel Capel Tuñón (codir. tes.)
• Lectura: En la Universidad de Granada ( España ) en 2025
• Idioma: español
• ISBN: 9791370151904
• Número de páginas: 211
• Enlaces
  • Tesis en acceso abierto en: DIGIBUG
• Resumen
  • español

    En la actualidad, la eficiencia energética se ha convertido en un tema de gran relevancia debido a la creciente preocupación por el cambio climático y la necesidad de reducir el consumo de energía en diversos sectores. Los edificios, como grandes consumidores de energía, representan una oportunidad significativa para la implementación de estrategias que optimicen su uso energético. En este contexto, la presente tesis se enfoca en la aplicación de técnicas de Inteligencia Artificial (IA) para mejorar la eficiencia energética en edificios a través de la predicción y gestión del consumo energético. Además, estos modelos no solo permiten una optimización precisa, sino que también facilitan el proceso de toma de decisiones en la gestión de la energía, lo que permite ajustes oportunos y eficaces en el uso de los recursos energéticos. La usabilidad del sistema propuesto es clave, ya que se busca que las herramientas desarrolladas sean accesibles y útiles para los administradores energéticos, promoviendo decisiones basadas en datos que contribuyan a una gestión más eficiente y sostenible de la energía. Este trabajo propone una metodología que combina redes neuronales artificiales (ANN) y algoritmos evolutivos multiobjetivo para obtener redes neuronales óptimas que realizarán la predicción del consumo energético en edificios y que serán implementados en arquitecturas de procesamiento paralelo basadas en GPU. La capacidad de procesamiento paralelo de las GPU permite mejorar significativamente el tiempo de ejecución de los algoritmos. Este enfoque garantiza una rápida respuesta del sistema, mejorando el rendimiento sin comprometer la precisión del modelo. Sin embargo, es importante destacar el compromiso entre la aceleración de los cálculos lograda y los costos asociados, como el consumo de energía y los recursos computacionales. El principal objetivo de esta tesis es desarrollar modelos de predicción de consumo energético que no solo sean precisos, sino que también operen con eficiencia en términos de tiempo de procesamiento, gracias a la implementación de técnicas de paralelización y uso de programación en GPU. Para validar la efectividad de los modelos propuestos, se ha llevado a cabo un estudio en una serie de edificios de la Universidad de Granada, lo que ha permitido obtener predicciones energéticas más rápidas y precisas, mejorando la toma de decisiones en la gestión del consumo energético. Los resultados obtenidos demuestran que la combinación de redes neuronales y algoritmos evolutivos implementados de forma paralela en GPU no solo reduce significativamente los tiempos de procesamiento, sino que también proporciona predicciones más fiables y detalladas del consumo energético. Esto contribuye a la reducción de costos y al impacto ambiental, alineándose con las políticas globales de sostenibilidad y eficiencia energética.

  • English

    Efficiency has become a topic of great relevance at the moment due to growing concern about climate change and the need to reduce energy consumption across various sectors. Buildings, as major energy consumers, represent a significant opportunity to optimise their energy use. In this context, this thesis focuses on the application of Artificial Intelligence (AI) techniques to improve energy efficiency in buildings through the prediction and management of energy consumption. Furthermore, these models not only enable precise optimization but also facilitate the decision-making process in energy management by providing real-time predictions, allowing for timely and effective adjustments in the use of energy resources. The usability of the proposed system is key, as the developed tools are intended to be accessible and useful for energy managers, promoting data-driven decisions that contribute to more efficient and sustainable energy management. This study proposes a methodology that integrates artificial neural networks (ANN) with multi-objective evolutionary algorithms to derive optimal neural networks for predicting energy consumption in buildings. These networks are designed to be implemented on parallel processing architectures based on GPUs. The parallel processing capabilities of GPUs significantly enhance the execution speed of the algorithms. This approach ensures a rapid system response, improving performance without compromising the model’s accuracy. However, it is crucial to highlight the trade-offs between the computational acceleration achieved and the associated costs, such as energy consumption and computational resource requirements. The main objective of this thesis is to develop energy consumption prediction models that are not only accurate but also efficient in terms of processing time, thanks to the implementation of parallelization techniques. In order to validate the effectiveness of the proposed models, a study has been carried out on a series of buildings at the University of Granada, which has enabled faster and more accurate energy predictions to be made, thus improving decision-making in energy management. The results obtained show that the combination of neural networks and evolutionary algorithms implemented on GPUs not only significantly reduces processing times but also provides more reliable and detailed predictions of energy consumption. This helps to reduce costs and environmental impact, in line with global sustainability and energy efficiency policies.