El consumo sostenible y responsable de la energía requiere establecer medidas que persigan una mayor eficiencia energética. Un elevado conocimiento del consumo permite determinar la existencia de consumos innecesarios, optimizar la demanda diaria, balancear las cargas, etc. logrando reducir el nivel de consumo. Si, además, se tiene en cuenta la liberalización del mercado energético, el conocimiento extraído se puede aprovechar para mejorar la negociación con la compañía suministradora, reduciendo así costes. En esta tesis se ha realizado un análisis energético de una gran infraestructura, como es de la Universidad de León, caracterizada por tener varios puntos de medida (30 edificios) de elevado consumo y que están distribuidos, convirtiendo el análisis de datos en una tarea compleja. A lo largo de este trabajo, se propone el desarrollo de una infraestructura tecnológica para la obtención de datos relacionados con el consumo energético, el almacenamiento y procesamiento de los mismos y su posterior visualización por parte de un usuario final. Para ello se implementa una arquitectura de triple capa, transparente y modular, aplicable al análisis de diferentes tipos de consumos energéticos como sistemas eléctricos, de calefacción o refrigeración. Además, se recogen datos de variables ambientales que influyen en el nivel de consumo y que serán útiles en las fases de análisis, interpretación de resultados y predicción de consumos. Esta infraestructura incorpora herramientas de análisis con el fin de generar visualizaciones y modelos que permitan extraer el conocimiento implícito en los datos energéticos. Mediante el uso de la variable más representativa de consumo, que en el caso de esta tesis es la potencia activa, se generan perfiles con la dinámica diaria de cada edificio. El análisis de los perfiles o curvas de consumo por medio de técnicas de reducción de la dimensionalidad como son el CCA, SNE y t-SNE, permiten la obtención de representaciones en proyecciones 2D de los perfiles para realizar un análisis visual y una comparación de los datos. De esta forma se puede establecer qué edificios tienen un comportamiento similar y cuales se desvían de un comportamiento normal. El análisis de estas curvas y las variables ambientales determina cuales tienen una mayor influencia en el consumo. El uso de estas variables junto con otras indicadoras del nivel de consumo, como un índice de actividad que modela el nivel de uso de un edificio, permite crear modelos, mediante técnicas como el SOM, que representen los niveles de consumo y permiten una comparación entre los mismos. Adicionalmente, se han propuesto métodos para la predicción del consumo eléctrico a corto y medio plazo. Los modelos obtenidos hacen posible la estimación de los consumos de un edificio a medio plazo (1 mes) por medio de la relación de las variables ambientales con los perfiles de consumo. A partir de las estimaciones futuras de variables ambientales se puede predecir el consumo del edificio y establecer unos umbrales entre los que va a oscilar el consumo. En el caso de la predicción a corto plazo se utilizan técnicas de reducción de la dimensionalidad, o variantes de las mismas, junto con técnicas de predicción propiamente dichas. Dado que existen diferentes posibilidades, en esta tesis, se plantean cuatro técnicas (CCA+ARIMA, SOM MIMO, KSOM y Neural Gas+SVR) y se comparan entre sí para ver cuál es la más adecuada. El uso de estas técnicas implica el uso de regresores (variables de entrada al modelo de predicción) que incorporan información de la evolución de los consumos. Para lograr una mayor precisión es necesario una búsqueda del regresor más adecuado con técnicas de selección, como el k-NN, que no requieren el entrenamiento de todo el algoritmo de predicción con el fin de ahorrar tiempo. En función de la dinámica del edificio y de cómo estos han sido agrupados, el regresor seleccionado cambiará, así como la precisión del método de predicción. Para completar el estudio de los consumos, se analizan también los datos de las facturas de la compañía suministradora, con el fin de comprobar el comportamiento de los puntos de facturación con respecto a los edificios. Este análisis da información de cómo la compañía penaliza a la Universidad por un consumo indebido o diferente al contratado y permite establecer de medidas de actuación, como la corrección del factor de potencia o de la potencia contratada. Finalmente, con el propósito de que los métodos de análisis de datos y predicción propuestos puedan ser interpretados por una persona no versada en el análisis de datos, se han desarrollado una serie de herramientas de visualización, accesibles vía Internet, con el lenguaje Processing. Estas herramientas están dotadas de interactividad con el fin de modificar los datos a visualizar y así facilitar la extracción de conocimiento.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados