ALICANTE. CENID, el Centro de Inteligencia Digital de la Provincia de Alicante, impulsado por la Diputación de la Provincia de Alicante, la Universidad de Alicante y la Universidad Miguel Hernández de Elche, ha puesto en marcha un proyecto en el que se instalan modelos de comportamiento de usuarios investigados públicamente a través de Algoritmos de Inteligencia Artificial. para ayudar a gestionar y optimizar el consumo energético de estos espacios.
Este trabajo fue coordinado por Faraón Llorens y contó con trabajos de Francisco Maciá, José Francisco Vicent, Alberto Real, José Vicente Berná, José Manuel Sánchez y Javier García, de la UA. Para demostrar la validez de la propuesta, se tomaron ciertas medidas para verificar la adaptabilidad del modelo a contextos de la vida real, en los que es perfectamente aplicable y no requiere supervisión, matar naves humanas, crear advertencias. es necesario tomar medidas.
Se trabajó mediante la plataforma Smart University desarrollada por la Universidad de Alicante para recoger datos extraídos tras dos años de sensorización, en intervalos de una hora, sobre el consumo eléctrico de 36 edificios de la UA. Luego se ajustaron los algoritmos de IA para modelar el comportamiento de los usuarios en estos espacios. Para predecir el consumo de energía, incluidos los componentes temporales y espaciales, se utilizó el modelo AGCRN (Adaptive Graph Recurrent Network).
Otras acciones se centran en identificar alertas para detectar situaciones inusuales en el rendimiento energético de los edificios monitorizados con el fin de optimizar su uso. Por tanto, se deben realizar determinadas acciones reactivas (alto, bajo, por encima y por debajo de los límites establecidos) y preventivas (reducir el consumo para evitar picos, reducir si se superan los límites establecidos y reducir dicho consumo si el límite no está ya desactualizado). Para demostrar la validez del modelo de previsión del consumo eléctrico se utilizaron datos de otros espacios estudiados, de esta manera utilizando información del modelo previamente entrenado se pueden detectar muestras en otras ubicaciones, incluso si no están disponibles.
Uno de los pasos finales para confirmar la eficacia de este proyecto es integrar estas herramientas de IA en el sistema de gestión de datos existente de Smart University. Esto permite disponer de información en tiempo real (recogida UA Energía) y predicciones (recogida UA-CENID Energy Forecast). Ambos están disponibles para los usuarios con acceso al sistema.
Este proceso analiza los datos de consumo actuales generados frente a los datos previstos y así es como detecta si el consumo es anormal.
