Optimización del consumo energético residencial mediante modelos de deep learning

Abstract

El proyecto se centra en la implementación de un sistema inteligente de gestión energética para hogares que integra energía solar, almacenamiento en baterías y conexión a la red eléctrica. Utilizando modelos de Deep Learning, específicamente arquitecturas RNN, CNN y LSTM, se busca predecir con precisión la demanda energética del hogar. De estos modelos, el LSTM-M2 fue identificado como el más efectivo, tras un proceso de optimización que mejoró significativamente su rendimiento predictivo.

El sistema propuesto permite anticipar el consumo energético y optimizar el uso de la energía solar generada y almacenada, reduciendo la dependencia de la red eléctrica y disminuyendo los costos energéticos. En un caso práctico, se compararon dos estrategias: una sin predicciones y otra con predicciones. La estrategia basada en el modelo LSTM-M2 logró reducir el costo de la energía consumida en un 16.3%, lo que refleja un ahorro considerable cuando se aplica de manera continua.

Este proyecto demuestra el potencial de integrar modelos predictivos en la gestión energética residencial, no solo para maximizar el ahorro económico, sino también para mejorar la eficiencia energética y reducir la huella de carbono. La adopción de estas tecnologías podría jugar un papel crucial en la transición hacia un consumo energético más sostenible y eficiente.The project focuses on implementing an intelligent energy management system for homes that integrates solar energy, battery storage, and grid connection. By utilizing Deep Learning models, specifically RNN, CNN, and LSTM architectures, the goal is to accurately predict household energy demand. Among these models, the LSTM-M2 was identified as the most effective after a process of optimization that significantly improved its predictive performance.

The proposed system allows for the anticipation of energy consumption and optimizes the use of generated and stored solar energy, reducing dependence on the electrical grid and lowering energy costs. In a practical case study, two strategies were compared: one without predictions and another with predictions. The strategy based on the LSTM-M2 model managed to reduce the energy consumption cost by 16.3%, reflecting significant savings when applied continuously.

This project demonstrates the potential of integrating predictive models into residential energy management, not only to maximize economic savings but also to improve energy efficiency and reduce the carbon footprint. The adoption of these technologies could play a crucial role in the transition towards more sustainable and efficient energy consumption.