Desarrollo de un agente inteligente para la gestión y optimización del consumo energético de comunidades residenciales multipropiedad

Abstract

Este Trabajo de Fin de Grado presenta el desarrollo de una plataforma web inteligente para la monitorización, análisis y optimización del consumo energético en comunidades residenciales multipropiedad. El proyecto surge de la necesidad de transformar los datos horarios de consumo, que normalmente se consultan de forma pasiva o a través de la factura, en información útil para la toma de decisiones.

La solución se basa en una arquitectura full-stack desacoplada, con un frontend desarrollado en Next.js y React y un backend implementado con Django y Django REST Framework. La plataforma incorpora autenticación mediante JWT y una base de datos relacional para gestionar usuarios, viviendas, lecturas, alertas y predicciones, garantizando la privacidad de los datos de cada propietario.

El sistema integra cuatro módulos principales: visualización histórica del consumo eléctrico y de agua caliente sanitaria, predicción horaria de demanda eléctrica a 30 días, detección automática de anomalías y recomendación personalizada de contratos eléctricos. Para el bloque predictivo se compararon modelos naive, distintas configuraciones de XGBoost y una arquitectura BiLSTM. El modelo finalmente seleccionado fue XGBoost con variables meteorológicas, que obtuvo un RMSE de 1.0764 kWh en el conjunto de prueba, mejorando en un 41.6 % al mejor baseline.

Además, el recomendador tarifario simula distintas combinaciones de tarifa y potencia contratada para estimar la opción económicamente más favorable. En conjunto, el proyecto demuestra la viabilidad de integrar aprendizaje automático, analítica energética y desarrollo web en una herramienta funcional orientada al usuario residencial.This Bachelor's Thesis presents the development of an intelligent web platform for monitoring, analyzing and optimizing energy consumption in multi-owner residential communities. The project addresses the need to transform hourly consumption data, which is often reviewed passively or only through electricity bills, into useful information for decision-making.

The solution is based on a decoupled full-stack architecture, with a frontend developed using Next.js and React and a backend implemented with Django and Django REST Framework. The platform includes JWT authentication and a relational database to manage users, dwellings, consumption readings, alerts and prediction results, ensuring that each owner can only access data associated with their own property.

The system integrates four main modules: historical visualization of electricity and domestic hot water consumption, 30-day ahead hourly electricity demand forecasting, automatic anomaly detection and personalized electricity contract recommendation. For the predictive module, naive baselines, several XGBoost configurations and a BiLSTM architecture were compared. The final selected model was XGBoost with meteorological variables, achieving an RMSE of 1.0764 kWh on the test set and improving the best naive baseline by 41.6 %.

In addition, the tariff recommender simulates different combinations of electricity tariff and contracted power to estimate the most economically favorable option. Overall, the project demonstrates the feasibility of integrating machine learning, energy analytics and web development into a functional tool for residential users.