Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11531/88800
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorVillazán Gil, Bernardoes-ES
dc.contributor.authorMontijano del Diego, Franciscoes-ES
dc.contributor.otherUniversidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI)es_ES
dc.date.accessioned2024-05-31T12:21:49Z-
dc.date.available2024-05-31T12:21:49Z-
dc.date.issued2024es_ES
dc.identifier.urihttp://hdl.handle.net/11531/88800-
dc.descriptionMáster Universitario en Ingeniería Industrial + Máster en Industria Conectada / in Smart Industryes_ES
dc.description.abstractEl 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.es-ES
dc.description.abstractThe 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.en-GB
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoes-ESes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Stateses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/es_ES
dc.subject.otherH62-electronica (MII-N)es_ES
dc.titleOptimización del consumo energético residencial mediante modelos de deep learninges_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
dc.keywordsDeep Learning, Predicción de Energía Solar, Gestión energética, integración en la red.es-ES
dc.keywordsDeep Learning, Solar energy forecasting, Energy Management, Grid Integrationen-GB
Aparece en las colecciones: H62-Trabajos Fin de Máster

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TFM - Montijano del Diego, Francisco.pdfTrabajo Fin de Máster6,16 MBAdobe PDFVista previa
Visualizar/Abrir
Anexo I - Montijano del Diego, Francisco.pdfAutorización9,16 kBAdobe PDFVista previa
Visualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.