Investigadores del Grado en Ingeniería Informática de Sistemas de Información de la Universidad CEU Cardenal Herrera han desarrollado un módulo basado en redes neuronales artificiales, que permite predecir la temperatura de los hogares y ajustar la climatización en función de esta predicción, para que el consumo energético sea más eficiente. El módulo, que combina sistemas microchip y técnicas de inteligencia artificial, ha sido desarrollado por los investigadores Juan Pardo, Francisco Zamora, Pablo Romeu y Paloma Botella, del Grupo ESAI (Embedded Systems and Artificial Intelligence) de la CEU-UCH. Sus resultados, aplicables a la eficiencia en domótica, han sido publicados en el Journal of Energy and Buildings, una de las diez mejores revistas a nivel internacional en el ámbito de las tecnologías de la construcción, y ha recibido en Madrid el Premio Ángel Herrera a la Mejora Labor de Investigación en el Área Politécnica, el pasado 22 de enero.

La climatización es responsable de más de la mitad del consumo de energía en los hogares, suponiendo de media el 53,9% del consumo total. Predecir la temperatura es la mejor forma de optimizar la energía necesaria para aclimatar una vivienda, puesto que, como explica el investigador de la CEU-UCH Juan Pardo, “la energía requerida para mantener la temperatura en un hogar es menor que la que hace falta para bajarla o subirla”. El módulo predictivo reúne parámetros como la cantidad de CO2, el número de personas que habitan la vivienda o la temperatura exterior. “Estos son algunos de los datos que registra el módulo para prever cuándo conviene activar el aire acondicionado o la calefacción o anticipar un posible exceso de consumo y ser así más eficientes: reducimos la factura de la luz y al mismo tiempo respetamos más el medio ambiente, todo ello de forma automática”, señala Pardo. 

Redes neuronales artificiales
El módulo diseñado por los investigadores de la CEU-UCH es un agente inteligente para la generación de predicciones, que trabaja a partir de los datos obtenidos mediante redes neuronales artificiales, implementadas en sistemas electrónicos de reducidas dimensiones, que se conectan entre sí de forma inalámbrica a través de una red de sensores instalada dentro de una vivienda. “Este formato permite reducir la cantidad de cableado que se instala dentro de un hogar, que también supone un considerable sobrecoste”, señala el profesor de la CEU-UCH. Sobre los resultados experimentales obtenidos, el Pardo destaca que “el modulo diseñado ha logrado precisión en la predicción en un tiempo de entrenamiento muy reducido: entre 4 y 5 días solamente. Las posibilidades de un sistema como este, capaz de aprender por sí mismo en un entorno nuevo y tan rápidamente, son inimaginables”.

Los resultados de la investigación del Grupo ESAI de la CEU-UCH, publicados en Journal of Energy and Buildings con el título "On-line learning of indoor temperature forecasting models towards energy efficiency", tienen gran relevancia en el ámbito de los sistemas predictivos implantados en entornos desconocidos, en el ámbito del “aprendizaje online” a partir de la utilización de redes neuronales. “Lo habitual para este tipo de sistemas es que recurran a grandes bases de datos para poder identificar cuáles son los patrones de comportamiento que permitan su aprendizaje. Nuestro trabajo, sin embargo, ha consistido en introducir un dispositivo sin esa base de conocimiento o gran base de datos, en un entorno totalmente nuevo, logrando que en pocos días sea capaz de aprender de ese entorno y decirnos qué va pasar”, señala el profesor Pardo.

 
En la imagen, los investigadores del Grupo ESAI de la CEU-UCH Juan Pardo, Francisco Zamora, Paloma Botella y Pablo Romeu, profesores del Grado en Ingeniería Informática de Sistemas de Información.