Pronóstico del Consumo Energético en Edificaciones a través de Series Multivariadas usando Modelos de Redes Neuronales Convolucionales.

Abstract

El consumo energético es uno de los puntos principales a considerar en el siglo XXI, siendo este el principal factor de consumo de materiales fosiles. Las edificaciones formaron parte de del 40% de emiciones de CO2 durante el año 2017, lo cual hace que exista un interes en reducir el consumo de energía en estos sectores, permitiendo llegar a tener una eficiencia energética en edificios. En este trabajo se proponen modelos de redes neuronales convolucionales (CNN), asi como otras conbinaciones de este modelo como CNN-LSTM y ConvLSTM, todo ello con el propósito de realizar predicciones en dos escenarios, a saber: 1) predicción del consumo energético a las proximas 24 horas, y 2) predicción del consumo energético a los proximos 7 días. Se analizan los resultados de modelos al ser aplicados a un conjunto de datos que describen varios meses de observaciones. Los resultados mostraron que para el primer escenario el mejor modelo fue el ConvLSTM y que para el segundo escenario la mejor estructura fue CNN-LSTM.

Energy consumption is one of the main points to consider in the 21st century, being this the main consumption of fossil materials. Buildings were part of 40% of CO2 emissions during 2017, which makes there is an interest in reducing energy consumption in these sectors, allowing to meet energy efficiency in buildings. This work proposes the use of convolutional neural network (CNN) models for predicting the energy consumption, as well as other combinations with this model such as CNN-LSTM and ConvLSTM. Those models are employed when predicting the energy consumption in two scenarios, namely: 1) energy consumption in the next 24 hours, and 2) energy consumption for the next 7 days. Results are obtained when applied the prediction models to classify a dataset with several months of energy consumption observations. The results showed that for the first scenario the best model was ConvLSTM and in the second scenario the best structure was CNN-LSTM.