Red neuronal Long Short-Term Memory (LSTM) aplicada a series temporales para pronosticar consumo energético en edificaciones.

Abstract

En Ecuador, un consumo energético acentuado lo tiene el sector residencial debido al aumento de la población y otros parámetros, lo cual lleva a un incremento en los costos de energía, las emisiones de gases de efecto invernadero y subsidios de fuentes fósiles; de ahí que, existe una necesidad de optimizar y reducir el consumo de energía en edificaciones. Un enfoque considerado son los sistemas de control predictivos, para los cuales se requiere de predicciones de consumos con alta precisión. En este trabajo aplicaremos técnicas de aprendizaje automático supervisado mediante redes neuronales para pronosticar el comportamiento del consumo energético de una vivienda familiar; para este fin se plantea un diseño experimental que utiliza un dataset de casi cuatro años de mediciones energéticas, se prueban cuatro diferentes arquitecturas Long Short-Term Memory (LSTM) y se corren cerca de 200 modelos haciendo variar los hiperparametros, se consideran métricas tales como root mean square error (RMSE), mean absolute error (MAE), y mean absolute percent error (MAPE) para comparar y seleccionar el mejor modelo LSTM, siendo la mejor estructura LSTM simple con salida vectorial.

In Ecuador, The deepest energic consume has been in neighborhood sector due to increased population and other parameters, giving as a result higher energy cost, greenhouse gas emissions and fossil fuel subsidies; in based of this, it is necessary to optimize and decrease the energy consume in buildings. A focus considered for this topic are predictive control systems, that require higher consumption predictions. In this proyect, we are going to apply automatic learning techniques supervised through neural networks to predict the behaviour of energy consume in a family house; therefore, a experimental design is the proposal for this study that use a dataset for energetic measurements for almost four years, are tested four diferents arquitectures Long Short – Term Memory (LSTM) and run around 200 models making change the hiperparameters, are considered metrics such as root mean square error (RMSE), mean absolute error (MAE), and mean absolute percent error (MAPE) to compare and select the better model that is LSTM with a better structure and vector output.