España. 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.
Según informó el portal universitario, 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.
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. Por ello, los investigadores consideran que 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 que requiere mantener la temperatura en un hogar es menor que la que hace falta para bajarla o subirla”.
El módulo predictivo diseñado por el Grupo ESAI de la CEU-UCH 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 Juan.
El módulo 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”, indica Juan Pardo. Sobre los resultados experimentales obtenidos, destaca que “el modulo diseñado ha logrado precisión en la predicción en un tiempo de entrenamiento relativamente corto: entre cuatro y cinco días. Las posibilidades de un sistema como este, capaz de aprender por sí mismo en un entorno nuevo, son inimaginables”. Imagen: cortesía CEU Cardenal Herrera.
