Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/10609/138247
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.authorMeneses Díez, Mónica-
dc.contributor.otherMonzo, Carlos-
dc.coverage.spatialMadrid, ESP-
dc.date.accessioned2022-01-25T21:07:47Z-
dc.date.available2022-01-25T21:07:47Z-
dc.date.issued2021-12-27-
dc.identifier.urihttp://hdl.handle.net/10609/138247-
dc.description.abstractEn la actualidad, el consumo de la electricidad es necesaria en el día a día de todas las personas. Por lo tanto, el consumo eléctrico se ha convertido en una necesidad de la sociedad. En este trabajo se estudia la predicción del consumo eléctrico de los edificios a partir de Machine Learning. Así pues, a partir de una gran cantidad de datos de consumo eléctricos en edificios se podrá realizar una predicción del consumo, empleando Machine Learning. El objetivo es estudiar los distintos modelos de aprendizaje supervisado y no supervisado que se pueden aplicar a este tipo de datos de consumo para poder obtener la mejor predicción puesto que muchos de estos datos tienen valor cero, por lo tanto, puede verse sesgado el modelo que se aplique en este tipo de predicciones. Además, a partir de los datos obtenidos se podrá mejorar la eficiencia energética y tomar medidas para sacar el máximo partido de las energías renovables reduciendo los costes asociados al consumo eléctrico tradicional.es
dc.description.abstractNowadays, the consumption of electricity is necessary in every person's daily life. Therefore, electricity consumption has become a necessity for society. In this work, we study the prediction of electricity consumption in buildings using Machine Learning. Thus, from a large amount of electricity consumption data in buildings, it will be possible to make a prediction of consumption using Machine Learning. The aim is to study the different supervised and unsupervised learning models that can be applied to this type of consumption data in order to obtain the best prediction, given that many of these data have zero value, and therefore the model applied in this type of predictions may be biased. Furthermore, the data obtained can be used to improve energy efficiency and take measures to make the most of renewable energies by reducing the costs associated with traditional electricity consumption.en
dc.description.abstractActualment, el consum de l'electricitat és necessari en el dia a dia de totes les persones. Per tant, el consum elèctric ha esdevingut una necessitat de la societat. En aquest treball, s'estudia la predicció del consum elèctric dels edificis a partir de Machine Learning. Així doncs, a partir d'una gran quantitat de dades de consum elèctrics en edificis es podrà fer una predicció del consum, emprant Machine Learning. L'objectiu és estudiar els diferents models d'aprenentatge supervisat i no supervisat que es poden aplicar a aquest tipus de dades de consum per poder obtenir la millor predicció ja que moltes d'aquestes dades tenen valor zero, per tant, es pot veure esbiaixat el model que s'apliqui a aquest tipus de prediccions. A més, a partir de les dades obtingudes es podrà millorar l'eficiència energètica i prendre mesures per treure el màxim profit de les energies renovables i reduir els costos associats al consum elèctric tradicional.ca
dc.format.mimetypeapplication/pdf-
dc.language.isospa-
dc.publisherUniversitat Oberta de Catalunya (UOC)-
dc.rightsCC BY-NC-ND-
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/-
dc.subjectconsum d'electricitatca
dc.subjectaprenentatge automàticca
dc.subjecteficiència energéticaca
dc.subjectconsumo eléctricoes
dc.subjectaprendizaje automáticoes
dc.subjecteficiencia energéticaes
dc.subjectelectricity consumptionen
dc.subjectmachine learningen
dc.subjectenergy efficiencyen
dc.subject.lcshMachine learning -- TFMen
dc.titleAplicación de Machine Learning al consumo eléctrico de edificios inteligentes-
dc.typeinfo:eu-repo/semantics/masterThesis-
dc.audience.educationlevelEstudis de Màsterca
dc.audience.educationlevelEstudios de Másteres
dc.audience.educationlevelMaster's degreesen
dc.subject.lemacAprenentatge automàtic -- TFMca
dc.subject.lcshesAprendizaje automático -- TFMes
dc.contributor.tutorCrespo García, David-
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess-
Aparece en las colecciones: Bachelor thesis, research projects, etc.

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
mmenesesdTFM0122memoria.pdfMemoria del TFM1,04 MBAdobe PDFVista previa
Visualizar/Abrir