Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/10609/148208
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.authorGarcía de la Chica Herrera, Ángel-
dc.contributor.otherBaró, Xavier-
dc.coverage.spatialBarcelona, ESP-
dc.date.accessioned2023-07-11T16:45:35Z-
dc.date.available2023-07-11T16:45:35Z-
dc.date.issued2023-06-20-
dc.identifier.urihttp://hdl.handle.net/10609/148208-
dc.description.abstractLa reducción del consumo y el aumento de la eficiencia energética son esenciales para combatir el cambio climático. En este proyecto se analiza el uso de tecnologías de Deep Learning para predecir el consumo de energía eléctrica de los edificios. De esta manera, podremos mejorar la eficiencia y reducir el consumo energético. En primer lugar, el proyecto introduce los diferentes sistemas de Deep Learning y los diferentes enfoques que existen en la actualidad para predecir el consumo energético. En segundo lugar, se realiza un análisis de los datos del consumo eléctrico de múltiples edificios con los registros meteorológicos de la estación más cercana a estos. Para ello se aplican técnicas de normalización, discretización y tratamiento de los valores atípicos y ausentes. Por otro lado, se realiza un análisis de correlación de los atributos para reducir la dimensionalidad mediante PCA (Principal Component Analysis). A continuación, se implementan diferentes modelos utilizando dos conceptos distintos. Por un lado, el de las redes neuronales artificiales y por otro, el de los árboles de decisión LightGBM (Light Gradient Boosting Machine). Finamente, se comparan entre si los resultados de los diferentes modelos empleando el error cuadrático medio (ECM). En este trabajo se concluye que, a partir de datos meteorológicos y de los metadatos de los edificios, es posible predecir el consumo de energía eléctrica de los edificios. Además, los modelos implementados para un único edificio no requieren mucha capacidad ni mucho tiempo de cómputo con precisiones bastante buenas.es
dc.description.abstractLa reducció del consum i l'augment de l'eficiència energètica són essencials per a combatre el canvi climàtic. En aquest projecte s'analitza l'ús de tecnologies de Deep Learning per a predir el consum d'energia elèctrica dels edificis. D'aquesta manera, podrem millorar l'eficiència i reduir el consum energètic. En primer lloc, el projecte introdueix els diferents sistemes de Deep Learning i els diferents enfocaments que existeixen en l'actualitat per a predir el consum energètic. En segon lloc, es realitza una anàlisi de les dades del consum elèctric de múltiples edificis amb els registres meteorològics de l'estació més pròxima a aquests. Per a això s'apliquen tècniques de normalització, discretizació i tractament dels valors atípics i absents. D'altra banda, es realitza una anàlisi de correlació dels atributs per a reduir la dimensionalitat mitjançant PCA (Principal Component Analysis). A continuació, s'implementen diferents models utilitzant dos conceptes diferents. D'una banda, el de les xarxes neuronals artificials i per un altre, el dels arbres de decisió LightGBM (Light Gradient Boosting Machine). Finament, es comparen entre si els resultats dels diferents models emprant l'error quadràtic mitjà (ECM). En aquest treball es conclou que, a partir de dades meteorològiques i de les metadades dels edificis, és possible predir el consum d'energia elèctrica dels edificis. A més, els models implementats per a un únic edifici no requereixen molta capacitat ni molt temps de còmput amb precisions bastant bones.ca
dc.description.abstractConsumption reduction and increased energy efficiency are essential to combat climate change. This project analyses the use of Deep Learning technologies to predict the electrical energy consumption of buildings. In this way, we will be able to improve efficiency and reduce electricity consumption. Firstly, the project introduces the different Deep Learning systems and the different approaches that currently exist to predict energy consumption. Secondly, an analysis of electricity consumption data from multiple buildings is carried out together with historical meteorological data from the meteorological station closest to the building. For this purpose, normalisation techniques, discretisation and treatment of outliers and missing values are applied. On the other hand, a correlation analysis of the attributes is carried out to reduce the dimensionality by means of PCA (Principal Component Analysis). Then, different models are implemented using two different concepts. On the one hand, artificial neural networks and on the other hand, LightGBM (Light Gradient Boosting Machine) decision trees. Finally, the results of the different models are compared using the mean square error (MSE). This work concludes that it is possible to predict the electrical energy consumption of buildings from meteorological data and building metadata. Moreover, the models implemented for a single building do not require much capacity and computational time with good accuracies.en
dc.format.mimetypeapplication/pdfca
dc.language.isospaca
dc.publisherUniversitat Oberta de Catalunya (UOC)ca
dc.rightsCC BY-NC-ND*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/-
dc.subjectdeep Learninges
dc.subjectsmarthousees
dc.subjecteficiencia energéticaes
dc.subject.lcshMachine learning -- TFGen
dc.titleAnálisis del consumo de la energía de un edificio mediante técnicas predictivas de Deep Learningca
dc.typeinfo:eu-repo/semantics/bachelorThesisca
dc.audience.educationlevelEstudis de Grauca
dc.audience.educationlevelEstudios de Gradoes
dc.audience.educationlevelUniversity degreesen
dc.subject.lemacAprenentatge automàtic -- TFGca
dc.contributor.tutorIsern, 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  
agarciadelachicaTFC0723.pdfMemoria del TFG2,22 MBAdobe PDFVista previa
Visualizar/Abrir
agarciadelachicaPresentaciónTFC0723.pdfPresentación del TFG2,06 MBAdobe PDFVista previa
Visualizar/Abrir
Comparte:
Exporta:
Consulta las estadísticas

Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons