- SUMINISTRO DE ELECTRICIDAD, GAS, CALEFACCIÓN Y AIRE ACONDICIONADO
FUNDACIÓN TEKNIKER
PRENERGET FRAMEWORK DE PREDICCIÓN ENERGETICA
Para la optimización de la gestión energética de instalaciones de todo tipo es muy importante disponer de predicciones que permitan tomar decisiones lo antes posible. Las predicciones pueden ser tanto de demanda como de producción para poder alinear ambas mediante acciones de gestión activa de la demanda o de la producción.
Disponer de un framework que facilite el despliegue y ejecución de predicciones en diferentes contextos, con diferentes niveles de agregación y diferentes horizontes temporales. Además, permite la automatización de la actualización de los modelos de predicción para que no pierdan precisión con el transcurso del tiempo.
Hay que tener en cuenta que para la generación de modelos de predicción es más adecuado utilizar lenguajes específicos como R. Sin embargo, para realizar el despliegue y programación de la ejecución de las predicciones son más adecuados entornos de ejecución basados en frameworks java. Todo ello soportado por bases de datos especializadas para gestionar datos de series temporales. Se está ampliando a Python.
Edge y Cloud
Machine Learning & Deep Learning
Series temporales de datos energéticos, topográficos y medioambientales.
En el diseño y validación han colaborado un equipo de cuatro analistas de datos y 2 directores de proyectos. El desarrollo principal ha sido realizado por un programador. Los recursos más importantes se han dedicado a la recogida y preparación de las series de datos históricos necesarias para la validación que han sido extraídos de diferentes fuentes de información tanto internas como externas.
El diseño del framework ha sido un proceso iterativo en el que han tenido que colaborar los diferentes perfiles involucrados con su diferentes necesidades y conocimientos. Este proceso iterativo ha consistido en la validación con diferentes casos de uso que han posibilitado su flexibilidad y su aplicabilidad a los problemas de predicción energética.
No hay una medición de KPIs de impacto en el negocio.En las validaciones se ha detectado mejoras de hasta el 30% en la pérdida de degradación de los modelos
- Financiación
Hazitek y Programas europeos
- Colaboraciones
Piloto Isla La Graciosa predicción demanda eléctrica y producción fotovoltaicaGiroa-Veolia predicción demanda térmicaIBIL predicción demanda eléctrica
es
10/09/2026
Guipúzcoa, Machine Learning & Deep Learning, Predicción, SUMINISTRO DE ELECTRICIDAD, GAS, CALEFACCIÓN Y AIRE ACONDICIONADO