Experiencias de un Smart Campus usando inteligencia artificial e IoT para optimizar el consumo de agua

• Sergio Barroso ; Agustín Sánchez ; Pedro Núñez ; Beatriz Muriel ; Marta Lucas ; Pablo Bustos ^[1]
  1. [1] Universidad de Extremadura

     Universidad de Extremadura

     Badajoz, España

     
• Localización: Greencities, 11º Foro de Inteligencia y Sostenibilidad Urbana: Actas del XI International Greencities Congress / coord. por María Luisa Gómez Jiménez, Olga Romero Guisado, 2021, ISBN 978-84-09-19596-1, págs. 213-231
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    El avance del Internet de las cosas y la Inteligencia Artificial en los últimos años está permitiendo alcanzar resultados prometedores en el desarrrollo de los Smart Cities and Communities(S&CC). En particular, los Smart Campus, como parte importante de estos S&CC, adquieren un protagonismo transversal al ser, por un lado, una represenación leal y acotada de sistemas más complejos (ciudades inteligentes, por ejemplo) donde desplegar sensores y planificar objetivos concretos y abarcables, mientras que por otro permiten la coexistencia de diferentes tecnologías y redes de expertos que facilitan el desarrollo, prueba y evolución de la técnica. El proyecto SmartPoliTech de la Universidad de Extremadura es un proyecto pionero como parte de un futuro Smart Campus y que despliega en sus instalaciones diferentes sensores para recopilar datos de consumo de energía eléctrica, gas, agua, comfort, etc, además de desarrollar todo un marco de trabajo que facilita las comunicaciones entres los distintos sistemas, la visualización de los datos, el modelado de consumo, la generación de alertas y la concienciación sobre aspectos de sostenibilidad y medio ambiente. La gran cantidad de datos recopilados por estos sensores inteligentes ha permitido en el proyecto SmartPoliTech predecir el consumo de energía o de agua usando para ello modelos de consumo como una función dependiente del día, mes e incluso hora. Gracias a estos modelos predictivos se puede, entre otras funcionalidades, generar alertas en caso de diferencias bruscas entre el consumo estimado y los datos reales adquiridos por los sensores, permitiendo ahorros considerable que repercuten no sólo en la factura anual del centro, si no también en una mayor sostenibilidad de los edificios que conforman la Escuela Politécnica (EPCC). Hasta ahora estos modelos se basan únicamente en el histórico de datos de consumo de luz o agua, donde se extraen patrones de consumo típicos en diferentes meses y días del año y se utilizan los mismos para generar una mezcla de gaussianas que recoja estas evoluciones. En este artículo se avanza un paso más en la mejora de los modelos de consumo de agua de los edificios de la Escuela Politécnica. El objetivo principal es ajustar la predicción del mismo a la ocupación real de los espacios del centro, esto es, la obtención de un modelo predictivo que se adapte de forma dinámica en función del número de usuarios (personal de la universidad, estudiantes y/o visitantes) que se encuentren en ese momento en los distintos edificios. Para ello inicialmente este artículo recoge el método usado para la predicción de la ocupación de los edificios de la Escuela Politécnica para, a continuación, centrarse en correlar 214 estos datos con los modelos predictivos basados en la suma de gaussianas. La metodología propuesta se aplica a un conjunto de datos reales del histórico de datos del centro, y los modelos son validados a continuación con datos reales durante los últimos seis meses. Los resultados se cruzan con variables contextuales disponibles como, por ejemplo, días festivos, oposiciones en fin de semana, o visitas externas, arrojando resultados interesantes a la hora de estudiar la demanda real en dichas situaciones.

  • English

    The advance of the Internet of Things and Artificial Intelligence in recent years is enabling promising results in the development of Smart Cities and Communities (S&CC). In particular, the Smart Campus, as an important part of these S&CC, acquires a transverse protagonism by being, on the one hand, a real and limited representation of more complex systems (intelligent cities, for example) where to deploy sensors and plan different goals, while on the other hand, they allow the coexistence of different technologies and networks of experts that facilitate the development, testing and evolution of the technique. The SmartPoliTech project of the University of Extremadura is a pioneering project as part of a future Smart Campus and deploys different sensors in its facilities to collect data on consumption of electricity, gas, water, comfort, etc., in addition to developing a whole framework that facilitates communications between different systems, data visualization, consumption modeling, generation of alerts and awareness of sustainability and environmental issues. The large amount of data collected by these intelligent sensors has allowed the SmartPoliTech project to predict energy or water consumption using consumption models as a day-, month- and even hour-dependent function. Thanks to these predictive models it is possible, among other functions, to generate alerts, allowing for considerable savings that not only affect the center's annual bill, but also the greater sustainability of the buildings of the School of Technology. Until now, these models have been based only on historical data on electricity or water consumption, where typical consumption patterns are extracted in different months and days of the year and used to generate a mixture of Gaussian to collect these evolutions. This article goes a step further in improving water consumption patterns in the buildings of the School of Technology. The main objective is to adjust its prediction to the actual occupation of the centre's facilities, that is, to obtain a predictive model that dynamically adapts according to the number of users (university staff, students and/or visitors) that are in the different buildings at that time. To this end, this article initially covers the method used to predict the occu(2)pation of the buildings of the Polytechnic School and then focuses on correlating this data with the predictive models based on the sum of Gaussian. The proposed methodology is applied to a set of real data from the historical data of the centre, and the models are then validated with real data over the last six months. The results are crossed with available contextual variables such as holidays, weekend competitions, or external visits, giving interesting results when studying the real demand in such situations.