El fenómeno del cambio climático global y la meta común de sostenibilidad han puesto bajo el reflector el consumo de energía en edificios urbanos y la reducción de emisiones de carbono. En respuesta, una reciente investigación ha propuesto un modelo de predicción de consumo energético que combina técnicas de aprendizaje profundo con la metodología TRIZ, buscando mejorar la precisión en las predicciones.
TRIZ, conocida como la teoría para resolver problemas inventivos, ofrece soluciones innovadoras que optimizan la eficiencia energética, los costes y el confort al analizar sistemáticamente las contradicciones en el consumo energético. El algoritmo Grey Wolf Optimization (GWO) se usa para optimizar los parámetros del modelo asegurando alta precisión en diferentes condiciones.
El modelo estadístico SARIMA captura las tendencias estacionales, mientra que el modelo de redes neuronales LSTM abarca dependencias a corto y largo plazo, mejorando así la certeza en las predicciones de consumo energético. Los experimentos llevados a cabo por los investigadores han demostrado un notable descenso del 15% en el error de predicción en comparación con modelos vigentes, reflejando así su eficacia y viabilidad en la práctica.
Este innovador enfoque no solo mejora el manejo energético urbano, sino que también establece un nuevo esquema para la optimización del uso de energía, contribuyendo directamente a la reducción de emisiones de carbono y apuntando hacia el desarrollo sostenible. El uso del modelo abarca un abanico que va desde la previsión energética hasta el control del equipamiento energético, promoviendo de esta manera la eficiencia energética y reduciendo costos.
El modelo ha sido probado en varios conjuntos de datos amplios y diversos, como el Great Energy Predictor III (GEP III) de ASHRAE y la Encuesta de Consumo Energético de Edificios Comerciales (CBECS), mostrando un rendimiento consistente y superior en cada uno. Sin embargo, el reto principal reside en la demanda computacional del modelo, lo cual podría limitar su uso en ambientes con recursos restringidos.
El desarrollo de este modelo representa un avance significativo en la gestión energética, estableciendo un precedente para futuras investigaciones que pueden extenderse a otros sectores como el transporte y la gestión de residuos. La exploración de nuevas estrategias para optimizar la eficiencia computacional y la dependencia de datos seguirán siendo áreas clave de enfoque para futuros estudios. Este acercamiento, al potenciar tanto el aprendizaje profundo como estrategias innovadoras sistemáticas, podría allanar el camino hacia ecosistemas urbanos más sostenibles y eficientes.