Smart Buildings: un marco de aprendizaje de transferencia para escenarios relacionados con la energía en edificios inteligentes

  • 484
Smart Buildings: un marco de aprendizaje de transferencia para escenarios relacionados con la energía en edificios inteligentes
Tamaño letra:

En las ciudades los recursos son escasos, y el nuevo paradigma de producción y consumo de electricidad está forzando el desarrollo de entornos urbanos inteligentes. Por esta razón, una de las principales líneas de actuación se centra en la gestión de la energía para su uso eficiente, y en esto los edificios inteligentes (Smart Buildings) tienen mucho que ver al posibilitar una gestión y control integrados y automatizados, con el fin de aumentar la eficiencia energética, además de la seguridad, la usabilidad y la accesibilidad.

No obstante, aunque si bien el uso de sensores sin duda son esenciales para el despliegue funcional de soluciones IoT que, junto con algoritmos de análisis, proporcionan la inteligencia necesaria a los edificios, sin embargo son lo suficientemente intrusivos y costosos como para que sea inviable colocarlos en todos los edificios para todas las aplicaciones.

Pero actualmente es posible beneficiarnos de despliegues completos de IoT usando un número menor de sensores que extraen el conocimiento inicial y luego, utilizando técnicas de aprendizaje de transferencia (transfer learning), extrapolar la información relevante a otros entornos (aplicando un conocimiento de mayor nivel sobre las similitudes de estos). Esto, sin duda alguna, permitiría abaratar las instalaciones basadas en el uso de multitud de dispositivos y sensores destinados a la recogida de datos en tiempo real, análisis operacionales y aplicaciones integradas para una gestión más sostenible, eficiente e inteligente de los edificios.

Sobre esto último trata un reciente trabajo de investigación publicado en el IEEE (la mayor organización profesional técnica del mundo dedicada al avance de la tecnología en beneficio de la humanidad), con el título: "Un marco de aprendizaje de transferencia para escenarios relacionados con la energía en edificios inteligentes" (A Transfer Learning Framework for predictive energy-related scenarios in Smart Buildings).

Este trabajo, realizado por varios colaboradores de la Universidad de Murcia (España) y la Embry Riddle Aeronautical University en Florida (EEUU) con una amplia experiencia en aprendizaje automático en entornos basados en IoT y análisis de datos, presenta un estudio que ayuda al desarrollo de ciudades inteligentes. Sus autores son: Aurora González Vidal, Jose Mendoza Bernal, Shuteng Niu, Antonio F. Skarmeta y Houbing Song. La novedad de este artículo radica en que es el primer esfuerzo hacia la generalización de los métodos que se crean para la aparición de la inteligencia en edificios específicos y, por tanto, es un primer paso hacia la sublimación de la ciudad inteligente. Lo hace aplicando técnicas de aprendizaje de transferencia a una gran variedad de edificios para resolver problemas relacionados con la eficiencia energética.

Aurora González, autora principal del trabajo por el que se muestra especialmente orgullosa, lo resume en pocas palabras: "Se trata de usar menos sensores (o menos datos) pero con amplias posibilidades de transferir los resultados de un contexto a otro". Imaginamos que esta breve descripción le hace poca justicia a un trabajo de investigación de este calibre y que seguramente abarcará algunos conceptos novedosos más que validan la importancia de este trabajo. Desde Generación IoT le hemos querido preguntar: ¿Cómo describirías la finalidad de este estudio? ¿Va solo de reducir costes en la instalación y el mantenimiento de dispositivos IoT en edificios?

Diría que la reducción de los costes en los despliegues de Internet de las Cosas es un beneficio que no se debe pasar por alto. Sin embargo, la finalidad de este estudio y del planteamiento del que surgió es la de buscar el aprovechamiento máximo de los despliegues ya existentes para generalizar el conocimiento extraído de casos particulares y la mejor planificación a la hora de decidir dónde realizar nuevos despliegues. Cuando una ciudad se plantea iniciar su conversión a ciudad inteligente, debe tener mecanismos para tomar decisiones acertadas sobre dónde colocar sus sensores y las conclusiones de éste trabajo son muy útiles para elegir los edificios más representativos.

En un conocido proyecto enfocado a mantener una gestión más sostenible, eficiente e inteligente de ciertos edificios se instaló una solución basada en IoT que recogía datos de más de 25.000 puntos. Este despliegue enorme más o menos habitual en proyectos de este tipo hacen pensar que se necesita una ingente cantidad de dispositivos. Si es así, esto coloca a las grandes corporaciones, así como la industria hotelera y otras grandes empresas, sobretodo las más interesadas en economizar, en una contrariedad al verse forzadas a realizar fuertes inversiones en material y mantenimiento para obtener después ahorro energético, presumiblemente a medio o largo plazo. Las conclusiones de este trabajo de investigación, ¿es una respuesta oportuna para evitar este inconveniente? ¿Aporta una verdadera estrategia de optimización y reducción de costes en todo sentido?

Nuestro trabajo indudablemente abre la puerta a la reducción de costes en aras de la preparación de un sistema basado en datos para la reducción del consumo energético. Las grandes empresas serían capaces de encontrar las “unidades representativas” de su entidad, como pueden ser algunas oficinas, algunas habitaciones clasificadas por tipo, ciertas salas de máquinas, cuya sensorización sea más recomendable porque, como ya se ha mencionado, representan a las demás. A la hora de implantar un sistema basado en datos, pueden reducir los costes en sensorización y mantenimiento. Como investigación académica que es, este estudio se basa en experimentos con datos ya recogidos y haciendo pruebas en las que se mide cómo afecta la “ausencia” de datos en distintos entornos. Elevar nuestra metodología primero a proyectos nacionales o europeos para que sea aplicada en casos pilotos y luego a proyectos de transferencia universidad-empresa nos dará la posibilidad de ahondar en el análisis coste-beneficio de la estrategia.

Cuando hablamos de edificios inteligentes que integran diferentes sistemas en una única plataforma de gestión capaz de monitorizar la climatización, iluminación, seguridad, ascensores, instalaciones informáticas y telecomunicaciones, controles de acceso, aforo y calidad del aire, etc. ¿con cuál de estos sistemas puede lograrse hoy un factor de eficiencia energética más importante que redunde finalmente en un considerable ahorro económico?

En términos generales, la climatización es responsable del 50 % del consumo energético de los edificios y además está demostrado que un ahorro del 20-30 % derivado del uso de la climatización se puede obtener a partir de cambios en el comportamiento. En ese sentido, la mejora del uso de los sistemas de climatización redunda considerablemente en el ahorro económico. En nuestro estudio, se plantea también la transferencia de conocimiento entre dominios que son similares pero que no son idénticos. En particular, vemos cómo los modelos entrenados para la predicción del consumo energético general pueden servir para la estimación del encendido del aire acondicionado. Son sensores y medidores diferentes, pero muy relacionados entre sí y hemos conseguido extraer esa relación en forma de modelos basados en datos.

Además, en términos de trabajo futuro, las técnicas de cambio de comportamiento suelen llevar asociado un perfilado de los usuarios previo, para mandar recomendaciones personalizadas. Si conseguimos utilizar datos generales de consumo para realizar dicho perfilado, ahorraremos trabajo de despliegue, mantenimiento y análisis de datos específico sobre la operación de los aires acondicionados.


En algunos estudios de eficiencia energética se ha comprobado que los sistemas de refrigeración y calefacción en un edificio pueden llegar a trabajar uno contra el otro creando ineficiencia energética y por tanto despilfarro debido tan solo a los tiempos de activación y desactivación de cada equipo. ¿Cuánto de importante pueden llegar a ser estudios como el que habéis trabajado para detectar este tipo de problemas?

A través de la predicción del consumo energético se pueden lograr varios objetivos relacionados con la eficiencia energética, por ejemplo podemos comprobar cómo una determinada estrategia afecta al consumo comparando el consumo tras aplicarla y la estimación mediante estos modelos. De esta manera se pueden validar o cambiar las estrategias. Otra utilidad es la de estimar los picos de demanda para moverlos de manera que se pueda causar menos estrés a la red eléctrica. Ésto entra dentro de la respuesta en demanda, entre las que se incluye también el ahorro económico. Por último, mencionar que pueden servir también para detectar anomalías que se escapen de lo que los modelos estiman y,por lo tanto, detectar aparatos rotos o usos incorrectos de la energía.

¿Qué tipos de amenazas, que después podrían convertirse en fuente de pérdidas, podrían darse en un edificio tipo, por ejemplo el destinado a oficinas?

Las fuentes de pérdidas que se pueden detectar, sobre todo si nos vamos al campo del uso de la predicción para la detección de anomalías son varios. En cuanto al aire acondicionado se puede detectar el uso abusivo del mismo mediante sobre-enfriamiento y sobre-calentamiento, que se suele dar cuando en el exterior las temperaturas son extremas y, en consecuencia, el usuario elige una temperatura de consigna exagerada, produciendo efectos rebote. También la detección del funcionamiento incorrecto de los mismos relacionado con el mantenimiento y limpieza. Por otra parte, las ventanas abiertas o los aparatos electrónicos encendidos pero no en uso también suponen fuente de pérdidas.

Para que un aprendizaje de transferencia como el que se plantea en este estudio pueda proporcionar un modelo entrenado que pueda aportar soluciones escalables, ¿estamos hablando de poder aplicarlo a cualquier contexto de edificio independientemente del uso al que esté destinado (por ejemplo: fábricas, escuelas, hoteles, oficinas, almacenes, centros comerciales, hospitales, edificios residenciales, etc.)? ¿O bien está limitado a escenarios donde los ocupantes desarrollan la misma actividad?

Ésto es relativo y debe estudiarse más a fondo. Nuestro trabajo se ha basado en datos de edificios que no son residenciales y que tienen distintos usos, siendo una gran mayoría de educación (universidad / instituto) y en menor grado edificios comerciales y gubernamentales. El uso del edificio se ha utilizado como una variable entre otras para encontrar esos representantes pero no se le ha dado más importancia que a otras como pueden ser el año de construcción, la zona geográfica o su área. En ese sentido, dos edificios con el mismo tipo de uso pueden pertenecer a grupos distintos.

Por otra parte, ha quedado como trabajo propuesto realizar un estudio más profundo sobre cómo sería la transferencia de conocimiento de edificios no residenciales a residenciales. La hipótesis actual es que los usos de la energía entre uno y otros son complementarios y que se podrían utilizar pero no me atrevo a aventurar una respuesta sin realizar los experimentos oportunos. También sería posible analizar los distintos usos del edificio que comentas, pero no se ha hecho como tal una separación y queda como trabajo propuesto que esperamos desarrollar próximamente.


El 85% de las viviendas en las que residiremos dentro de diez años ya están construidas, lo que significa que uno de los grandes retos en lograr una gestión más sostenible, eficiente e inteligente está en la rehabilitación de las viviendas residenciales y no tanto en la obra nueva. Así pues, ¿cuánto pueden influir en el entrenamiento de un modelo otros aspectos no relacionados directamente con factores energéticos tales como el año de construcción y la calidad materiales empleados?

En el desarrollo de aplicaciones relacionadas con los edificios inteligentes, normalmente se consideran 3 tipos de modelos: caja blanca, caja negra y caja gris (o híbridos). Mi especialidad son los modelos caja negra y en ellos se basa la publicación.

Los modelos caja blanca tienen en cuenta la estructura, los sistemas y los equipos de un edificio, entre los que se encuentran el año de construcción y sus materiales. Éstos detalles se pueden extraer de los planos de diseño, catálogos de fabricación o a través de inspección visual o visita técnica, un proceso arduo y no siempre exitoso. Mediante herramientas de simulación que utilizan ecuaciones matemáticas, se modeliza el consumo de un edificio.

Los modelos de caja negra están basados en datos. Son algoritmos de aprendizaje automático que captan la relación entre el consumo de energía del edificio y los datos de funcionamiento y meteorológicos recogidos mediante sensores. Estos modelos necesitan mediciones de referencia a lo largo de un periodo de tiempo determinado, pero mediante la metodología publicada, éste periodo se puede ver reducido o eliminado. A pesar de que éstos modelos no utilizan las características de los edificios directamente, nuestra metodología que encuentra los edificios más representativos sí lo hacen.

Por último, los modelos caja gris utilizan descripciones físicas simplificadas para simular el comportamiento de los sistemas energéticos de un edificio, y con ellos identificar parámetros y características importantes mediante el análisis estadístico.


En este trabajo se propone un marco basado en el aprendizaje de transferencia para edificios inteligentes que pudieran presentar problemas relacionados con la energía. ¿Podría extrapolarse a otro tipo de contexto problemático (p.e. suministro de agua, seguridad, etc.)? ¿Puede abrir nuevas líneas de investigación?

Los algoritmos de transferencia se han utilizado anteriormente sobre todo para clasificación de imágenes. Sin embargo, tienen un gran potencial para problemas relacionados con las ciudades. Una investigación reciente los utiliza para estimar la calidad del agua cuando hay muchos valores faltantes. Por otra parte, en el tema de seguridad de los datos, el transfer learning se puede combinar con el federated learning para preservar la privacidad entre sistemas, compartiendo solamente los pesos de los algoritmos entrenados y no los datos por si mismos. De esta manera, las aplicaciones basadas en datos pueden ser mucho más seguras para el usuario final.

El trabajo ha abierto nuevas líneas de investigación que tienen que ver tanto con las aplicaciones (agua, seguridad, agricultura) como con la investigación básica sobre la mejora de la selección de los individuos representativos, cómo el número de datos disponibles afecta la precisión de la transferencia y un largo etcétera. Creo que estos estudios serán una parte fundamental para la lograr ciudades inteligentes.




En este trabajo de investigación, "Un marco de aprendizaje de transferencia para escenarios relacionados con la energía en edificios inteligentes" (A Transfer Learning Framework for predictive energy-related scenarios in Smart Buildings in IEEE Transactions on Industry Applications, doi: 10.1109/TIA.2022.3179222), disponible en https://ieeexplore.ieee.org/document/9785886, han participado los siguientes expertos:

Aurora González Vidal, que obtuvo el título de Graduada en Matemáticas por la Universidad de Murcia, Murcia, España, en 2014, y el de Doctora en Informática, en 2019. En 2015, obtuvo una beca para trabajar en la División Estadística del Servicio de Apoyo a la Investigación, en la especialidad de Estadística y Análisis de Datos. Posteriormente, cursó un máster en Big Data. Actualmente es investigadora postdoctoral en el ITI-CERTH bajo el programa Margarita Salas. Ha colaborado en varios proyectos nacionales y europeos como ENTROPY, IoTCrawler, PHOENIX y DEMETER. Su investigación abarca el aprendizaje automático en entornos basados en IoT, la imputación de valores perdidos y la segmentación de series temporales. Es la presidenta de la Asociación de Usuarios de UMUR.

José Mendoza Bernal, que obtuvo el título de Graduado en Programa Oficial de Estudios Simultáneos en Matemáticas e Informática por la Universidad de Murcia, Murcia, España, en 2020. Se clasificó para el Concurso Regional de Programación del Suroeste de Europa (SWERC) en 2016. Estudió un Máster en Big Data y es Ayudante de Investigación en la misma universidad desde 2019. Ha colaborado en Proyectos Nacionales y Europeos. Su investigación abarca el aprendizaje automático en entornos basados en IoT, la imputación de valores perdidos y el desarrollo de aplicaciones de realidad virtual.

Shuteng Niu, que se doctoró en ingeniería eléctrica e informática por la Embry-Riddle Aeronautical University, Daytona Beach, FL, EE.UU., en mayo de 2021. Fue becario de investigación posdoctoral en la Escuela de Informática Biomédica de UTHealth. En la actualidad es profesor adjunto de informática en la Bowling Green State University. Sus principales intereses de investigación incluyen el aprendizaje automático, la visión por ordenador y la informática biomédica.

Antonio F. Skarmeta, que obtuvo el título de Máster en Informática por la Universidad de Granada, Granada, España, y la licenciatura (con honores) y el doctorado en Informática por la Universidad de Murcia, Murcia, España. Desde 2009 es Profesor Titular en el mismo departamento y Universidad. Ha trabajado en proyectos de investigación nacionales e internacionales en el área de redes, seguridad e IoT, como SEMIRAMIS, SMARTIE, SOCIOTAL, IoT6 ANASTACIA, CyberSec4Europe. Su principal interés es la integración de servicios de seguridad, identidad, IoT y Smart Cities. Ha sido el Director del Grupo de Investigación ANTS desde su creación en 1995. Ha publicado más de 200 artículos internacionales.

Houbing Song, que se doctoró en ingeniería eléctrica por la Universidad de Virginia, Charlottesville, VA, Estados Unidos, en 2012. En 2017, se incorporó al Departamento de Ingeniería Eléctrica y Ciencias de la Computación de la Universidad Aeronáutica Embry-Riddle, Daytona Beach, FL, EE. UU., donde actualmente es Profesor Asociado Titular y Director del Laboratorio SONG. Sus intereses de investigación incluyen los sistemas ciberfísicos, la ciberseguridad y la privacidad, el Internet de las cosas, la computación de borde, la IA/aprendizaje de máquinas, el análisis de Big Data, los sistemas de aeronaves no tripuladas, el vehículo conectado, la salud inteligente y las comunicaciones y redes inalámbricas. El Dr. Song ha recibido el premio a la mejor ponencia en cinco conferencias y es autor de más de 100 artículos e inventor de 1 patente expedida por la OMPI. (Redacción)

Similares
Imagen: Heliot Europe

Heliot Europe es miembro de mioty alliance

Imagen: Disruptive Technologies

Disruptive Technologies ha hecho realidad la supervisión no intrusiva de la ocupación del escritorio gracisa a un nuevo e innovador sensor

Te invitamos a leer nuestros artículos más relevantes sobre el Internet de las Cosas en español y a suscribirte al boletín para recibirlo directamente en tu buzón.