Investigadores del Instituto de Ciencias Tokio han desarrollado un método de codificación de grupo novedoso que pronostica con precisión la demanda de electricidad utilizando solo datos de dispositivos de encendido/apagado de los sistemas de energía de la construcción. Probado en conjuntos de datos del mundo real, esta técnica mejora la precisión de pronóstico en un 74% en comparación con los métodos convencionales, ofreciendo una solución escalable y de bajo costo para administrar sistemas de energía distribuidos e integrar energía renovable. Crédito: Instituto de Ciencias Tokio
El pronóstico de la demanda de electricidad en los edificios ahora es más preciso con la codificación del grupo (GE), un nuevo método que utiliza solo datos de operación del dispositivo existentes. Desarrollado por investigadores del Instituto de Ciencias Tokio, el método mejoró la precisión de la predicción en un 74% en las pruebas del mundo real.
Al simplificar los datos binarios de alta dimensión, GE admite una gestión eficiente de dispositivos de energía, reducción de costos e integración perfecta de energía renovable en sistemas distribuidos, lo que lo convierte en una herramienta práctica para la operación de energía inteligente.
A medida que la energía renovable se adopta más ampliamente, los edificios están cada vez más equipados con paneles solares, celdas de combustible, baterías y otros sistemas de energía distribuidos (DES) para satisfacer sus necesidades de electricidad. Estos sistemas ofrecen un potencial significativo para reducir las emisiones de carbono y mejorar la resiliencia energética. Sin embargo, para hacer un uso completo de estas tecnologías, la demanda de energía debe predecirse con alta precisión.
Sin pronósticos precisos, se hace difícil equilibrar la oferta y la demanda de electricidad, lo que lleva a la inestabilidad en la red eléctrica, una eficiencia reducida y un aumento de los costos.
Para abordar este desafío, los investigadores del Laboratorio Ihara-Manzhos en el Instituto de Ciencias Tokio (Science Tokyo), Japón, han desarrollado un nuevo método llamado Grupo Coding (GE).
Esta técnica pronostica la demanda de electricidad de un edificio utilizando solo el estado de encendido/apagado de los dispositivos, datos que ya está recolectado por la mayoría de los sistemas de gestión de energía del edificio (BEMS).
Los hallazgos fueron publicados en Energía aplicada. El estudio fue dirigido por el profesor Manabu Ihara y el profesor asociado Sergei Manzhos, con contribuciones de Ph.D. candidato Hyojae Lee y el profesor asistente Keisuke Kameda.
El pronóstico de la demanda de energía se basa en datos de BEMS, que rastrea varios parámetros como generación de energía, consumo, configuraciones de CA y condiciones climáticas interiores. Sin embargo, cada variable agrega complejidad al conjunto de datos, haciendo que el análisis sea más desafiante.
Por el contrario, el uso solo del estado de encendido/apagado binario de los dispositivos, datos que ya está recopilados por la mayoría de los BEM, simplifica en gran medida el conjunto de datos y al mismo tiempo conserva la información clave necesaria para el control.
“Gracias a la propagación de Internet de las cosas, los datos de estado de encendido/apagado, que es la información mínima para controlar dispositivos, ahora se puede recopilar de los sistemas de construcción fácilmente y a escala. Si se pueden hacer pronósticos precisos utilizando estos datos binarios solo, podemos eliminar la necesidad de sensores costosos adicionales”, dice Ihara.
En el método GE, los datos de encendido/apagado se recopilan primero de BEMS y se etiquetan de acuerdo con el tipo de equipo. Los dispositivos con funciones similares, como calentadores, bombas o sistemas de aire, se agrupan.
A cada dispositivo se le asigna un peso, ya sea igual o basado en su contribución al uso general de energía. Estas señales ponderadas se combinan para crear un valor único para cada grupo. El grupo final de valores se ingresa en un modelo de aprendizaje automático, que está capacitado para predecir la demanda de electricidad.
Los investigadores probaron su método utilizando datos del mundo real del edificio de innovación de energía ambiental en Science Tokyo, que registra más de 4,000 puntos de datos por segundo o minuto, incluidas 1,505 señales de encendido/apagado de varios sistemas de energía. Probaron el método en cuatro períodos estacionales (julio de 2019, febrero de 2020, julio de 2021 y febrero de 2022), utilizando intervalos de un minuto para simular las fluctuaciones rápidas en la demanda de electricidad que son típicas durante los meses máximos de verano e invierno.
En comparación con la codificación de la etiqueta convencional, la precisión de pronóstico mejorado de GE en un 74% en términos de error absoluto medio para pronósticos de un minuto. Para los pronósticos de 60 minutos, GE logró un error de porcentaje absoluto medio de 3.27% y un coeficiente de variación del error cuadrado medio de la raíz de 5.40%, estableciendo un nuevo punto de referencia para el rendimiento de pronóstico de construcción única.
Tal técnica de pronóstico de bajo costo y alta precisión podría mejorar significativamente la capacidad de ES para equilibrar las cargas de electricidad, comerciar en el mercado de electricidad e integrarse con fuentes de energía renovables variables.
Sobre la base de estos resultados, el equipo ahora está trabajando para llevar el método GE a aplicaciones del mundo real. “Estamos incorporando esta técnica en ENE-Swallow︎, un sistema de gestión de energía inteligente de próxima generación que controla un sistema avanzado de batería secundaria de aire de aire”, dice Ihara.
El equipo también tiene un plan para lanzar una startup para apoyar la implementación de estas tecnologías y acelerar la integración de fuentes de energía renovables variables en la red de energía.
Al hacer que el pronóstico de energía sea más simple, más barato y más preciso, GE ofrece una solución práctica a uno de los principales obstáculos que enfrenta sistemas distribuidos de energía renovable.
A medida que los edificios se vuelven más inteligentes y más conectados, esta innovación podría desempeñar un papel clave en la optimización del uso de energía, reducir las emisiones y garantizar un suministro estable de electricidad limpia.
Más información: Hyojae Lee et al, un nuevo método de codificación para datos categóricos de alta dimensión para el pronóstico de la demanda de electricidad en sistemas de energía distribuida, energía aplicada (2025). Doi: 10.1016/j.apenergy.2025.125989
Proporcionado por el Instituto de Ciencias Tokio
Cita: Detección de patrones de demanda de electricidad utilizando un nuevo método para datos binarios de alta dimensión (2025, 11 de julio) Recuperado el 11 de julio de 2025 de https://techxplore.com/news/2025-07-electricity-demand-patterns-method-high.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
