AI Solution for Energy Management

Indicadores y procesos de mejora

Si bien en el lado de la tecnología (IA) no necesitamos más desarrollo (es el resultado de alrededor de 10 años de investigación aplicada), ahora estamos enfocando nuestra atención en reducir la cantidad de trabajo manual requerido en cada fase de la implementación; la adquisición de los datos, la codificación de esos datos para ser leídos por la IA y finalmente los datos de salida.

Cuantificación/Estimación reducción consumo

Para nuestra solución, es difícil predecir el impacto antes de analizar los datos y nuestra experiencia hasta ahora es que cada edificio tiene características diferentes. La medición será la comparación de cómo consumieron las máquinas HVAC mientras eran administradas por nuestra guía de algoritmo y cómo consumieron cuando se administraron exactamente bajo las mismas circunstancias en el pasado.

Sin embargo, todavía hemos realizado algunas pruebas piloto y junto con la experiencia de nuestro centro de investigación en la Universitat Politècnica de Catalunya se ha estimado en torno a un 20% de ahorro en kWh / año y un 15% de ahorro en € / año por edificio no residencial, todos esto se consigue mediante monitorización, predicción y control remoto en tiempo real.

Cuantificación/Estimación reducción emisiones CO2

Podemos estimar que si en promedio un edificio emite 7 toneladas de CO2 eq. por día y podríamos estar ahorrando entre un 20% y un 40%, esto significa que en un año (considerando solo los días laborables) podríamos estar ahorrando entre 300 y 700 toneladas por edificio. Con una estimación de aplicar nuestra tecnología a 7.000 edificios en los próximos 4 años, esto significa que estaríamos ahorrando alrededor de 4 millones de eq de CO2.

Innovación aplicada y buenas prácticas

La mayoría de las soluciones actuales no explotan todo el potencial de ahorro y son principalmente reactivas ante los cambios de las variables consideradas, pero nuestros modelos predictivos, apoyados en algoritmos basados en redes difusas profundas, se basan en la demanda energética futura y en el funcionamiento de la maquinaria en su punto óptimo de consumo de las máquinas HVAC, que conduce a mayores tasas de ahorro y permite un soporte para el mantenimiento predictivo.

Además, son soluciones cerradas que integran solo su hardware y que consideran un número limitado de variables, mientras que nuestra solución es agnóstica al hardware (sensores, modelo BMS, etc.) y abierta a diferentes variables. Nuestros algoritmos de autoaprendizaje detectan los cambios de hábitos y se adaptan a ellos considerando cualquier tipo de variable que pueda ser de utilidad (ocupación, horarios, temperatura externa, entre otras).

Usabilidad de Tecnologías de la Información y Comunicaciones

El software basado en Inteligencia Artificial desarrollado por The Predictive Company, usa un algoritmo que combina redes neuronales, conocidas por su capacidad para generar representaciones de sistemas complejos no lineales gracias a las transformaciones que ocurren en sucesivas capas de neuronas, con un sistema de lógica difusa, que permite la introducción de aspectos subjetivos en el modelo, como el umbral de confort, debido a su formulación basada en reglas léxicas. Este algoritmo es conocido como ANFIS (Artificial Neuro Fuzzy Inference System) y se presenta como una de las técnicas con mayor precisión en el estado de la técnica. La solución ha sido desarrollada en la Universidad Politécnica de Catalunya durante más de 10 años por un equipo de ingenieros especialistas en eficiencia energética e inteligencia artificial.