Desarrollo de un modelo de análisis de carga no intrusiva para eficiencia energética basado en técnicas de machine learning

Simple item page
dc.contributor.advisorArango Londoño, David
dc.contributor.authorJaimes Otero, Julián Javier
dc.contributor.authorMunévar Díaz, José Luis
dc.contributor.authorMoreno Guzmán, Meidy Lizeth
dc.date.accessioned2026-09-03T14:38:03Z
dc.date.available2026-09-03T14:38:03Z
dc.date.issued2026
dc.description.abstractEsta investigación desarrolló un sistema de monitoreo de carga no intrusivo (Non-Intrusive Load Monitoring, NILM) basado en técnicas de inteligencia artificial (IA), orientado a mejorar la eficiencia energética en entornos comerciales. La creciente demanda energética, sumada al aumento de dispositivos eléctricos conectados a la red, ha generado un consumo poco eficiente debido, en gran parte, a la falta de información detallada sobre el comportamiento energético de los equipos eléctricos. Los sistemas tradicionales de medición únicamente reportan el consumo total, sin permitir identificar qué equipos consumen más energía, en qué momentos y bajo qué condiciones, lo que dificulta la implementación de estrategias de ahorro y sostenibilidad. Como alternativa a los sistemas de monitoreo intrusivo, que requieren la instalación de sensores en cada dispositivo y presentan altos costos de implementación y mantenimiento, se desarrolló un modelo NILM capaz de desagregar el consumo energético a partir de una única medición realizada en el punto de entrada de la instalación eléctrica. Para ello, se realizó el procesamiento y análisis exploratorio de un conjunto de datos de consumo energético, se evaluaron cinco modelos de aprendizaje automático (Regresión Lineal, SVM, Random Forest, XGBoost y RNN LSTM), optimizados mediante técnicas de búsqueda de hiperparámetros, y se implementó un mecanismo de reconciliación proporcional para garantizar la coherencia entre las predicciones desagregadas y el consumo total observado. Los resultados evidenciaron que los modelos basados en métodos de ensamble, especialmente Random Forest, alcanzaron los mejores niveles de desempeño, obteniendo coeficientes de determinación (R²) superiores al 90 % en cuatro de las seis categorías de carga evaluadas (Lighting, Heating, Sockets Plug y Cooling). Asimismo, el mecanismo de reconciliación permitió corregir inconsistencias entre las predicciones individuales y el consumo agregado, garantizando la conservación de la energía durante el proceso de desagregación. En conjunto, los resultados demuestran la viabilidad del uso de técnicas de Machine Learning para la desagregación no intrusiva del consumo energético en edificios comerciales y proporcionan una metodología reproducible que puede apoyar la implementación de sistemas inteligentes de gestión energética, facilitar la toma de decisiones orientadas al ahorro de energía y contribuir al desarrollo de estrategias de sostenibilidad en organizaciones. Palabras clave: Monitoreo de carga no intrusivo (NILM), Desagregación energética, Aprendizaje automático, Bosques aleatorios (Random Forest), Series temporales, Redes neuronales recurrentes (RNN), Reconciliación de pronósticos.spa
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ciencia de Datos
dc.format.extent71 p.
dc.format.mimetypeapplication/pdf
dc.identifier.urihttp://hdl.handle.net/11522/5778
dc.language.isospa
dc.publisherPontificia Universidad Javeriana Cali
dc.publisher.departmentFacultad de Ingeniería y Ciencias
dc.publisher.programMaestría en Ciencia de Datos
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonshttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectCarga no intrusivaspa
dc.subjectEficiencia energéticaspa
dc.subjectMachine learningspa
dc.subjectDesagregación de energíaspa
dc.subjectAnálisis de series temporalesspa
dc.titleDesarrollo de un modelo de análisis de carga no intrusiva para eficiencia energética basado en técnicas de machine learningspa
dc.typemaster thesis
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
dc.type.redcolhttps://purl.org/redcol/resource_type/TM
Files
Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
Trabajo de grado en pdf - DESARROLLO DE UN MODELO DE ANÁLISI.pdf
Size:
1.79 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Licencia de uso - DESARROLLO DE UN MODELO DE ANÁLISIS DE CAR (1).pdf
Size:
328.74 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ciencia de Datos