Desarrollo de un Sistema de Monitorización y Algoritmo Inteligente de Predicción para Comunidades Energéticas

Abstract

El objetivo del trabajo es doble, por un lado, se centrará en la monitorización de la energía fotovoltaica producida y la energía consumida de las diferentes instalaciones de la ULL. Por otra parte, se desarrollará un modelo basado en aprendizaje automático para la predicción de la energía generada en las instalaciones. En la primera parte del trabajo se desarrollará un sistema de monitorización energética en instalaciones fotovoltaicas usando una plataforma basada en Internet de las Cosas (IoT). La aplicación desarrollada consistirá en la monitorización de las instalaciones de generación fotovoltaica de la Universidad de La Laguna (ULL) y usará la plataforma Thingsboard que permite recolectar, visualizar y analizar datos de dispositivos conectados a internet de una manera eficiente. Para la implementación del sistema, se utilizarán herramientas avanzadas de extracción de datos, incluyendo técnicas de Web Scraping y Automatización Robótica de Procesos (RPA), que permitirán recoger datos en tiempo real de los inversores fotovoltaicos y otros dispositivos. Estos datos serán integrados y sincronizados en ThingsBoard, facilitando la visualización y el análisis a través de cuadros de mando intuitivos. En la segunda parte del trabajo se desarrolló un modelo de predicción utilizando redes neuronales de tipo Long Short-Term Memory (LSTM) para anticipar la generación de energía fotovoltaica del Edificio SEGAI de la ULL. Este modelo no solo permitirá prever la generación de energía en función de variables históricas y condiciones ambientales, sino que también proporcionará una herramienta valiosa para la toma de decisiones y la gestión eficiente del consumo energético. El proyecto desarrollado establece la base para la implementación de una comunidad energética que se está desarrollando en la Universidad de La Laguna en el contexto del proyecto Europeo “Sustainable Atlantic Communities” (SAtComm)

The objective of the work is twofold, on the one hand, it will focus on monitoring the photovoltaic energy produced and the energy consumed by the different facilities of the ULL. On the other hand, a model based on automatic learning will be developed for the prediction of the energy generated in the installations. In the first part of the work, an energy monitoring system for photovoltaic installations using a platform based on the Internet of Things (IoT) will be developed. The application will consist of monitoring the photovoltaic generation facilities of the University of La Laguna (ULL) and will use the Thingsboard platform that allows the collection, visualization and analysis of data from devices connected to the Internet in an efficient way. For the implementation of the system, advanced data extraction tools will be used, including Web Scraping and Robotic Process Automation (RPA) techniques, which will allow real-time data collection from photovoltaic inverters and other devices. This data will be integrated and synchronized in ThingsBoard, facilitating visualization and analysis through intuitive dashboards. In the second part of the work, a prediction model was developed using Long Short-Term Memory (LSTM) neural networks to anticipate the photovoltaic energy generation of the SEGAI building of the ULL. This model will not only allow forecasting energy generation based on historical variables and environmental conditions, but will also provide a valuable tool for decision-making and efficient management of energy consumption. The developed project establishes the basis for the implementation of an energy community that is being developed at the University of La Laguna in the context of the European project "Sustainable Atlantic Communities" (SAtComm).