Un reciente estudio realizado por la Universidad de La Laguna ha propuesto innovadores modelos de aprendizaje automático que permiten predecir con 24 horas de antelación la demanda energética en hoteles. Esta capacidad de anticipación no solo facilita estimaciones más precisas de las necesidades energéticas, sino que también optimiza la gestión de recursos, contribuyendo así a una significativa reducción del consumo energético y las emisiones de gases de efecto invernadero, además de mejorar los indicadores de sostenibilidad en el sector hotelero.
La investigación adquiere especial relevancia en un contexto donde el turismo es uno de los pilares económicos fundamentales de Canarias. Sin embargo, esta actividad también conlleva un alto consumo energético y un incremento en las emisiones contaminantes, lo que ha llevado a diversas entidades y administraciones a implementar medidas para fomentar la eficiencia energética y mitigar el impacto ambiental del turismo.
Innovaciones tecnológicas en la predicción energética
El artículo titulado Towards smart hotels: energy forecasting with machine learning models, es parte del trabajo desarrollado por el grupo de Ingeniería de Control y Sistemas Inteligentes de la Universidad de La Laguna, bajo la dirección de Juan Albino Méndez Pérez. En este proyecto colaboran también otros investigadores como Rafael Arnay del Arco, Javier Hernández Aceituno, José Francisco Gómez González y Santiago Torres Álvarez.
Este estudio, publicado en el Logic Journal of the IGPL, propone la aplicación de métodos avanzados para prever el consumo energético en la industria hotelera, utilizando sistemas como Long Short Term Memory (LSTM) y Gated Recurrent Unit (GRU), diseñados específicamente para procesar datos secuenciales. Una aportación clave es cómo estos algoritmos mejoran sus predicciones al integrar nuevos datos en tiempo real.
Resultados prometedores en entornos reales
La evaluación del modelo se realizó en un hotel de lujo ubicado en Tenerife. Entre las principales ventajas que ofrece este sistema predictivo se encuentra la mejora en la gestión energética del establecimiento y una notable reducción en los costos operativos. La planificación adecuada de las cargas eléctricas es esencial para maximizar el uso eficiente de energías renovables. Según los hallazgos, esto se logra analizando la flexibilidad de las cargas y su capacidad para ser ajustadas a horarios más óptimos.
Los resultados obtenidos por el equipo investigador indican que al incorporar datos en tiempo real y predecir simultáneamente la demanda energética durante 24 horas, se logran estimaciones más precisas y eficientes. Aunque métodos estadísticos como ARIMAX pueden ser utilizados para estas predicciones, su efectividad disminuye en sistemas complejos como los hoteles. En contraste, las técnicas basadas en LSTM y GRU muestran mejoras significativas en precisión.
Hacia un futuro sostenible
Además, los modelos que realizan previsiones simultáneas han mostrado tasas de error menores comparados con aquellos que generan pronósticos progresivos, evidenciando las ventajas del enfoque adoptado. En concreto, se logró reducir los errores en un 7,1% respecto al desplazamiento de carga y un 23,5% en la acomodación de carga, optimizando así el funcionamiento general del hotel.
Los investigadores subrayan que estas herramientas podrían ser esenciales para avanzar hacia hoteles más eficientes y sostenibles. Como siguiente paso, planean adaptar estos modelos a otros establecimientos turísticos dentro de Canarias, considerando diferentes condiciones climáticas y patrones de consumo para seguir mejorando la gestión energética del sector.
Dichos métodos forman parte del proyecto Interreg Atlantic Area SATCOMM, donde la Universidad colabora con otras diez entidades públicas y privadas a nivel europeo.
Si (
No(
