Un estudio de la Universidad de La Laguna propone modelos de aprendizaje automático para predecir con 24 horas de antelación la demanda energética en hoteles, lo cual permite proporcionar estimaciones más precisas de esas necesidades y mejorar así la gestión de sus recursos. Esto podrá contribuir a la reducción del consumo de energía, la disminución de las emisiones asociadas a gases de efecto invernadero y la mejora de indicadores de sostenibilidad de las actividades hoteleras.
Esta investigación cobra especial relevancia en un contexto en el que el turismo constituye uno de los principales motores económicos de Canarias. Sin embargo, la actividad turística también implica un elevado consumo energético y una mayor emisión de gases de efecto invernadero, lo que ha llevado a organismos y administraciones públicas a promover medidas orientadas a mejorar la eficiencia energética y reducir el impacto ambiental del sector.
El artículo, Towards smart hotels: energy forecasting with machine learning models, forma parte del trabajo desarrollado por el grupo de Ingeniería de Control y Sistemas Inteligentes de la Universidad de La Laguna, liderado por Juan Albino Méndez Pérez, y en el que participan Rafael Arnay del Arco, Javier Hernández Aceituno, José Francisco Gómez González y Santiago Torres Álvarez.
El estudio, publicado en Logic Journal of the IGPL, propone la utilización de nuevos métodos inteligentes para predicción del consumo energético de la industria hotelera. Concretamente, se trata de los sistemas Long Short Term Memory (LSTM) y Gated Recurrent Unit (GRU), diseñados para procesar datos secuenciales. Una de las principales aportaciones de este estudio es el análisis de cómo estos algoritmos mejoran sus predicciones al incorporar nuevos datos en tiempo real.
Evaluación en un entorno real
La evaluación de este método se llevó a cabo en un hotel de lujo situado en Tenerife. Una de las principales ventajas de disponer de estos modelos de predicción tan precisos es la mejora en la gestión energética de esa infraestructura alojativa y la consiguiente reducción de costes. En este contexto, la planificación adecuada de las cargas eléctricas resulta fundamental para maximizar el aprovechamiento de las energías renovables. Según la investigación, es posible lograrlo analizando la flexibilidad de las cargas y determinando su capacidad para desplazarse a franjas horarias más convenientes. De este modo, el hotel puede aprovechar los excedentes energéticos, reducir los picos de demanda y optimizar el uso de los recursos energéticos disponibles.
Los resultados obtenidos por el grupo de investigación indican que la incorporación de nuevos datos en tiempo real y la capacidad de predecir las 24 horas de demanda energética de forma simultánea contribuyen a realizar estimaciones más precisas y eficientes. El estudio demuestra que, aunque los métodos estadísticos como ARIMAX pueden utilizarse para predecir la demanda energética, su eficacia disminuye cuando se aplica en sistemas complejos como la infraestructura energética de un hotel. Por el contrario, las técnicas de aprendizaje automático basadas en los modelos LSTM y GRU aportan mejoras significativas en la precisión de las predicciones.
Además, los modelos que realizan previsiones simultáneas de 24 horas registraron menores tasas de error que aquellos que generan las predicciones de forma progresiva, lo que pone de manifiesto las ventajas de este enfoque en el contexto analizado. En concreto, el sistema logró reducir los errores en la planificación de las cargas energéticas en un 7,1% en el desplazamiento de carga, es decir, cuánta demanda energética debe trasladarse de una franja horaria a otra, y un 23,5% en la acomodación de carga, la energía disponible que puede aprovecharse en determinados momentos. Todo esto permite optimizar el funcionamiento de las instalaciones.
Los investigadores destacan que este tipo de herramientas pueden convertirse en un aliado clave para avanzar hacia hoteles más eficientes y sostenibles. Como siguiente paso, el equipo prevé adaptar el modelo a otros establecimientos y zonas de Canarias con diferentes condiciones climáticas y patrones de consumo, con el objetivo de seguir mejorando la gestión energética del sector turístico.
Estos métodos para la predicción de generación y demanda en comunidades energéticas se engloban dentro del proyecto Interreg Atlantic Area SATCOMM, en el que la Universidad de La Laguna participa junto a otras diez entidades públicas y privadas de Europa.
