Mejora de La Eficiencia Energética en Viviendas Domóticas: Tesis Doctoral

TESIS DOCTORAL
Ttulo
Mejora de la eficiencia energtica en viviendas domticas

Autor/es
Juan Ramn Villodas Orte

Director/es
Pedro Mara Lara Santilln y Luis Mara Lpez Gonzlez

Facultad
Escuela Tcnica Superior de Ingeniera Industrial

Titulacin
Departamento
Ingeniera Elctrica
Curso Acadmico
2014-2015
Mejora de la eficiencia energtica en viviendas domticas, tesis doctoral

de Juan Ramn Villodas Orte, dirigida por Pedro Mara Lara Santilln y Luis Mara Lpez
Gonzlez (publicada por la Universidad de La Rioja), se difunde bajo una Licencia
Creative Commons Reconocimiento-NoComercial-SinObraDerivada 3.0 Unported.
Permisos que vayan ms all de lo cubierto por esta licencia pueden solicitarse a los
titulares del copyright.
El autor
Universidad de La Rioja, Servicio de Publicaciones, 2015
publicaciones.unirioja.es
E-mail: publicaciones@unirioja.es
Autor: Juan Ramn Villodas Orte

Lnea de investigacin: Energas renovables y alternativas
Directores: Pedro M Lara Santilln
Luis M Lpez Gonzlez
Agradecimientos
Deseo expresar mi ms sincero agradecimiento a mis directores de Tesis
Pedro Mara Lara Santilln y Luis Mara Lpez Gonzlez con los que
gracias a su confianza, apoyo y dedicacin me han permitido dar forma
a esta Tesis Doctoral.
A Luis Alfredo Fernndez Jimnez que desde el Departamento de
Ingeniera Elctrica me ense todo sobre las redes neuronales.
As mismo, fuera del mbito acadmico, agradecer a mi familia, sobre
todo a mi mujer, las horas en paralelo que ha dedicado, desinteresada y
voluntariosamente en cuidar de nuestra hija y permitirme as dedicar el
tiempo necesario para el desarrollo de esta Tesis Doctoral.
ndice de contenido
1.
2.
Descripcin ................................................................................... 1
1.1.
Ttulo de la Tesis Doctoral .................................................... 2
1.2.
Autor ...................................................................................... 2
1.3.
Lnea de investigacin .......................................................... 2
1.4.
Directores de la Tesis Doctoral ............................................. 2
Estado del arte y antecedentes ................................................... 3

2.1.
Conceptos............................................................................... 4
2.2.
Configuraciones de las instalaciones domticas .................. 7
2.2.1.
Sistemas centralizados .......................................................................... 7
2.2.2.
Sistemas descentralizados..................................................................... 8
2.2.2.1.
Bus X10 ..................................................................................................................... 11
2.2.2.2.
Otros buses basados en corrientes portadoras ......................................................... 12
2.2.2.3.
Buses con cableado especfico ................................................................................... 13
2.2.2.4.
Buses inalmbricos ................................................................................................... 13
2.3.
Estndares comerciales en domtica ................................. 13
2.4.
Elementos de integracin de la domtica........................... 18
2.4.1.
Sistemas de confort .............................................................................. 18
2.4.2.
Sistemas de seguridad ......................................................................... 18
2.4.3.
Comunicaciones.................................................................................... 20
2.4.4.
Eficiencia energtica ............................................................................ 20
2.4.4.1.
Control de la conexin de equipos ............................................................................ 21
2.4.4.2.
Apoyo con energas renovables ................................................................................. 22
2.4.4.3.
Gestin inteligente de la iluminacin y la climatizacin ......................................... 22
3.
Justificacin ............................................................................... 29
4.
Objetivos .................................................................................... 31
5.
4.1.
Objetivo general .................................................................. 32
4.2.
Objetivos especficos............................................................ 32
Metodologa ................................................................................ 35
5.1.
Planta piloto para la validacin del estudio....................... 36
5.2.
Instalacin domtica ........................................................... 40
5.2.1.
Tarjetas domticas ............................................................................... 43
5.2.1.1.
Tarjetas base............................................................................................................. 43
5.2.1.2.
Tarjetas de actuadores ............................................................................................. 43
ndice de contenido
5.2.2.
Sensores de presencia .......................................................................... 43
5.2.3.
Gestin de la climatizacin ................................................................. 43
5.2.3.1.
Fancoils ..................................................................................................................... 43
5.2.3.2.
Calefaccin ................................................................................................................ 45
5.2.3.3.
Aire acondicionado .................................................................................................... 46
5.2.4.
6.
Interface con el sistema domtico ....................................................... 47
5.3.
Algoritmo de control ............................................................ 47
5.4.
Recogida de datos ................................................................ 50
Modelado mediante redes neuronales ...................................... 55

6.1.
Anlisis de datos mediante redes neuronales .................... 57
6.2.
Entrenamiento de red MLP ................................................ 58
6.2.1.
Configuracin de la red MLP .............................................................. 59
6.2.2.
Informes del entrenamiento de la red MLP ....................................... 61
6.2.3.
Evaluacin del error de la red MLP .................................................... 71
6.2.4.
Aplicacin de la red MLP al ao sin control ....................................... 71
6.3.
Entrenamiento de red RBF ................................................ 73
6.3.1.
Configuracin de la red RBF ............................................................... 74
6.3.2.
Informes del entrenamiento de la red RBF ........................................ 76
6.3.3.
Evaluacin del error de la red RBF .................................................... 84
6.3.4.
Aplicacin de la red RBF al ao sin control ....................................... 84
6.4.
Entrenamiento de red GFF ................................................ 86
6.4.1.
Configuracin de la red GFF ............................................................... 86
6.4.2.
Informes del entrenamiento de la red GFF ........................................ 89
6.4.3.
Evaluacin del error de la red GFF .................................................... 97
6.4.4.
Aplicacin de la red GFF al ao sin control ....................................... 97
6.5.
Entrenamiento de red TLRN .............................................. 99
6.5.1.
Configuracin de la red TLRN .......................................................... 100
6.5.2.
Informes del entrenamiento de la red TLRN ................................... 102
6.5.3.
Evaluacin del error de la red TLRN ............................................... 110
6.5.4.
Aplicacin de la red TLRN al ao sin control .................................. 110
6.6.
Entrenamiento de red MNN ............................................. 112
6.6.1.
Configuracin de la red MNN ........................................................... 113
6.6.2.
Informes del entrenamiento de la red MNN .................................... 116
6.6.3.
Evaluacin del error de la red MNN................................................. 124
6.6.4.
Aplicacin de la red MNN al ao sin control ................................... 124
ii
ndice de contenido
6.7.
Entrenamiento de red PCA .............................................. 126
6.7.1.
Configuracin de la red PCA ............................................................. 127
6.7.2.
Informes del entrenamiento de la red PCA ...................................... 129
6.7.3.
Evaluacin del error de la red PCA .................................................. 138
6.7.4.
Aplicacin de la red PCA al ao sin control ..................................... 138
6.8.
Entrenamiento de red RN ................................................ 140
6.8.1.
Configuracin de la red RN ............................................................... 141
6.8.2.
Informes del entrenamiento de la red RN ........................................ 143
6.8.3.
Evaluacin del error de la red RN .................................................... 152
6.8.4.
Aplicacin de la red RN al ao sin control ....................................... 152
6.9.
7.
Entrenamiento de red SOFMN ........................................ 154
6.9.1.
Configuracin de la red SOFMN ....................................................... 155
6.9.2.
Informes del entrenamiento de la red SOFMN ............................... 157
6.9.3.
Evaluacin del error de la red SOFMN ............................................ 166
6.9.4.
Aplicacin de la red SOFMN al ao sin control ............................... 166
Comparativa de resultados ..................................................... 169

7.1.
Comparativa entre redes neuronales ............................... 169
7.1.1.
Error ponderado ................................................................................. 169
7.1.2.
Sensibilidad de las variables ............................................................. 169
7.1.3.
Ahorro energtico ............................................................................... 171
8.
Conclusiones ............................................................................ 173
9.
Desarrollos futuros .................................................................. 177
10.
Referencias bibliogrficas ....................................................... 179
11.
Nomenclatura .......................................................................... 193
12.
ANEXO 1. ESPECIFICACIONES TCNICAS ...................... 195
12.1.
Especificaciones tcnicas de la instalacin domtica ...... 196
12.1.1.
Tarjetas domticas ......................................................................... 196
12.1.1.1.
Tarjetas base .......................................................................................................... 196
12.1.1.2.
Tarjetas de actuadores ........................................................................................... 203
12.1.2.
Sensores .......................................................................................... 210
12.1.2.1.
Sensores de temperatura y humedad .................................................................... 210
12.1.2.2.
Sensor de iluminacin ............................................................................................ 210
12.1.2.3.
Sensor de consumo elctrico .................................................................................. 211
12.1.2.4.
Sensores de presencia ............................................................................................ 212
12.1.3.
Interface con el sistema domtico ................................................. 213
iii
ndice de contenido
12.2.
Especificaciones tcnicas de los equipos de climatizacin

220
12.2.1.
Caldera ROCA VEGA 24 AIFM .................................................... 220
12.2.2.
Enfriadora CARRIER Aquasnap Junior 30RA007 ...................... 223
12.2.3.
Fancoils ROCA RFR 2 y RFR3 ...................................................... 228
12.3.
Hojas de caractersticas de los componentes electrnicos234
12.3.1.
Microcontrolador PIC18F2520 ...................................................... 234
12.3.2.
Transceptor RS485 MAX13088E .................................................. 241
12.3.3.
Optoacoplador MOC3041 .............................................................. 247
12.3.4.
Optoacoplador PC817 .................................................................... 250
12.3.5.
Sensor de iluminacin BH1750FVI .............................................. 252
12.3.6.
Sensor de temperatura y humedad SHT21 .................................. 257
12.3.7.
Serial UART Interface Module DLP-USB232M .......................... 261
12.3.8.
Pasarela Ethernet-Serie DIGI Connect ME ................................. 266
iv
ndice de tablas
Tabla 1. Domtica: Especificaciones y estndares de red. Alianzas y grupos de
trabajo. ...................................................................................................................... 16
Tabla 2. Domtica: Especificaciones y estndares de red propietarios. ....................... 17
Tabla 3. Orientaciones de las fachadas. ......................................................................... 37
Tabla 4. Sensores utilizados para la recogida de datos y sus unidades. ...................... 52
Tabla 5. Resumen de la optimizacin gentica en la red MLP. .................................... 63
Tabla 6. Variables del informe y su significado. ............................................................ 63
Tabla 7. Informe de errores de ajuste de la aplicacin de la red MLP al grupo de
entrenamiento. ......................................................................................................... 64
Tabla 8. Variables del informe y su significado. ............................................................ 65
validacin cruzada. .................................................................................................. 66
Tabla 10. Informe de errores de ajuste de la aplicacin de la red MLP al grupo de test.
................................................................................................................................... 67
Tabla 11. Valores de sensibilidad de la salida frente a las variables de entrada para la
red MLP. ................................................................................................................... 68
Tabla 12. Resumen de la optimizacin gentica en la red RBF. ................................... 77
Tabla 13. Informe de errores de ajuste de la aplicacin de la red RBF al grupo de
entrenamiento. ......................................................................................................... 78
Tabla 15. Informe de errores de ajuste de la aplicacin de la red RBF al grupo de test.
................................................................................................................................... 80
Tabla 16. Valores de sensibilidad de salida frente a las variables de entrada para la
red RBF. ................................................................................................................... 81
Tabla 17. Resumen de la optimizacin gentica en la red GFF. ................................... 90
Tabla 18. Informe de errores de ajuste de la aplicacin de la red GFF al grupo de
entrenamiento. ......................................................................................................... 91
Tabla 20. Informe de errores de ajuste de la aplicacin de la red GFF al grupo de test.
................................................................................................................................... 93
red GFF. ................................................................................................................... 94
Tabla 22. Resumen de la optimizacin gentica en la red TLRN. .............................. 103
Tabla 23. Informe de errores de ajuste de la aplicacin de la red TLRN al grupo de
entrenamiento. ....................................................................................................... 104
validacin cruzada. ................................................................................................ 105
ndice de tablas
test. ......................................................................................................................... 106
red TLRN. ............................................................................................................... 107
Tabla 27. Resumen de la optimizacin gentica en la red MNN. ............................... 117
Tabla 28. Informe de errores de ajuste de la aplicacin de la red MNN al grupo de
entrenamiento. ....................................................................................................... 118
test. ......................................................................................................................... 120
red MNN. ................................................................................................................ 121
Tabla 32. Resumen de la optimizacin gentica en la red PCA. ................................. 131
Tabla 33. Informe de errores de ajuste de la aplicacin de la red PCA al grupo de
entrenamiento. ....................................................................................................... 132
Tabla 35. Informe de errores de ajuste de la aplicacin de la red PCA al grupo de test.
................................................................................................................................. 134
red PCA. ................................................................................................................. 135
Tabla 37. Resumen de la optimizacin gentica en la red RN. ................................... 145
Tabla 38. Informe de errores de ajuste de la aplicacin de la red RN al grupo de
entrenamiento. ....................................................................................................... 146
Tabla 40. Informe de errores de ajuste de la aplicacin de la red RN al grupo de test.
................................................................................................................................. 148
red RN..................................................................................................................... 149
Tabla 42. Resumen de la optimizacin gentica en la red SOFMN. .......................... 159
Tabla 43. Informe de errores de ajuste de la aplicacin de la red SOFMN al grupo de
entrenamiento. ....................................................................................................... 160
test. ......................................................................................................................... 162
red SOFMN. ........................................................................................................... 163
Tabla 47. Errores ponderados para cada tipo de red neuronal. .................................. 169
Tabla 48. Comparativa de la sensibilidad de la salida en funcin de las variables de
entrada para cada red neuronal entrenada. ........................................................ 170
vi
ndice de tablas
Tabla 49. Resumen del ahorro energtico en porcentaje tras la aplicacin de las redes
neuronales al ao sin control 2012. ...................................................................... 172
Tabla 50. Especificaciones tcnicas caldera ROCA VEGA 24 AIFM. ......................... 222
Tabla 51. Descripcin de los elementos del panel de control de la caldera ROCA
VEGA 24 AIFM. ..................................................................................................... 222
Tabla 52. Caractersticas tcnicas enfriadora CARRIER Aquasnap Junior 30RA007.
................................................................................................................................. 226
Tabla 53. Capacidades frigorficas enfriadoras CARRIER Aquasnap Junior 30RA. 228
Tabla 54. Especificaciones tcnicas de los Fancoils ROCA serie RFR. ...................... 229
Tabla 55. Potencias frigorficas de los Fancoils ROCA serie RFR. ............................. 230
Tabla 56. Potencias calorficas de los Fancoils ROCA serie RFR ............................... 232
Tabla 57. Caractersticas de los microcontroladores de la familia PIC18F2520. ...... 235
Tabla 58. Descripcin de los pines de Entrada/Salida del microcontrolador
PIC18F2520. ........................................................................................................... 240
Tabla 59. Descripcin de pines de entrada salida del transceptor RS485 MAX13088E.
................................................................................................................................. 245
Tabla 60. Tablas de funciones del transceptor RS485 MAX13088E. ......................... 246
vii
ndice de ilustraciones
Ilustracin 1. Elementos de integracin de la domtica. ................................................ 5
Ilustracin 2. Configuracin domtica centralizada. ....................................................... 8
Ilustracin 3. Configuracin domtica descentralizada. ............................................... 10
Ilustracin 4. Vista satlite de la situacin y orientacin de la vivienda..................... 37
Ilustracin 5. Vista de la fachada principal. .................................................................. 38
Ilustracin 6. Plano planta primera: Distribucin de estancias. .................................. 39
Ilustracin 7. Detalle ventana PVC con doble acristalamiento. ................................... 40
Ilustracin 8. Elementos domticos en planta baja. ...................................................... 41
Ilustracin 9. Elementos domticos en planta primera. ............................................... 42
Ilustracin 10. Fancoil. Vista exterior. ........................................................................... 44
Ilustracin 11. Fancoil. Configuracin interna. ............................................................. 44
Ilustracin 12. Caldera de gas natural. .......................................................................... 45
Ilustracin 13. Enfriadora para aire acondicionado. ..................................................... 47
Ilustracin 14. Diagrama de flujo del algoritmo de control de persianas. ................... 49
Ilustracin 15. Situacin en el plano de la primera planta de la estancia a estudio. .. 50
Ilustracin 16. Posicin en la fachada de las ventanas de la estancia a estudio. ........ 51
Ilustracin 17. Arquitectura de una red MLP. .............................................................. 59
Ilustracin 18. Red neuronal con topologa MLP. .......................................................... 61
Ilustracin 19. Evolucin del error cuadrtico medio (MSE) en el mejor individuo de
la red MLP. ............................................................................................................... 62
Ilustracin 20. Media del error cuadrtico medio (MSE) en los individuos en cada
generacin de la red MLP. ....................................................................................... 63
Ilustracin 21. Comparativa entre los datos de entrenamiento y los de salida de la red
neuronal MLP. ......................................................................................................... 64
Ilustracin 22. Informe grfico de la aplicacin de la red MLP al grupo de validacin
cruzada. .................................................................................................................... 65
Ilustracin 23. Informe grfico de la aplicacin de la red MLP al grupo de test. ........ 66
Ilustracin 24. Grfico de sensibilidad de la salida frente a las variables de entrada
para la red MLP. ...................................................................................................... 67
Ilustracin 25. Variacin de la salida frente a la variable de entrada Temperatura
exterior para la red MLP. ........................................................................................ 68
interior para la red MLP. ........................................................................................ 69
Ilustracin 27. Variacin de la salida frente a la variable de entrada Humedad
exterior para la red MLP. ........................................................................................ 69
interior para la red MLP. ........................................................................................ 70
Ilustracin 29. Variacin de la salida frente a la variable de entrada Radiacin global
para la red MLP. ...................................................................................................... 70
ix
Ilustracin 30. Comparativa en el ao 2012 entre los datos reales y los datos
optimizados aplicando la red neuronal MLP simulando el control sobre el
sistema. ..................................................................................................................... 72
Ilustracin 31. Arquitectura de una red RBF. ............................................................... 73
Ilustracin 32. Red neuronal con topologa RBF. .......................................................... 75
la red RBF. ............................................................................................................... 76
generacin en la red RBF. ....................................................................................... 77
neuronal RBF. .......................................................................................................... 78
Ilustracin 36. Informe grfico de la aplicacin de la red RBF al grupo de validacin
cruzada. .................................................................................................................... 79
Ilustracin 37. Informe grfico de la aplicacin de la red RBF al grupo de test. ........ 80
para la red RBF. ....................................................................................................... 81
exterior para la red RBF. ........................................................................................ 82
interior para la red RBF. ......................................................................................... 82
exterior para la red RBF. ........................................................................................ 83
interior para la red RBF. ......................................................................................... 83
para la red RBF. ....................................................................................................... 84
optimizados aplicando la red neuronal RBF simulando el control sobre el
sistema. ..................................................................................................................... 85
Ilustracin 45. Arquitectura de una red GFF. ............................................................... 86
Ilustracin 46. Red neuronal con topologa GFF. .......................................................... 88
la red GFF. ............................................................................................................... 89
generacin de la red GFF. ....................................................................................... 90
neuronal GFF. .......................................................................................................... 91
Ilustracin 50. Informe grfico de la aplicacin de la red GFF al grupo de validacin
cruzada. .................................................................................................................... 92
Ilustracin 51. Informe grfico de la aplicacin de la red GFF al grupo de test. ........ 93
para la red GFF. ....................................................................................................... 94
exterior para la red GFF. ........................................................................................ 95
Ilustracin 54 Variacin de la salida frente a la variable de entrada Temperatura
interior para la red GFF. ......................................................................................... 95
exterior para la red GFF. ........................................................................................ 96
interior para la red GFF. ......................................................................................... 96
para la red GFF. ....................................................................................................... 97
optimizados aplicando la red neuronal GFF simulando el control sobre el
sistema. ..................................................................................................................... 98
Ilustracin 59. Arquitectura de una red TLRN. ............................................................ 99
Ilustracin 60. Red neuronal con arquitectura TLRN................................................. 101
la red TLRN............................................................................................................ 102
generacin de la red TLRN. .................................................................................. 103
neuronal TLRN. ..................................................................................................... 104
Ilustracin 64. Informe grfico de la aplicacin de la red TLRN al grupo de validacin
cruzada. .................................................................................................................. 105
Ilustracin 65. Informe grfico de la aplicacin de la red TLRN al grupo de test. .... 106
para la red TLRN. .................................................................................................. 107
exterior para la red TLRN. .................................................................................... 108
interior para la red TLRN. .................................................................................... 108
exterior para la red TLRN. .................................................................................... 109
interior para la red TLRN. .................................................................................... 109
para la red TLRN. .................................................................................................. 110
optimizados aplicando la red neuronal TLRN simulando el control sobre el
sistema. ................................................................................................................... 111
Ilustracin 73. Arquitecturas de redes MNN. .............................................................. 112
Ilustracin 74. Red neuronal con topologa MNN........................................................ 115
la red MNN. ............................................................................................................ 116
xi
generacin de la red MNN..................................................................................... 117
neuronal MNN. ...................................................................................................... 118
Ilustracin 78. Informe grfico de la aplicacin de la red MNN al grupo de validacin
cruzada. .................................................................................................................. 119
Ilustracin 79. Informe grfico de la aplicacin de la red MNN al grupo de test. ..... 120
para la red MNN. ................................................................................................... 121
exterior para la red MNN. ..................................................................................... 122
interior para la red MNN. ..................................................................................... 122
exterior para la red MNN. ..................................................................................... 123
interior para la red MNN. ..................................................................................... 123
para la red MNN. ................................................................................................... 124
optimizados aplicando la red neuronal MNN simulando el control sobre el
sistema. ................................................................................................................... 125
Ilustracin 87. Arquitectura de una red PCA. ............................................................. 126
Ilustracin 88. Red neuronal con arquitectura PCA. .................................................. 128
la red PCA. ............................................................................................................. 130
generacin de la red PCA. ..................................................................................... 131
neuronal PCA. ........................................................................................................ 132
Ilustracin 92. Informe grfico de la aplicacin de la red PCA al grupo de validacin
cruzada. .................................................................................................................. 133
Ilustracin 93. Informe grfico de la aplicacin de la red PCA al grupo de test. ...... 134
para la red PCA. ..................................................................................................... 135
exterior para la red PCA. ...................................................................................... 136
interior para la red PCA. ....................................................................................... 136
exterior para la red PCA. ...................................................................................... 137
interior para la red PCA. ....................................................................................... 137
xii
para la red PCA. ..................................................................................................... 138
optimizados aplicando la red neuronal PCA simulando el control sobre el
sistema. ................................................................................................................... 139
Ilustracin 101. Arquitectura de una red RN. ............................................................. 140
Ilustracin 102. Red neuronal con topologa RN. ........................................................ 142
la red RN. ............................................................................................................... 144
generacin de la red RN. ....................................................................................... 145
Ilustracin 105. Comparativa entre los datos de entrenamiento y los de salida de la
red neuronal RN. ................................................................................................... 146
Ilustracin 106. Informe grfico de la aplicacin de la red RN al grupo de validacin
cruzada. .................................................................................................................. 147
Ilustracin 107. Informe grfico de la aplicacin de la red RN al grupo de test. ...... 148
para la red RN. ....................................................................................................... 149
exterior para la red RN. ........................................................................................ 150
interior para la red RN. ......................................................................................... 150
exterior para la red RN. ........................................................................................ 151
interior para la red RN. ......................................................................................... 151
Ilustracin 113. Variacin de la salida frente a la variable de entrada Radiacin
global para la red RN. ............................................................................................ 152
optimizados aplicando la red neuronal RN simulando el control sobre el sistema.
................................................................................................................................. 153
Ilustracin 115. Arquitectura de una red SOFMN. ..................................................... 154
Ilustracin 116. Red neuronal con arquitectura SOFMN. .......................................... 157
la red SOFMN. ....................................................................................................... 158
generacin de la red SOFMN. ............................................................................... 159
red neuronal SOFMN. ........................................................................................... 160
Ilustracin 120. Informe grfico de la aplicacin de la red SOFMN al grupo de
Ilustracin 121. Informe grfico de la aplicacin de la red SOFMN al grupo de test.
................................................................................................................................. 162
xiii
para la red SOFMN. .............................................................................................. 163
exterior para la red SOFMN. ................................................................................ 164
interior para la red SOFMN.................................................................................. 164
exterior para la red SOFMN. ................................................................................ 165
interior para la red SOFMN.................................................................................. 165
global para la red SOFMN. ................................................................................... 166
optimizados aplicando la red neuronal SOFMN simulando el control sobre el
sistema. ................................................................................................................... 167
Ilustracin 129. Comparativa de la sensibilidad de la salida en funcin de las
variables de entrada para cada red neuronal entrenada. ................................... 170
Ilustracin 130. Microcontrolador PIC18F2520: Encapsulado y distribucin de pines.
................................................................................................................................. 197
Ilustracin 131. Localizacin de cajas de registro en planta baja. En fondo verde las
que contienen tarjetas domticas y su interconexin en el bus. ......................... 198
Ilustracin 132. Localizacin de cajas de registro en planta primera. En fondo verde
las que contienen tarjetas domticas y su interconexin en el bus. ................... 199
Ilustracin 133. Tarjeta domtica: Esquema placa base. ............................................ 200
Ilustracin 134. Tarjeta domtica: PCB placa base. .................................................... 201
Ilustracin 135. Conexin del cableado del bus y los conectores RJ-45. .................... 202
Ilustracin 136. Cable de par trenzado utilizado para el bus. .................................... 203
Ilustracin 137. Tarjeta domtica: Esquema mdulo de 2 salidas de activacin por
optotriac. ................................................................................................................. 204
Ilustracin 138. Tarjeta domtica: PCB mdulo de 2 salidas de activacin por
optotriac. ................................................................................................................. 204
optotriac. ................................................................................................................. 205
optotriac. ................................................................................................................. 205
Ilustracin 141. Tarjeta domtica: Esquema mdulo de 2 salidas con activacin por
rel. ......................................................................................................................... 207
Ilustracin 142. Tarjeta domtica: PCB mdulo de 2 salidas con activacin por rel.
................................................................................................................................. 208
Ilustracin 143. Tarjeta domtica: Esquema mdulo de salida de persiana con
activacin por rel. ................................................................................................. 209
Ilustracin 144. Tarjeta domtica: PCB mdulo de salida de persiana con activacin
por rel. ................................................................................................................... 210
xiv
Ilustracin 145. Sensor digital integrado doble de temperatura y humedad. ........... 210
Ilustracin 146. Sensor de iluminacin BH1750FVI. .................................................. 211
Ilustracin 147. Medidor de energa elctrica. ............................................................. 212
Ilustracin 148. Detectores de presencia empleados. .................................................. 213
Ilustracin 149. Software para Windows de control y monitorizacin de la instalacin
domtica.................................................................................................................. 214
Ilustracin 150. Pasarela Ethernet a serie TTL Digi Connect ME. ........................... 215
Ilustracin 151. Software para Android de monitorizacin y control de la instalacin
domtica.................................................................................................................. 217
Ilustracin 152. Men de configuracin de las tarjetas domticas desde Android. .. 219
Ilustracin 153. Caldera mural estanca de gas natural ROCA VEGA 24 AIFM. ..... 221
Ilustracin 154. Panel de control de la caldera ROCA VEGA 24 AIFM. ................... 222
Ilustracin 155. Enfriadora CARRIER Aquasnap Junior 30RA007. ......................... 223
Ilustracin 156. Lmites de funcionamiento enfriadora CARRIER Aquasnap Junior
30RA007. ................................................................................................................ 227
Ilustracin 157. Presin total disponible enfriadora CARRIER Aquasnap Junior
30RA007. ................................................................................................................ 227
Ilustracin 158. Fancoil ROCA serie RFR con ventilador tangencial. ....................... 229
Ilustracin 159. Curvas de rendimiento en enfriamiento de los Fancoils ROCA serie
RFR funcionando a la mxima velocidad. ............................................................ 231
Ilustracin 160. Curvas de rendimiento en calentamiento de los aparatos RFR
funcionando a la mxima velocidad. ..................................................................... 233
Ilustracin 161. Distribucin de pines en el microcontrolador PIC18F2520. ............ 235
Ilustracin 162. Diagrama de bloques del microcontrolador PIC18F2520. ............... 236
Ilustracin 163. Configuracin y circuito tpico de funcionamiento del transceptor
RS485 MAX13088E. .............................................................................................. 246
xv
1. Descripcin
A continuacin se detallan los datos del ttulo de esta Tesis Doctoral,
autor, lnea de investigacin y directores de la misma.
Captulo 1
1.1. Ttulo de la Tesis Doctoral

Mejora de la eficiencia energtica en viviendas domticas.
1.2. Autor
Juan Ramn Villodas Orte.
1.3. Lnea de investigacin

Energas renovables y alternativas.
1.4. Directores de la Tesis Doctoral

Pedro Mara Lara Santilln, Luis Mara Lpez Gonzlez
2. Estado del arte y

antecedentes
En este apartado se hace una revisin bibliogrfica de las
publicaciones (haciendo referencia a las mismas de acuerdo a la
norma APA) que tienen relacin inmediata con la investigacin que se
desarrolla en la presente Tesis Doctoral.
Captulo 2
2.1. Conceptos
En el panorama tecnolgico actual nos encontramos con tres trminos
relacionados con la tecnologa aplicada a los edificios:
Domtica: Segn el diccionario de la Real Academia Espaola (Real

Academia Espaola, 2001) se denomina domtica al Conjunto de
sistemas que automatizan las diferentes instalaciones de una
vivienda. Tambin segn el mismo diccionario se define
Automatizar como Convertir ciertos movimientos corporales en
movimientos automticos o indeliberados. As surge la domtica en
su faceta bsica como un sistema que permite al usuario de una
vivienda realizar acciones de manera que no sea l mismo quien las
ejecute sino un sistema de control en funcin de unas variables
externas o cronolgicas (Cook & Das, 2007). As pues una instalacin
domtica (Cook, Augusto, & Jakkula, 2009) constar en su forma ms
bsica de una serie de sensores que recogern informacin sobre
diferentes magnitudes fsicas, una o varias unidades de control que
procesan la informacin procedente de los sensores y unos actuadores
que sern la salida del sistema. Normalmente una instalacin
domtica tambin dispondr de un interfaz con el usuario el cual
permita a ste monitorizar y controlar la instalacin domtica. Una
instalacin domtica integra cuatro elementos fundamentales:
o Sistemas de confort: Se trata de maximizar la comodidad de
los usuarios creando ambientes agradables as como
simplificando tareas.
o Sistemas de seguridad: Integran en la instalacin el control de
accesos y todo tipo de alarmas, tcnicas, anti intrusin, etc.,
adems de la simulacin de presencia.
o Control de la eficiencia energtica: Gestiona los elementos de
la vivienda para reducir el consumo energtico evitando el uso
innecesario de recursos u optimizando el momento segn
tarifas horarias.
Estado del arte y antecedentes
o Gestin de las comunicaciones: Los dispositivos conectados al

sistema domtico no slo se comunican entre s sino que
pueden establecer la comunicacin con elementos externos al
sistema domtico o incluso de la vivienda. Hoy da la
comunicacin de las instalaciones domticas con Internet es
vital para monitorizar y controlar dicha instalacin.
Multimedia
Ilustracin 1. Elementos de integracin de la domtica.
Inmtica: Cuando la domtica se integra en edificios del sector

terciario o industrial como oficinas, hoteles, etc., se utiliza el trmino
inmtica. Los mismos objetivos buscados por la domtica son los que
comparte la inmtica ya que la diferencia con aqulla es
exclusivamente el entorno de aplicacin. La aplicacin de la inmtica
a este tipo de edificaciones tiene considerables ventajas no slo para
los usuarios de los mismos sino tambin para el personal de
mantenimiento y seguridad.
Hogar Digital: En el concepto de hogar digital se integra al concepto

de domtica un quinto elemento que es el entretenimiento
multimedia. Segn el Real Decreto 346/2011, de 11 de marzo, por el
que se aprueba el Reglamento regulador de las infraestructuras
comunes de telecomunicaciones para el acceso a los servicios de
telecomunicacin en el interior de las edificaciones (BOE, 2011) para
que una vivienda pueda considerarse hogar digital debe cumplir una
Captulo 2
serie de requisitos mnimos que ah se estipulan y en funcin de

cules se cumplan puede estar dentro de uno de los tres niveles:
bsico, medio o alto.
Hogar Tele-Asistido y Hogar Accesible: Cuando podemos registrar

datos que tienen que ver con la salud personal de los habitantes de
un edificio o con adaptaciones especficas para personas con algn
tipo de discapacidad (Ding, Cooper, Pasquina, & Fici-Pasquina,
2011), (De Silva, Morikawa, & Petra, 2012), podemos integrar este
sexto elemento (Marie Chan, 2009), (Feng, Zhang, Sha, & Wang,
2014), (Suryadevara, Mukhopadhyay, Wang, & Rayudu, 2013).
El objetivo inicial de la domtica ha sido controlar y automatizar

tareas en una vivienda como por ejemplo:
Encender y apagar luces en funcin de la iluminacin exterior

y/o la hora del da.
Apagar luces y cerrar persianas al abandonar la vivienda todos

sus ocupantes.
Cerrar persianas y recoger toldos en situaciones climatolgicas

adversas.
Gestionar el riego de jardines.
Este tipo de tareas domticas bsicas se pueden realizar mediante

sencillos equipos electrnicos como son los Autmatas Programables. La
lgica programada en sus unidades realiza la gestin de las salidas en
funcin de una serie de entradas provenientes de los sensores. La
configuracin de estas instalaciones es fundamentalmente centralizada
ya que el Autmata Programable es la nica unidad de control en el
sistema en la que confluyen todas las entradas y parten de l todas las
salidas.
La domtica est evolucionando incluyendo las nuevas tecnologas en
comunicacin (internet). El concepto Smart Home (Marie Chan, 2009),
(Chan, Campo, Estve, & Fourniols, 2009), (Ding, Cooper, Pasquina, &
Fici-Pasquina, 2011) nos lleva al hogar inteligente que es mucho ms
complejo que la automatizacin de tareas. Con la implantacin del IoT,
Internet of Things (El Internet de las cosas) (ITIF, s.f.), el panorama de
la domtica se mueve hacia un hogar completamente conectado a
internet donde la comunicacin con todos los elementos del hogar estar
disponible desde cualquier parte del mundo y en cualquier momento

(Kun-kun DU, liang WANG, & HONG, 2013), (Gubbi, Buyya, Marusic,
& Palaniswami, 2013). La descentralizacin de la domtica ser total ya
que cada elemento presentar su propia inteligencia aunque siempre
integrndose en el conjunto (Li & Yu, 2011).
El objetivo de las viviendas inteligentes (Smart Home) es aprender
las preferencias de los usuarios para adaptarse a sus deseos. Los
algoritmos de control de la domtica son un estudio en constante
evolucin. Algunos estn centrados en la eficiencia energtica como los
de los estudios de (Shaikh P. H., Nor, Nallagownden, & Elamvazuthi,
2013), (Yang & Wang, 2013), (Ippolito, Sanseverino, & Zizzo, 2014) y
(Teich, Roessler, Kretz, & Franke, 2014), buscando la optimizacin de
los recursos teniendo en cuenta tanto el confort de los usuarios como los
requerimientos de la instalacin. En otros casos los algoritmos tambin
se utilizan para reducir el coste de la energa consumida; en este sentido
los estudios de (Missaoui, Joumaa, Ploix, & Bacha, 2014) y (Kang, Park,
Oh, Noh, & Park, 2014) buscan optimizar el uso de la misma teniendo
en cuenta el precio segn el momento. En estos estudios ltimamente
referidos no se consideran variables externas de temperatura o radiacin
solar.
2.2. Configuraciones de las instalaciones domticas

Las instalaciones domticas pueden clasificarse atendiendo a diversos
criterios. Teniendo en cuenta la gestin de control los sistemas domticos
se pueden dividir en:
2.2.1.
Sistemas centralizados.
Sistemas descentralizados o distribuidos.

Sistemas centralizados
En este primer estadio de la domtica nos encontramos con sistemas

cableados centralizados que requieren una instalacin especfica y, por
tanto, de un coste superior a una instalacin convencional. La
centralizacin de los sistemas domticos tiene el inconveniente de largas
tiradas de cableado entre sensores y actuadores y la unidad central de
control y la posibilidad de que todo el sistema se venga abajo si la unidad
central falla.
Captulo 2
Interface
Sensor
Sensor
Actuador
Controlador
central domtico
Actuador
Actuador
Sensor
Interface
Ilustracin 2. Configuracin domtica centralizada.
La utilizacin de ordenadores dedicados y Autmatas Programables

en domtica es una solucin verstil pero requiere una instalacin y
configuracin individualizada que no es exportable ni directa ni
ntegramente de una vivienda a otra encareciendo mucho ms su
instalacin.
As pues los comienzos de la domtica no fueron muy halageos
teniendo en cuenta que no ha estado disponible, por razones econmicas
primeramente, a la mayora de los usuarios. Las ventajas de disponer de
una instalacin domtica en la vivienda, debido al coste que sta supone
y teniendo en cuenta los beneficios que aporta, la convirti en un artculo
de lujo.
Una alternativa dentro de los sistemas centralizados son los sistemas
como el descrito por (Zamora-Izquierdo, Santa, & Gmez-Skarmeta,
2010) en el que el sistema central de control acta adems como pasarela
para integrar diferentes tecnologas domticas.
2.2.2.
Sistemas descentralizados
En los sistemas descentralizados no existe un nico dispositivo que

toma decisiones sino que son varios repartidos por la instalacin. Todos
ellos se pueden encargar tanto de recoger la informacin de los sensores,
procesarla y, si es preciso, enviarla a otros dispositivos, e incluso

controlar los actuadores que estn a su cargo. La instalacin fsica se
simplifica sustancialmente respecto a los sistemas centralizados y la
modificacin de la instalacin, agregando o eliminando elementos, es
ms sencilla. Otra de las ventajas es que un fallo en una de las unidades
de control no deja inutilizada la instalacin sino slo una parte de ella.
La tendencia en domtica ha seguido el camino de desarrollar
instalaciones descentralizadas, ya que presentan muchas ventajas en
este tipo de instalaciones frente a las instalaciones centralizadas:
Mejor respuesta frente a averas ya que no se inutiliza todo el

sistema si falla un elemento de control.
Menor cableado: Todas las conexiones de los sensores y hacia

los actuadores no se realizan desde la unidad central, sino que
se hacen hacia la unidad de proceso ms cercana o la ms
directamente relacionada y entre las distintas unidades
distribuidas slo se conecta el bus de comunicacin (supuesto
que no es una comunicacin inalmbrica).
Mayor facilidad para la modificacin de la instalacin

agregando o eliminando elementos.
Captulo 2
Actuador
Controlador
Interface
Sensor
Sensor
BUS
Controlador
Actuador
Actuador
Controlador
Interface
Actuador
Sensor
Ilustracin 3. Configuracin domtica descentralizada.
Una instalacin domtica descentralizada o distribuida se compone

de una serie de nodos intercomunicados por el bus:
Nodos de control: Reciben informacin de sensores y del bus y

toman decisiones sobre los actuadores que tengan conectados
y/o que estn en el bus en otros nodos de control.
Nodos de supervisin: Son los sistemas que permiten al usuario

comunicarse con la instalacin domtica para supervisar los
parmetros de la misma as como para actuar sobre los mismos.
10
Nodos de comunicaciones: Permiten la comunicacin con

diferentes sistemas que no son propios de la domtica
propiamente dicha.
2.2.2.1. Bus X10

La descentralizacin de los sistemas domticos pas por un primer
sistema estandarizado que fue el X10 (X10: Performance and
Productivity at Scale, s.f.). El bus X10, basado en la comunicacin por
ondas portadoras sobre las lneas de tensin de la vivienda (PLC, Power
Line Communication), supuso un avance para la domtica en varios
sentidos:
Primero: La descentralizacin del sistema, puesto que los

elementos no dependen de una unidad central. Cada elemento
es capaz de recibir y/o transmitir las seales pertinentes del
bus.
Segundo: La instalacin no requiere un cableado especfico

sino que se realiza sobre el cableado ya existente. Tanto la
alimentacin de los elementos domticos como el bus de
comunicaciones comparten el mismo medio y ste no es otro
que el cableado de potencia que ya est instalado en la
vivienda. La configuracin es muy sencilla y slo requiere
definir la direccin del elemento en el bus antes de conectarlo.
Tercero, y no menos importante, es un bus abierto, tanto el

protocolo como el hardware implicado es de dominio pblico, lo
que signific que mltiples fabricantes pusieran en el mercado
sus dispositivos abaratando as considerablemente el coste de
los elementos X10, y sobre todo, expandiendo esta tecnologa a
multitud de hogares.
El bus X10 tiene puntos dbiles que hacen que no sea una solucin
vlida en todos los entornos:
Baja velocidad de transmisin de datos en el bus que est

limitada a 50 bps en redes de suministro elctrico de 50 Hz y a
60 bps en redes de 60 Hz.
Ausencia de un protocolo que garantice la integridad de la

informacin y su llegada al destino.
11
Captulo 2
Susceptible a las interferencias electromagnticas tanto de los

dispositivos internos de la vivienda como las procedentes de la
acometida de la red elctrica (ruido elctrico e interferencias de
vecinos que usen el mismo bus).
Nmero limitado de elementos del bus de 256 como mximo.
Los elementos existentes no cumplen con los nuevos

requerimientos actuales que van surgiendo en las instalaciones
domticas.
2.2.2.2. Otros buses basados en corrientes portadoras

Tras el auge del bus X10 se plantea el uso de ondas portadoras
mejorando el sistema X10 sobre todo en cuanto a la velocidad (Cortes,
Rubio, & Valdovinos, 2002). En esta tecnologa no se ha desarrollado un
bus que pueda considerarse un estndar como lo es X10 lo cual ha
limitado su aplicacin.
Se han regulado los siguientes rangos de frecuencias utilizables para
las comunicaciones por corrientes portadoras:
De 3 a 95 kHz: Reservado para las empresas de suministro de

energa.
De 95 kHz a 148.5 kHz: Disponible para aplicaciones generales.

Este rango est a su vez subdividido en tres bandas:
o Banda 1: De 95 kHz a 125 kHz para transmisiones sin
protocolo de acceso.
o Banda 2: De 125 kHz a 140 kHz para transmisiones con
protocolo de acceso.
o Banda 3: De 140 kHz a 148.5 kHz para transmisiones
sin protocolo de acceso.
Ms all de 148.5 kHz no est permitido.
En cuanto a la tensin que puede inyectar el transmisor en la lnea

est regulado de la siguiente manera, comparado con la red elctrica
estndar:
116 dBV: Para uso general.
12
134 dBV: Para aplicaciones industriales.
2.2.2.3. Buses con cableado especfico

El uso de cableado especfico para la comunicacin de los elementos
domticos en el bus permite mayor velocidad en las transmisiones de
datos as como mejor inmunidad al ruido. El principal inconveniente es
el requerimiento de una instalacin adicional a la instalacin normal de
la vivienda.
Los principales sistemas domticos utilizan buses con cableado
especfico aunque no siempre de forma exclusiva sino combinado con
algunos dispositivos inalmbricos.
2.2.2.4. Buses inalmbricos
Los primeros sistemas inalmbricos basados en tecnologas de luz
infrarroja han dado paso a los ms verstiles de tecnologa de
radiofrecuencia.
Los buses inalmbricos tienen la principal ventaja de no necesitar un
soporte fsico reduciendo considerablemente el cableado de la
instalacin. As mismo es posible su implantacin en viviendas sin
preinstalacin domtica ya que sus elementos pueden integrarse en los
propios sensores y actuadores. El principal inconveniente de esta
tecnologa radica en la seguridad y en las interferencias que se puedan
producir en el espacio radioelctrico, amn del mayor coste de los
dispositivos.
2.3. Estndares comerciales en domtica

El desarrollo de la domtica ha seguido por caminos muy dispares de
forma que cada marca de material elctrico ha creado su propio bus
domtico con sus elementos especficos. Tras algunos intentos de regular
los protocolos y crear alianzas entre fabricantes han surgido algunos
protocolos que intentan llegar al mercado ofreciendo productos
compatibles de diferentes fabricantes. Algunos protocolos son abiertos y
sus especificaciones estn disponibles para cualquiera, otros son
abiertos slo para fabricantes registrados y otros son propietarios de la
empresa comercializadora.
13
Captulo 2
En la Tabla 1 y en la Tabla 2 se muestra un resumen de los diferentes

protocolos domticos comerciales, tanto propietarios como los grupos de
trabajo que definen los estndares ms utilizados, indicndose el medio
en el que se basa el bus, si es inalmbrico, cableado sobre par trenzado,
cableado sobre cable coaxial, etc.
Domtica: Especificaciones y estndares de red. Alianzas y grupos de trabajo
Estndar
Medio
OSIRIS rf Wireless
Home Automation
Residential Gateway
and Nodes
RF
BatiBUS Club
International (BCI)
Bluetooth
CEBus (Consumer
Electronics Bus)
Par
Trenzado
RF
Todos
EIA-776
Par
Trenzado
EIB (European
Installation Bus)
Par
Trenzado
EHS (European Home

System)
Todos
Descripcin
Nodos de todos los tipos que combinan su arquitectura de
red para cubrir grandes reas con tan slo 1 mW de salida,
todos ellos estn identificados (como una red TCP/IP) y
todos son emisores y receptores. El carcter abierto de su
hardware y software hacen posible cualquier tipo de
instalacin.
Sensores de unin y actuadores para construir sistemas
que controlen HVAC, seguridad fsica y personal, acceso.
Programada su convergencia con EIB y EHS.
Bluetooth es el nombre de guerra para unas
especificaciones embebidas en un chipset de bajo coste,
uniones cortas entre PCs porttiles, telfonos mviles y
otros dispositivos portables. El Grupo de Trabajo de
Bluetooth est compuesto por empresas lderes en la
industria de las telecomunicaciones y del sector de las T.I.
que estn apostando fuerte para llevar al mercado
desarrollos con esta tecnologa. Orientado al entorno de
las PAN (Personal Area Network), no es adecuada para
"Home Automation".
El Standard CEBus (EIA-600) es un protocolo desarrollado
por la Asociacin de Industrias Electrnicas (EIA) para
hacer posible la interconexin y comunicacin entre
dispositivos electrnicos en el hogar.
CEBus / EIB Router Communications Standard.
Sensores y actuadores para construir sistemas que
controlen HVAC (Acondicionamiento), seguridad fsica y
personal, acceso. Programada su convergencia con EHS y
BatiBus.
Una colaboracin entre industrias y gobiernos Europeos
sobre Domtica. Entre alguna de sus misiones la EHSA
tiene el objetivo de la armonizacin y estandarizacin en
Europa de un BUS comn (EHS). Programado su
convergencia con EIB y BatiBus.
14

Estndar
Medio
Descripcin
HAVi es un standard que asegurara la interoperabilidad
entre dispositivos de Audio digital y dispositivos de Video
HAVI (Home Audio
IEEE
de diferentes fabricantes que podrn conectarse entre
Visual
1394
ellos formando una red en el hogar del consumidor.
Interoperability)
Liderado por industrias punteras en el sector del
Audio/Video.
Un consorcio de compaas Japonesas soportado por
agencias gubernamentales y asociaciones de negocio con
HBS (Home Bus
Coax/Par el objetivo de especificar estndares de comunicacin en
System)
Trenzado dispositivos domticos, adems de asegurar va pares
trenzados y cables coaxiales la unin de stos con
dispositivos telefnicos y audio/video.
El Home Electronic System (HES) es un standard bajo
desarrollo de un grupo de trabajo dirigido por la ISO
(International Organization for Standardization) y la IEC
(International Electrotechnical Commission) de Ginebra,
Todos
Suiza. Un primer objetivo de HES es especificar hardware y
software con el que cualquier fabricante pudiera ofrecer
HES (Home Electronic
una versin de producto que fuera operativa en varias
System)
redes distintas de automatizacin del hogar.
El Grupo de Trabajo Home API est dedicado a establecer
las pautas con una especificacin abierta que defina un set
HomeAPI
Todos
standard de servicios de programacin y API,s, que
permitan el desarrollo de aplicaciones de software para
monitorizar y controlar dispositivos domticos.
Provee interoperabilidad entre productos con mltiples
Home Plug and Play
Todos
protocolos de transporte. Visto por el CEBus Industry
Council.
El Home Phoneline Networking Alliance (HomePNA) es una
asociacin de industrias lderes trabajando conjuntamente
HomePNA (Home
Lnea
en la adopcin de una nica y unificada red telefnica que
Phoneline Network
telefnica a travs del standard sirva para rpidamente sacar al
Alliance)
mercado soluciones compatibles de "networking".
Haciendo uso de la RTB en cada uno de los hogares.
La misin del grupo de trabajo HomeRF es hacer posible un
amplio rango de productos electrnicos de consumo que
HomeRF (Home
operen entre s, estableciendo una especificacin abierta
Radio Frequency
RF
para comunicaciones digitales de RF (sin licencia), para PCs
Working Group)
y productos electrnicos de consumo en cualquier sitio
dentro y alrededor del hogar.
15
Captulo 2

Estndar
Medio
JINI (The Jini

Community)
Todos
LonMark
Interoperability
Association
Todos
OSGI (Open Service

Gateway Initiative)
Todos
UPnP (Universal Plug

and Play)
Todos
HomePlug Abril 2000
Lnea
elctrica
ZIGBEE Varios
(NOV.2001)
RF
Descripcin
La tecnologa Jini provee de simples mecanismos que
posibilitan a los dispositivos conectarlos en una red donde
cada uno de ellos es capaz de aprovechar los servicios que
el resto de dispositivos en la misma red son capaces de
anunciar, sin previa planificacin, ni intervencin humana.
La asociacin LonMark tiene la misin de integrar
fcilmente dispositivos multi-vendor basados en redes
LonWorks, haciendo uso de herramientas y componentes
estndar.
La especificacin OSGi crear un standard abierto entre
una "gateway" de servicio que est insertada entre la red
exterior y las redes internas.
El Universal Plug and Play Forum es un standard de un
grupo de industrias que promueven protocolos de red y
protocolos de comunicacin entre dispositivos.
30 compaas se unen para desarrollar un standard de
"Home Networking" por lneas elctricas.
ste puede ser uno de los que van a decir algo en breve en
el mundo de la domtica.
WiMAX Worldwide
interoperability for
Microwave Access
Varios
RF
Corporacin sin nimo de lucro que agrupa a compaas

promoviendo las "Metropolitan Area Networks", lase
tambin IEEE 802.16. Un buen futuro para pasarelas
residenciales no monopolizadas por grandes compaas.
Mobile Broadband
Wireless Access
MBWA Varios
RF
Grupo de trabajo que piensa en las redes metropolitanas

optimizadas para su uso, ubicuo y mvil, no en vano hablan
de vehculos a 250 km/h comunicndose.
Tabla 1. Domtica: Especificaciones y estndares de red. Alianzas y grupos de

trabajo.
16
Domtica: Especificaciones y estndares de red propietarios

Estndar
HomeConnex
Peracom
Networks
No New Wires
Intellon Corp.
Lonworks
Echelon Corp.
Sharewave
Sharewave Inc.
X-10 X-10 Inc

HOMETRONIC
RF Honeywell
NFC
Sony, Phillips,
Nokia
Medio
Descripcin
HomeConnex es una red de entretenimiento en el hogar que
RF/IR
unifica PCs, TVs, audio/video y set-top box en un sistema
/Coax
integrado.
Los PLCs de Intellon y sus tecnologas de RF posibilitan
Lnea
comunicaciones de alta velocidad y extienden el uso de internet a
elctrica
productos individuales sin aadir nuevos cables. Incorpora
/RF
tecnologa CEBus.
Redes de control comerciales y para el hogar. Una red LonWorks
es un grupo de dispositivos trabajando juntos para sensorizar,
Todos
monitorizar, comunicar, y de algunas maneras controlar. Es muy
parecido a lo que puede ser una LAN de PCs.
ShareWave Digital Wireless es un conjunto de tecnologas que
posibilitan conexiones sin cables digitales con capacidad de
multimedia en tiempo real entre dispositivos en el hogar. Los
RF
sistemas construidos haciendo uso de ShareWave Digital Wireless
son capaces de enviar y recibir, video en tiempo real, audio
calidad CD, voz, datos, y entradas de usuario de forma inmediata.
Lnea
El padre de los protocolos, a travs de lneas de corriente facilita
elctrica el control de dispositivos domticos sin instalacin en cualquier
casa.
/RF
El primer sistema completo RF, su alta fiabilidad y la flexibilidad
RF
que ofrece el no tener que crear infraestructura cableada lo hace
idoneo para su expansin (RAPHAEL PROTOCOL).
NFC (Near Field Communication ) es una asociacin no lucrativa
RF Corto de la industria fundada por Nokia, Philips y Sony para avanzar en
alcance el uso de la comunicacin inalmbrica de corto alcance entre la
electrnica de consumo, dispositivos mviles y el PC.
DOMOTIUM
Todas
Domodesk
Empleo de un estndar abierto (UPnP) que garantiza la

compatibilidad con productos de otros fabricantes y que cuenta
entre sus asociados a empresas como SIEMENS, IBM,
MICROSOFT, LG, SAMSUNG, etc...
Instalacin y/o ampliacin sencilla: "Conectar y listo"
Protocolos estndar de comunicacin eficientes y masivamente
probados (TCP/IP, DHCP, etc., usados en Internet por millones de
equipos)
Integracin y manejo va Internet
Interfaz de usuario de mxima sencillez.
Tabla 2. Domtica: Especificaciones y estndares de red propietarios.
17
Captulo 2
2.4. Elementos de integracin de la domtica

Como se ha referido anteriormente, la domtica implica la integracin
de cuatro elementos que, aun estando presentes en una vivienda, si no
se integran entre s, la vivienda no puede ser considerada una vivienda
domtica. La integracin es uno de los principales retos de la domtica
puesto que los diferentes sistemas no suelen pertenecer al mismo
fabricante y no existe una estandarizacin. Las pasarelas entre los
diferentes sistemas que integran la domtica son el hndicap de estas
instalaciones.
2.4.1.
Sistemas de confort
Uno de los elementos que primero se integra en cualquier instalacin

domtica es el confort. ste puede venir de la mano de diferentes
automatizaciones como por ejemplo:
Control del encendido y apagado de toda la iluminacin y

persianas desde un solo mando.
Programar el encendido y apagado de la iluminacin y la

apertura de persianas (simulacin de presencia).
Automatizacin del encendido de diferentes dispositivos: Riego,

climatizacin, horno, lavadora, etc.
Control y monitorizacin, mediante el telfono y la televisin,

del vdeo portero de la vivienda.
Uso de mandos a distancia para controlar dispositivos e

iluminacin.
La complejidad de estos sistemas depende de las exigencias del

usuario.
2.4.2.
Sistemas de seguridad
Los sistemas de seguridad contemplan varios subsistemas a la vez:
Control de acceso a la vivienda:

o Llaves electrnicas: Transponders.
18
o Mandos a distancia para puertas.

o Sistemas de reconocimiento biomtrico: Reconocimiento
de huella, reconocimiento por voz, por iris, facial, etc.
o Cerraduras electrnicas: Dispositivos de bloqueo de
puertas motorizado o magntico.
Proteccin anti-intrusin:
o Sensores de presencia: Barreras ultrasnicas e
infrarrojas, sensores de movimiento por infrarrojos o
microondas.
o Detectores de rotura de cristal y apertura de puertas y
ventanas.
o Alarmas acsticas, visuales y de aviso telefnico.
Videovigilancia:
o Cmaras fijas, motorizadas, con visin nocturna.
o Videograbadores multiplex con grabacin digital de
imgenes y transmisin de eventos e imgenes a travs
de internet.
Alarmas tcnicas:
o Deteccin de fugas de agua, fugas de gas, humo,
incendio, etc.
o Alertas ante cortes de
electricidad, telfono, etc.
suministros:
agua,
gas,
o Equipos automticos de extincin de incendios.
Monitorizacin y alarmas de salud:

o Monitorizacin de personas con problemas de salud.
o Monitorizacin de nios y ancianos.
La integracin de los sistemas de seguridad en la domtica es

complicado debido a la diversidad de dispositivos pertenecientes a
19
Captulo 2
distintos fabricantes y con protocolos de comunicacin incompatibles

entre ellos.
2.4.3.
Comunicaciones
En el grupo de comunicaciones se contemplan varios tipos:
Comunicaciones entre las personas: Centralitas telefnicas

RTB y de VoIP.
Comunicaciones entre sistemas: Pasarelas que permiten la

comunicacin entre sistemas no compatibles directamente
entre s.
Comunicacin de la instalacin domtica con el exterior:

o Control remoto
o Envo al exterior de las alarmas.
2.4.4.
Eficiencia energtica
Hoy en da la concienciacin para reducir el consumo energtico es

fundamental para conseguir la reduccin de la contaminacin del
planeta. Uno de los mtodos que se viene empleando, (Keyson, Mahmud,
de Hoogh, & Luxen, 2013), es informar al usuario del consumo
instantneo que est realizando mostrando ste en valores energticos,
econmicos o de impacto ambiental. De esta manera se intenta
sensibilizar al usuario hacindole consciente del consumo que realiza,
del coste de ste y/o del grado de contaminacin que aporta al medio
ambiente.
La tecnologa aplicada a la vivienda est siendo una realidad comn
en la mayora de las instalaciones actuales. La implantacin de la
domtica en las viviendas es cada da ms comn concediendo a los
usuarios la doble funcin de comodidad y ahorro energtico. Si bien la
intencin primera de la domtica ha sido aumentar el confort
permitiendo gestionar de manera automtica o a distancia las funciones
de la vivienda; ltimamente se est valorando cada vez ms la aplicacin
de las funciones domticas para incrementar el ahorro energtico.
La eficiencia energtica a travs de la domtica se puede mejorar a
partir de distintas estrategias:
20
Limitando el consumo de equipos en franjas horarias de

tarificacin econmica elevada o evitando la simultaneidad que
pueda provocar un exceso sobre la potencia mxima
contratada, de modo que se reduzcan las prdidas en el
transporte de la energa.
Desconectando los dispositivos innecesarios en ciertos

momentos (p. e.: luces externas en horario diurno, equipos en
stand-by, etc.).
Realizando la gestin inteligente de la iluminacin y la

climatizacin teniendo en cuenta el nivel de ocupacin de las
estancias e incluso la previsin meteorolgica, incluso avisando
o desconectando los sistemas en el caso de apertura de
ventanas.
2.4.4.1. Control de la conexin de equipos

Teniendo en cuenta las tarificaciones de la energa segn franja
horaria el sistema de control puede restringir la activacin de equipos
no prioritarios en las horas pico para evitar el mayor coste econmico por
consumir en tales intervalos horarios. En este tipo de instalaciones
puede diferirse el encendido de dispositivos como lavadoras y
lavavajillas as como cualquier sistema que utilice dispositivos de
acumulacin energtica (acumuladores trmicos, vehculos recargables,
etc.).
Sobre la reduccin de costes econmicos por la energa consumida en
la vivienda podemos encontrarnos con un hecho que, en apariencia,
puede parecer contradictorio; ya que es posible encontrar una franja
horaria en la que, al ser el precio de la energa inferior a otras franjas,
sea ms econmico consumir mayor cantidad de energa que en otra
franja horaria. Estamos hablando en este caso de maximizar el ahorro
econmico-energtico. Siendo as se puede instar al sistema de
climatizacin, por ejemplo, a realizar precalentamientos o preenfriamientos en las franjas en las que la energa tiene un coste menor
y aun as tener un coste menor por la energa consumida que
optimizando el consumo de sta, funcionando como un sistema de
acumulacin.
Estudios como los de (Al-Ali, El-Hag, Bahadiri, Harbaji, & Haj, 2011)
proponen una comunicacin bidireccional entre los suministradores de
21
Captulo 2
energa elctrica y los consumidores. El consumidor podra consultar el

precio de la energa antes de consumirla y proceder de la manera ms
conveniente seleccionando el momento oportuno en el que activar
algunos dispositivos para conseguir un ahorro econmico.
2.4.4.2. Apoyo con energas renovables
Otra estrategia para mejorar la eficiencia energtica en viviendas
consiste en el apoyo como fuente de energa de las energas renovables
(Al-Ali, El-Hag, Bahadiri, Harbaji, & Haj, 2011), (Phuangpornpitak &
Tia, 2013). Esto supone un elevado coste en la instalacin ya que se
requiere de equipos que, adems de su precio inicial, requieren un
mantenimiento continuo. No obstante, se estn viendo las ventajas de la
creacin de la Smart Grid o red inteligente (Ministerio de Industria,
Energa y Turismo, s.f.) para gestionar mejor el consumo y la produccin
con energas renovables (Kaygusuz, Keles, Alagoz, & Karabiber, 2013),
(Batista, Melcio, Matias, & Catalo, 2013).
2.4.4.3. Gestin inteligente de la iluminacin y la climatizacin
En el campo del confort, los actuales sistemas domticos estn
vinculados, fundamentalmente, al control de la climatizacin mediante
la regulacin de los sistemas de calefaccin y aire acondicionado para
mantener una temperatura confortable para los usuarios. El uso de un
nico termostato para toda la vivienda es la opcin ms utilizada y, sin
embargo, la menos eficiente.
El control de la climatizacin individual en cada estancia permite un
mayor confort a la vez que un ahorro significativo puesto que slo es
necesaria la actuacin del equipo en las estancias que lo requieran y no
en toda la vivienda.
El control de la climatizacin mediante domtica (Rey Martnez &
Velasco Gmez, 2006) suele basarse exclusivamente en:
Programacin: Se regula la temperatura de la vivienda

variando las consignas trmicas en funcin de los das de la
semana y las horas del da buscando una temperatura de
mantenimiento en los momentos en los que la vivienda se
supone no va a estar ocupada y modificando la consigna a las
temperaturas de confort para las horas de utilizacin de la
vivienda.
22
Zonificacin: Se utilizan consignas de temperatura distintas

para las diversas estancias de la vivienda dejando a una
temperatura de mantenimiento las estancias que se suponen
no utilizadas y a la temperatura de confort las estancias que
estn en uso.
El desarrollo de modelos matemticos que caractericen las viviendas

para la optimizacin del consumo de los equipos de climatizacin o
HVAC (Heating, Ventilation and Air Conditioning) no tienen en cuenta
la influencia muy potente de la energa solar pasiva (Blan, Cooper,
Chao, Stan, & Donca, 2011).
El uso de la energa solar pasiva no es una novedad en s ya que
existen estudios como los de (Omer, 2006), (Orosa & C.Oliveira, 2008) y
(C. Filippn, 2010) en los que se considera el uso de esta energa
atendiendo a un diseo especializado en edificios para aprovecharla pero
sin tener en cuenta los posibles incrementos en la eficiencia energtica
que supone la automatizacin. Algunos autores como (Blan, Cooper,
Chao, Stan, & Donca, 2011) reconocen los beneficios de regular la
incidencia solar para evitar el sobrecalentamiento pero sin cuantificar el
ahorro que se pudiera conseguir y haciendo hincapi exclusivamente en
la recirculacin del aire interior.
En el estudio de (Orosa & C.Oliveira, 2008) se tiene en cuenta, sobre
todo, el impacto de la energa solar pasiva en funcin de la permeabilidad
de los elementos constructivos de las viviendas. Si bien este aspecto
influye en el rendimiento energtico, no se considera la regulacin de las
partes del edificio que pueden controlarse como son las persianas y que
regulan la incidencia hacia el interior de la energa solar proyectada.
En la investigacin de (C. Filippn, 2010) se han tomado lecturas tanto
en invierno como en verano para catalogar el consumo energtico y la
influencia de la energa pasiva. No se trata de viviendas automatizadas
y, por tanto, no se puede maximizar el ahorro que supone el uso de la
domtica en estos inmuebles.
En otros casos, como el presentado en (Stavrakakis, Zervas,
Sarimveis, & Markatos, 2010) se realizan estudios del impacto del
diseo arquitectnico en el estado de confort de viviendas, en concreto
del mbito rural. Aunque se comenta el uso de dispositivos para regular
la ventilacin no se contemplan las posibles variaciones en cuanto a la
diferencia de implantar una instalacin domtica. An situndose el
23
Captulo 2
estudio en viviendas de zonas rurales esto no es bice para el uso de la

domtica.
La transferencia de energa hacia el interior y el efecto de las sombras
exteriores se han estudiado por algunos autores como (Feng, Zhang, Sha,
& Wang, 2014), pero no se prev su regulacin automtica.
En cuanto a los estudios relativos a las tcnicas de control como los
presentados por (Dounis & Caraiscos, 2009), podran ser un punto de
apoyo para incorporar en el algoritmo domtico de persianas; aunque en
principio no se tiene en cuenta el uso de sistemas de oclusin solar salvo
cortinas para regular la iluminacin. Si bien las cortinas pueden
aprovecharse para regular la incidencia solar hacia el interior, no suelen
estar automatizadas y aun estndolo no son tan eficaces como las
persianas para reducir la incidencia energtica del sol.
En estudios que ligan la sensacin de confort y ahorro energtico
(Dounisa, P.Tiropanisb, A.Argiriouc, & A.Diamantis, 2010), se emplean
algoritmos complejos basados en control Fuzzy; pero no contemplan el
hecho de poder controlar la energa solar pasiva mediante la domtica
de persianas, de modo que son susceptibles de ser mejorados.
La arquitectura bioclimtica centra su aplicacin en el diseo de
edificios que aprovechan la energa solar pasiva del entorno en el que
estn ubicados. El diseo bioclimtico de las viviendas pasa, entre otros
aspectos, desde la orientacin hasta la eleccin de los materiales de
construccin. La eleccin correcta de estos aspectos revierte en un ahorro
energtico considerable. No obstante en (Tzikopoulos, Karatza, &
Paravantis, 2005) se asume que la influencia de la energa solar pasiva
no debe descartarse a la hora de modelar la eficiencia energtica en
edificios y debe ser considerada tanto para la obtencin de la orientacin
de la vivienda como para la eleccin de los materiales de construccin
empleados. As mismo, se indica que debe realizarse un estudio
profundo, puesto que es una variable con gran influencia en el ahorro
energtico.
Aun cuando se ha considerado en (Omer, 2006) una estrategia a
seguir la regulacin solar en verano mediante el uso de persianas para
evitar el sobrecalentamiento, tambin se indica que se debe
complementar con otras medidas pasivas pero no se valora
cuantitativamente el ahorro energtico que puede suponer.
24
Otros estudios como en (Buoro, Casisi, Pinamonti, & Reini, 2012)

hacen una valoracin del consumo energtico global tanto en invierno
como en verano debido a los sistemas de climatizacin y al apoyo de
unidades de cogeneracin para reducir el consumo pero sin considerar el
uso de la energa solar pasiva como variable a tener en cuenta a la hora
de hacer el balance energtico, slo se considera el control de persianas
para la regulacin de la iluminacin pudindose mejorar el estudio.
Es comn que se considere el aprovechamiento de la energa solar
pasiva, (Orosa & C.Oliveira, 2008), pero no el incremento en la eficiencia
energtica debido a la automatizacin; habitualmente se estudia la
incidencia del diseo de los edificios. En el caso de edificios dedicados a
oficinas se puede encontrar la domtica y, por tanto, es muy probable
que disponga de persianas automatizadas. Se estima que el control de
las mismas incrementara an ms la eficiencia energtica del edificio.
Se ha estudiado en (Kapur, 2004) el impacto de las persianas como
sistema de bloqueo de la luz solar y la re-radiacin que sobre los cristales
provocan pero no se ha cuantificado el impacto sobre la estancia a la cual
protegen ni se ha hecho el estudio sobre una vivienda real.
El impacto mayor de la radiacin solar est dado en los meses de esto.
Sin embargo hay estudios, (Bessoudo, Tzempelikos, Athienitis, &
Zmeureanu, 2010), que valoran la aplicacin de las persianas tanto
externas como internas para los meses de invierno. En el estudio
presentado en este documento de Tesis Doctoral se considera
exclusivamente el periodo en el que el sol aporta una energa innecesaria
que es necesario compensar con el consumo del equipo de aire
acondicionado.
Por ltimo en (Yao, 2014) se empieza a ver el beneficio de regular la
incidencia solar en las estancias pero no se contempla su
automatizacin; sino que el usuario, manualmente, es quien realiza la
funcin de posicionar las persianas. Esto no slo obliga a que ste est
presente sino que, adems, debe permanecer pendiente de las
condiciones climatolgicas cambiantes.
Un estudio ms minucioso se presenta por (Yao, 2014); utiliza toldos,
pero slo en simulacin prev el ahorro energtico al regular la posicin
de stos en funcin de la incidencia de la radiacin solar.
En estudios como en (Breitenbach, Lart, Lngle, & Rosenfeld, 2001),
(Athienitis & Tzempelikos, 2002), (Gugliermetti & Bisegna, 2006),
25
Captulo 2
(Lehar & Glicksman, 2007), (Hviid, Nielsen, & Svendsen, 2008), (Chen,
Li, & Chen, 2009), (Koo, Yeo, & Kim, 2010), (Park, Choi, Jeong, & Lee,
2011), (Wymelenberg, 2012) y (Zhang & Birru, 2012) se han centrado en
el control de persianas venecianas para regular la intensidad luminosa
del interior de las estancias pero no contemplan el impacto trmico que
pueden controlar.
Otros como (Reinhart, 2004), (Tzempelikos & Athienitis, 2007),
(Tzempelikos, 2008), (Simmler & Binder, 2008), (Hu & Olbina, 2011) y
(Oldewurtel, y otros, 2012) centran la simulacin en el control del flujo
luminoso, sin tener tampoco en cuenta el aporte extra de energa del sol.
Las persianas venecianas son uno de los recursos ms utilizados para
la regulacin de la incidencia solar hacia los edificios en diversos pases.
La mayora de los estudios centran sus esfuerzos, como se ha comentado
antes, en determinar el impacto en la luminosidad mientras que algunos
como (Pfrommer, Lomas, & Kupke, 1996), (Park & Athienitis, 2003) y
(Kuhn T. E., 2006) s realizan estimaciones, mediante simulacin, sobre
la transferencia trmica en funcin de su uso.
En el estudio de (David, Donn, Garde, & Lenoir, 2011) se tienen en
consideracin diferentes sistemas para reducir la radiacin solar pero no
se valora el ahorro energtico que se puede obtener con ellos.
Otros autores como (Guillemin & Molteni, 2002) se han decantado por
el empleo de lgica Fuzzy y algoritmos genticos para adaptar el grado
de apertura de las persianas en un sistema automatizado; pero slo para
adaptarlo a los niveles de iluminacin requeridos por el usuario. Al no
tener en cuenta el sistema de climatizacin, este sistema es susceptible
de ser mejorado.
La consideracin, hecha por (Shen & Tzempelikos, 2012), del uso de
persianas interiores prev la mejora del ahorro energtico gracias a la
automatizacin; pero se mejora si no es slo simulacin.
Algoritmos de aprendizaje, como el presentado por (Shaikh P. H., Nor,
Nallagownden, Elamvazuthi, & Ibrahim, 2014), y otros algoritmos de
estrategias de prediccin, como el de (Zamora-Martnez, Romeu, BotellaRocamora, & Pardo, 2014), son susceptibles de ser mejorados
incorporando como variable de entrada la incidencia de la radiacin
solar y como variable de control la regulacin de las persianas para dar
mucha mayor versatilidad y mejorar la eficiencia energtica.
26
As en (Oldewurtel, y otros, 2012) se propone recoger informacin de

predicciones meteorolgicas para controlar el sistema de climatizacin
de forma ms eficiente.
Estudios como los presentados por (Wymelenberg, 2012) y (O'Brien,
Kapsis, & Athienitis, 2013) detallan las formas usuales de uso de las
persianas en edificios de oficinas buscando los comportamientos
diferentes entre la actuacin manual, la actuacin manual motorizada y
la actuacin automtica. Son estudios cualitativos y no cuantifican los
efectos fsicos que se obtendran con estas regulaciones. Tambin se ha
hecho un registro en (Rea, 1984), (Foster & Oreszczyn, 2001) y (Sutter,
Dumortier, & Fontoynont, 2006) del comportamiento de los usuarios
para valorar el uso que se hace de las persianas en entornos de trabajo
como oficinas.
Adems se ha estudiado el impacto de las persianas interiores (Kuhn,
Bhler, & Platzer, 2001) y exteriores (Simmler & Binder, 2008),
(Baldinelli, 2009), para evitar el sobrecalentamiento de la vivienda; pero
no se ha cuantificado el ahorro energtico que se puede conseguir en el
sistema de climatizacin. En fachadas dobles, en el estudio de (Gratia &
Herde, 2007) se ha tenido en cuenta la mejor posicin para un sistema
de oclusin solar pero tampoco se ha significado la mejora que pueda
aportar si ste se automatizara.
Un estudio, presentado por (Tzempelikos & Athienitis, 2007), basado
en simulacin, prev que el uso automatizado de persianas permitir un
ahorro energtico considerable uniendo el ahorro de los equipos de
iluminacin con el de los sistemas de climatizacin. Como se trata de
una simulacin se puede mejorar con datos reales de la instalacin.
27
3. Justificacin
La idea de esta Tesis Doctoral surge como una nueva utilidad de los
sistemas domticos centrada en el ahorro energtico. En base a la misma
se ha implementado una aplicacin prctica de un sistema domtico
experimental que se ha implantado en una vivienda unifamiliar de
Rincn de Soto, La Rioja (Espaa). Se trata de un sistema domtico
basado en un desarrollo personal y no en componentes comerciales, lo
que permite la implantacin libre/abierta de algoritmos de control
especficos para aumentar las capacidades de gestin de la vivienda.
Esto no supone una barrera para que el sistema se implante en
instalaciones domticas comerciales mediante la inclusin de un sistema
de control adicional, en algunos casos, o mediante la programacin
dedicada en otros.
La observacin diaria del comportamiento de los sistemas de
climatizacin en verano sometidos a las condiciones de irradiacin solar
da pie al estudio de la optimizacin mediante la regulacin de esta
irradiacin solar a travs de las persianas motorizadas.
El proceso de regulacin manual consiste, como es lgico, en
aprovechar la energa solar irradiada subiendo las persianas en
invierno, para calentar las estancias, y justamente lo contrario en
verano; es decir, bajarlas para no sobrecalentar.
En una vivienda no domtica se requiere la atencin del usuario en
momentos del da para que su actuacin sobre las persianas permita
mantener una temperatura de confort en la vivienda. La automatizacin
de las persianas libera al usuario de esta actuacin continua adems de
propiciar el ahorro energtico.
Uno de los equipos comnmente presentes en una instalacin
domtica en nuestra rea geogrfica como es la automatizacin de las
persianas puede permitir un incremento en la eficiencia energtica de la
vivienda en lo relativo a la climatizacin. El uso de persianas enrollables
exteriores, tanto manuales como motorizadas, no es de uso regular en
29
Captulo 3
algunos pases, si bien, en la zona mediterrnea est ampliamente

implantado. La principal funcin que se le da a las persianas es la
regulacin del flujo luminoso hacia el interior de la vivienda
(DOMOTYS. Internacionalizacin e Innovacin de las empresas
espaolas de Domtica e Inmtica, s.f.). El aporte de energa hacia la
vivienda por parte de lo que se denomina energa solar pasiva es
considerado en (IDAE. Instituto para la Diversificacin y Ahorro de la
Energa, s.f.) y (CEDOM. Asociacin espaola de domtica e inmtica,
s.f.) como algo positivo que, normalmente, es de aprovechar en los meses
fros y revierte en el incremento de la eficiencia energtica.
La incidencia de la radiacin solar en los meses de esto, sin embargo,
provoca un aporte energtico elevado y, si se considera el aporte hacia el
interior de la vivienda a travs de superficies acristaladas como las
ventanas, ste proporciona un efecto invernadero no deseado. La
regulacin de la radiacin solar incidente en el interior mediante las
persianas evita un sobrecalentamiento que, para mantener el nivel de
confort, debe ser asumido mediante el trabajo de los equipos de
climatizacin (aire acondicionado).
Fuera del periodo de esto la influencia de la radiacin solar es mucho
menor que en el caso anterior y su apoyo al sistema de climatizacin
(calefaccin) no es tan significativo como el perjuicio que crea en los
meses de verano.
A partir de un algoritmo de control en el sistema domtico con
motorizacin de persianas y mediante una serie de sensores situados
tanto dentro como en el exterior de la vivienda se demostrar un
aumento en el ahorro energtico, mediante la exclusin de la luz solar
en verano para evitar el sobrecalentamiento (que obligara al sistema de
aire acondicionado a compensar la excesiva temperatura).
El estudio se centra en los meses de verano donde, como se ha
comentado, la regulacin de la radiacin solar conlleva un incremento
mayor del ahorro energtico.
Hoy en da es prcticamente habitual que las viviendas domticas
dispongan de motorizacin en las persianas. Se tratar de comprobar las
ventajas de la inclusin del algoritmo en la instalacin sin incrementar
prcticamente el costo de la misma, ya que se aprovechan los
dispositivos instalados, consiguiendo un aumento del ahorro energtico
y creando un valor aadido a la instalacin preexistente.
30
4. Objetivos
En este apartado se detallan los objetivos tanto generales como
especficos que han dado lugar a esta Tesis Doctoral.
31
Captulo 4
4.1. Objetivo general

Los objetivos de esta Tesis Doctoral son comprobar y cuantificar
experimentalmente el ahorro energtico que supone el uso de un
algoritmo de control que gestiona la posicin de las persianas externas
enrollables de una vivienda domtica.
Adems se modelizar el sistema de control mediante el uso de redes
neuronales. Se entrenarn diferentes arquitecturas y se compararn
para determinar cul se ajusta ms al modelo real.
4.2. Objetivos especficos

En esta Tesis Doctoral se propone una aplicacin domtica que,
sumada a las anteriores, aparte de conseguir el objetivo de una mejor
regulacin trmica de la vivienda, permite minimizar el gasto de la
energa necesario para dicha regulacin, consiguiendo a su vez un ahorro
econmico. La aplicacin que se propone es la regulacin de la incidencia
solar en la vivienda mediante el control de las persianas exteriores
enrollables motorizadas, de modo que las ventanas acten como placas
solares controladas.
A partir de una vivienda piloto, con una instalacin domtica
experimental, se registran datos climticos, ambientales y energticos,
para analizar el consumo elctrico del equipo de aire acondicionado en
los meses de verano.
Se toman los valores de un ao en el que no se implementa ningn
sistema de regulacin de la luz solar que penetra en la vivienda, ni
siquiera de forma manual, y de otro ao en el que s se regula mediante
un algoritmo de control.
Inicialmente se comparan los consumos de ambos aos ya que al ser
muy similares se puede considerar que se ha realizado el estudio en dos
viviendas piloto idnticas, sometidas a las mismas condiciones, donde
una ha tenido regulacin y la otra no.
Posteriormente se procesan los datos registrados mediante redes
neuronales para crear un modelo del sistema de regulacin. Se disean
redes neuronales de diferentes arquitecturas para buscar la que mejor
se ajuste, segn criterios establecidos, al modelo del sistema a estudio.
El modelo obtenido mediante las redes neuronales convenientemente
32
Objetivos
entrenadas se aplica sobre los datos del ao sin control para comprobar
el ahorro energtico que se hubiera obtenido de haberse aplicado el
algoritmo en ese ao.
33
5. Metodologa
Se ha diseado e implementado una planta piloto real en la que se
cuenta con un sistema domtico abierto (un diseo propio que deja
completamente abierta la programacin y que permite tanto la
integracin de mdulos comerciales como la de diseos propios).
Adems se ha diseado un algoritmo de control que permite
automatizar el control de las persianas, de modo que acten como
paneles solares controlados
Sobre dicha planta se han tomado medidas durante dos aos
meteorolgicamente comparables (en los periodos de esto). El primer
ao permite obtener la informacin del sistema previamente a la
implementacin de los algoritmos de control. El segundo ao refleja el
comportamiento del sistema funcionando en base a las consignas del
sistema de control implementado.
Sobre el ao controlado se han aplicado tcnicas de inteligencia
artificial, basadas en redes neuronales, que han permitido obtener
diferentes modelos de comportamiento energtico del sistema de
refrigeracin.
Se ha realizado un estudio del comportamiento de los diferentes
modelos en base a los errores y sensibilidad de los mismos.
Con cada uno de los modelos se ha recalculado el consumo del sistema
sobre el ao sin control, simulando el consumo energtico que se
hubiese obtenido en el caso de haber utilizado control.
Posteriormente se ha realizado una comparativa entre el
comportamiento de los diferentes modelos y se han extrado
conclusiones.
Para todo ello ha sido necesario incidir sobre el diseo de la edificacin
(para una integracin eficiente del sistema domtico) e implementar el
algoritmo de control.
35
Captulo 5
5.1. Planta piloto para la validacin del estudio

Previa a la construccin de la planta piloto se analizan las condiciones
que sta debe reunir para interactuar con una instalacin domtica. Se
ha evitado la utilizacin de elementos comerciales para permitir que el
campo de desarrollo soporte un abanico de posibilidades abierto, y no
ceido a las limitaciones numerosas tcnicas de los fabricantes.
Se ha implementado un sistema descentralizado por la ventaja,
fundamental, de no depender de un nico elemento controlador y poder
distribuir la inteligencia y el control en diferentes zonas de la planta de
forma sincronizada.
La planta piloto implementada es una vivienda unifamiliar de dos
alturas situada en la Avenida de Cameros, 14 BIS de Rincn de Soto (La
Rioja, ESPAA) [42 13' 58.4508" Norte, 1 50' 47.8134" Oeste] en la que
se implanta el sistema domtico propio.
La fachada principal est en orientacin Este Noreste (ENE) y no
posee edificios frente a ella lo que evita la formacin de sombras sobre
ella. Segn el Cdigo Tcnico de la Edificacin (CTE. Cdigo Tcnico de
la Edificacin, s.f.) la orientacin a considerar sera Este (Tabla 3).
36
Metodologa
Ilustracin 4. Vista satlite de la situacin y orientacin de la vivienda.
Tabla 3. Orientaciones de las fachadas.
37
Captulo 5
Ilustracin 5. Vista de la fachada principal.
La vivienda consta de bajo y primer piso, que es el que contiene las

estancias se desarrolla la vida normal de la vivienda, y servir de objeto
de estudio.
En la fachada principal se encuentran tres estancias:
Saln
Dormitorio 1
Cocina
La fachada opuesta a la principal tiene salida a un patio interior y las

cinco estancias que dan a l son:
Dormitorio 4
Bao 1
Dormitorio 3
Dormitorio 2
Bao 2
38
Metodologa
Estas cinco ltimas estancias estn sometidas a sombras de las
paredes del patio interior.
El estudio que se realiza se centra en la fachada principal ya que es
la que ms est influenciada por la radiacin solar y tambin es la que
tiene mayor superficie acristalada.
Ilustracin 6. Plano planta primera: Distribucin de estancias.
39
Captulo 5
La fachada principal est formada por un muro de doble hoja: pared

de fbrica resistente estructural (ladrillo perforado) con aplacado de
piedra natural, cmara de aire, aislamiento trmico y tabique interior
de doble cmara.
Las ventanas son de carpintera de PVC con acristalamiento doble con
cmara de aire en configuracin 6 12 5.
Ilustracin 7. Detalle ventana PVC con doble acristalamiento.
5.2. Instalacin domtica

La instalacin domtica est constituida por un sistema distribuido
de tarjetas que realizan independientemente las tareas de registrar las
entradas y controlar las salidas adems de comunicarse entre ellas. Las
entradas estn realizadas con pulsadores y sensores de presencia y las
salidas mediante tarjetas con distintos sistemas de activacin.
En la Ilustracin 8 y en la Ilustracin 9 se puede ver una distribucin
de los diferentes dispositivos de entrada y salida para la planta baja y la
planta primera respectivamente.
40
Metodologa
Ilustracin 8. Elementos domticos en planta baja.
41
Captulo 5
Ilustracin 9. Elementos domticos en planta primera.
42
Metodologa
5.2.1.
Tarjetas domticas
La instalacin domtica consta de 12 tarjetas domticas de control que

denominamos como tarjetas base interconectadas en un bus RS485
repartidas en 5 para la planta baja y 7 para la planta primera. Los
extremos del bus se encuentran en la tarjeta situada en la caja nmero
1 (planta primera) y en la situada en la caja nmero 38 (planta baja).
Ambas plantas estn interconectadas con la conexin entre las tarjetas
de las cajas 5 (planta primera) y 37 (planta baja).
5.2.1.1. Tarjetas base
Las tarjetas base contienen el elemento de control para gestionar 8
entradas digitales, 8 salidas digitales y 4 entradas analgicas adems de
la conexin al bus RS485.
5.2.1.2. Tarjetas de actuadores
Los sistemas de actuadores van unidos a las salidas digitales de las
tarjetas base y son de 2 tipos:
5.2.2.
Actuadores con salida a triac.
Actuadores con salida a rel.

Sensores de presencia
Para la activacin automtica de luces en las zonas de paso se han

utilizado sensores de presencia por infrarrojos de distintas
caractersticas segn la adaptacin necesaria a la zona en concreto.
5.2.3.
Gestin de la climatizacin
5.2.3.1. Fancoils
La climatizacin de la instalacin se gestiona mediante fancoils
ROCA (ANEXO 1. ESPECIFICACIONES TCNICAS, apartado 12.2.3,
pgina 228) repartidos por las diferentes estancias que permiten realizar
las funciones de calentamiento y enfriamiento. Los fancoils son
dispositivos de climatizacin que constan de una batera o
intercambiador, vlido para fro y calor, ms un ventilador tangencial.
43
Captulo 5
Este ventilador puede funcionar a 3 velocidades diferentes para regular

el flujo de aire desde el intercambiador al ambiente.
Ilustracin 10. Fancoil. Vista exterior.
Ilustracin 11. Fancoil. Configuracin interna.
44
Metodologa
Mediante un flujo de agua fra o caliente se consigue que el dispositivo

realice las funciones de aire acondicionado o calefaccin
respectivamente. A estos fancoils se les ha hecho una modificacin para
aadir una resistencia calefactora elctrica superpuesta al
intercambiador de fluido para individualizar ms el sistema de
calefaccin.
El flujo de agua para los fancoils est controlado trmicamente por
una caldera de gas natural y una enfriadora.
La planta primera dispone de 6 fancoils que disponen de un nico flujo
de agua a travs de ellos. En el caso de la planta baja hay un total de 3
fancoils pero cado uno de ellos dispone de una vlvula, controlada
elctricamente, que controla (permite o no) el paso del agua del circuito
a travs de su intercambiador. De esta manera se puede desactivar la
climatizacin en las estancias de la planta baja ya que no son de uso
cotidiano.
5.2.3.2. Calefaccin
Las unidades fancoils pueden funcionar como elemento de calefaccin
de 2 maneras diferentes:
Al recibir un flujo de agua caliente procedente de la caldera de

gas.
Mediante la resistencia calefactora elctrica.
Ilustracin 12. Caldera de gas natural.
45
Captulo 5
Cuando toda la instalacin requiere un aporte de calor, la caldera de

gas ROCA (ANEXO 1. ESPECIFICACIONES TCNICAS, apartado
12.2.1, pgina 220) entra en funcionamiento y todos los fancoils reciben
el flujo de agua caliente; mediante la regulacin de la velocidad de los
ventiladores de los fancoils se controla el flujo de aire caliente a la
estancia.
Si alguna estancia necesita un aporte de calor y no es necesario en el
resto de la instalacin el sistema utiliza la resistencia calefactora
integrada en el fancoil para realizar el calentamiento de dicha estancia
y as evitar poner en marcha la caldera que hara circular el agua
caliente por todos los fancoils.
La caldera de gas es activada mediante una salida a rel que pone en
marcha su quemador y bomba de circulacin de agua. Durante la
activacin del contacto el dispositivo mantiene el flujo constante de agua
por el circuito a la temperatura seleccionada.
5.2.3.3. Aire acondicionado
Para la climatizacin en verano se dispone de una enfriadora
CARRIER (ANEXO 1. ESPECIFICACIONES TCNICAS, apartado
12.2.2, pgina 223) que permite distribuir el flujo de agua fra a travs
de los fancoils. El control de la enfriadora, como el de la caldera de gas,
es mediante una salida a rel. Al activar el contacto mediante el rel se
activa la enfriadora de manera que gracias a su compresor y la bomba
de circulacin de agua mantiene el flujo constante de agua fra en el
circuito de fancoils.
46
Metodologa
Ilustracin 13. Enfriadora para aire acondicionado.
5.2.4.
Interface con el sistema domtico
Como interface de monitorizacin y control de la instalacin domtica

no se ha realizado ningn hardware especfico. Los interfaces diseados
son de tipo software para las siguientes plataformas:
PC con sistema operativo Windows.
Dispositivo porttil, Smartphone o Tablet con sistema

operativo Android.
No obstante, s se han desarrollado las correspondientes pasarelas

para que los dispositivos nombrados puedan comunicarse con la
instalacin.
5.3. Algoritmo de control

Se disea un algoritmo de control que, conjugando los valores de
temperatura interior, temperatura exterior, radiacin solar global e
iluminacin de la estancia, acte sobre el grado de apertura de la
persiana.
47
Captulo 5
La funcionalidad principal del algoritmo de control es la reduccin de

la incidencia de la radiacin solar directa hacia el interior de la estancia.
Por la orientacin de la vivienda, la radiacin solar es mxima en las
primeras horas del da, prcticamente desde el amanecer hasta el
medioda aproximadamente.
La eliminacin de la radiacin solar directa permite reducir
sensiblemente la temperatura interior. El algoritmo de control est
centrado en la regulacin en los das de verano, que son los de objeto de
estudio de esta Tesis Doctoral.
Cuando el sistema detecta que la radiacin solar directa est por
encima de un umbral se activa el cierre de las persianas de la fachada
correspondiente para evitar el efecto invernadero que se producira en el
interior. Al disminuir el nivel de radiacin solar directa por debajo de un
umbral preestablecido el sistema levanta las persianas para permitir la
entrada de luz natural hacia el interior. El impacto de la radiacin solar
indirecta es mucho menor que el de la directa y por eso el sistema slo
intercepta la radiacin solar mediante las persianas en los momentos en
los que sta pueda penetrar hacia el interior.
En la Ilustracin 14 se muestra el diagrama de flujo simplificado del
algoritmo de control que gestiona el control de las persianas en funcin
de la radiacin solar incidente.
48
Metodologa
Algoritmo de control
de persianas
Arriba
No
Posicin
Persiana?
Abajo
Radiacin <
Umbral mn.?
Radiacin >
Umbral mx.?
No
No
Retardo
Retardo
Radiacin >
Umbral mx.?
Radiacin <
Umbral mn.?
No
Subir
Persiana
Bajar
Persiana
Ilustracin 14. Diagrama de flujo del algoritmo de control de persianas.
49
Captulo 5
5.4. Recogida de datos

El objeto de estudio de esta Tesis Doctoral se ha centrado en una de
las estancias de la vivienda, concretamente la estancia denominada
inicialmente como Dormitorio 1 y cuya aplicacin actual es como
despacho de trabajo. Esta estancia de 14 m2 tiene una superficie
acristalada en la fachada principal de 2 m2 formada por dos ventanas de
PVC oscilo-batientes con doble cristal con cmara de aire 6 12 5.
Ilustracin 15. Situacin en el plano de la primera planta de la estancia a estudio.
50
Metodologa
Ilustracin 16. Posicin en la fachada de las ventanas de la estancia a estudio.
Para el estudio objeto de esta Tesis Doctoral se ha desarrollado un

sistema de sensores conectados a un PC para registrar peridicamente
varias magnitudes fsicas:
Temperatura: Un sensor en la estancia a controlar ms dos

sensores exteriores, uno para la fachada principal y otro en la
fachada del patio.
Humedad relativa: Se considera interesante incluir la medicin de
la humedad relativa ambiente tanto en el exterior como en el
interior por cada estancia ya que este parmetro influye en la
sensacin de confort ligado a la temperatura.
Radiacin solar: Como realmente el control de persianas slo acta
sobre las fachadas principal y fachada del patio es suficiente un
piranmetro en la fachada principal y otro en la fachada del patio
en direccin opuesta al anterior. Como ya se ha comentado, el
control se va a centrar en las estancias de la fachada principal as
que consideraremos slo el sensor de esta fachada.
Nivel de iluminacin: Para el interior de las estancias ya que si se
solicita iluminacin y est disponible en el exterior el sistema de
control puede abrir parcial o totalmente la persiana para evitar el
consumo elctrico de la iluminacin.
51
Captulo 5
El listado de sensores y sus unidades son los siguientes:

Sensor
Unidades
Temperatura exterior
Temperatura interior
Humedad exterior relativa
Humedad interior relativa
Radiacin global acumulada
W/m2
Nivel de iluminacin
lx
Energa elctrica consumida
kWh
Tabla 4. Sensores utilizados para la recogida de datos y sus unidades.
Mediante un software creado en Visual Basic .NET se ha ido

almacenando la informacin de los sensores conectados a un PC en
intervalos de 1 hora.
Aunque los valores ambientales han sido recogidos a intervalos de 1
minuto, al completar una hora se ha almacenado la media de los mismos.
El consumo de energa elctrica recogido de forma horaria corresponde
al total consumido durante la hora.
Para el estudio se ha registrado la informacin durante 2 aos
completos (2012 y 2013) lo que hace un total de 2 365 24 = 17.520
muestras por sensor.
La diferencia de radiacin solar global acumulada entre ambos aos
fue del 4.2%, y de la temperatura media durante el periodo de esto fue
del 3.4%. Por lo que se estima que, a nivel de modelado de sistemas, los
dos periodos son comparables.
Durante el ao 2012 no se utiliz control de persianas y durante el
ao 2013 s se utiliz el algoritmo de control.
Los datos vlidos para el anlisis han sido los del intervalo de das
que fue necesaria la intervencin del sistema de aire acondicionado. As
pues el intervalo de datos para el anlisis ha sido:
52
Metodologa
Ao 2012 (sistema sin control): Del 11 de junio al 11 de

septiembre, total 2232 lecturas por sensor.
Ao 2013 (sistema con control): Del 11 de junio al 6 de

septiembre, total 2112 lecturas por sensor.
53
6. Modelado mediante redes

neuronales
El uso de redes neuronales artificiales permite crear modelos de
sistemas no lineales que otro tipo de funciones no podran aproximar tan
fielmente gracias al aprendizaje gentico (Lippmann, 1987).
Las redes neuronales, (Gonzlez & Hernando, 1995), estn
constituidas por un conjunto de neuronas artificiales que estn
interconectadas entre ellas y distribuidas en capas. Las neuronas de
cada capa estn conectadas con las neuronas de las capas adyacentes de
manera que la informacin fluye entre ellas.
La arquitectura ms usada consta de:
Capa de entrada: Es la encargada de recibir la informacin del

exterior. En nuestro caso recibe la informacin de los sensores
del sistema a estudio.
Capas intermedias u ocultas: Son las que realizan el trabajo de

la red.
Capa de salida: Es la capa donde se obtienen los resultados del

aprendizaje de la red.
Cada una de las neuronas constituyentes de la red neuronal procesa

la informacin que le llega a travs de las conexiones procedentes de la
capa anterior y enva el resultado por las conexiones que posee con la
capa posterior a la suya, siempre y cuando dicho resultado cumpla la
condicin de superar un valor umbral.
Cuando la red est entrenada cada conexin entre neuronas tiene
asignado valor que se denomina peso sinptico. La funcin matemtica
que se opera en cada neurona tiene en cuenta el peso de las conexiones
con las neuronas de la capa anterior por donde le llega la informacin
dando mayor importancia a las de mayor peso que a las de menor.
55
Captulo 6
Una vez realizado el clculo dentro de la neurona si el resultado

supera el umbral marcado la neurona se activa y transmite una seal
hacia las neuronas de la capa siguiente. En caso contrario, si el resultado
no supera el umbral, la neurona no se activa y no se transmite ninguna
seal.
As pues, asignando unos valores iniciales de pesos a las conexiones,
al recibir en las entradas un dato las neuronas comienzan el proceso
anteriormente descrito propagndose hacia las salidas la informacin
que, finalmente, generar un resultado en la salida. El resultado
obtenido puede corresponderse o no al deseado en funcin de la entrada
aportada.
Al entrenar la red se aplica a la misma un algoritmo de aprendizaje
que hace variar los pesos sinpticos y los valores umbrales en las
neuronas con objeto de que los resultados a la salida de la red sean lo
ms prximos a los deseados.
El mtodo de entrenamiento de la red se simplifica expresando el
valor umbral de cada neurona como un peso sinptico ms pero como si
se tratara de una neurona siempre activada, lo que se denomina bias
y que est situada en la capa anterior. De esta forma el algoritmo de
aprendizaje realiza el ajuste del umbral como si se tratara de un peso
sinptico cualquiera.
Con el total de datos recopilados para el anlisis una parte se utilizan
para el entrenamiento de la red y una parte menor se reserva para, una
vez finalizado el entrenamiento de la red, comprobar el buen ajuste de
la misma. A este ltimo conjunto de datos se le denomina datos de
validacin cruzada.
Los mtodos de entrenamiento de la red neuronal pueden ser:
Aprendizaje supervisado: Los resultados obtenidos tras el

entrenamiento con un conjunto de datos de entrada se compara
con sus correspondientes originales y se realizan los ajustes en
la red para minimizar el error.
Aprendizaje de refuerzo: A partir de los datos de entrada slo

se informa a la red si los resultados que obtiene a la salida son
correctos o no.
56
Modelado mediante redes neuronales
Aprendizaje no supervisado: La red busca patrones en los datos

de entrada y crea categoras para, posteriormente, asignar los
datos que le lleguen a dichas categoras.
6.1. Anlisis de datos mediante redes neuronales

Para este estudio se utiliza el aprendizaje supervisado con un 80% de
los datos recopilados. El 20% restante son empleados para validacin
cruzada y confirmar el buen ajuste de la red evitando el
sobreentrenamiento de la misma.
Para optimizar el ajuste de la red neuronal al sistema a prueba se han
desarrollado y entrenado diferentes redes neuronales.
Se registran los datos relevantes tanto en el interior como en el
exterior de la vivienda durante un ao en el que no se aplica el algoritmo
de control y durante otro ao en el que se aplica el algoritmo.
Con los datos registrados el siguiente paso es calcular el ahorro
energtico estimado durante el periodo a estudio, concretamente
durante los meses de verano, en base a la diferencia entre el consumo
energtico del equipo de aire acondicionado al no utilizar ningn control
y el consumido utilizando el control propuesto.
Dado que la respuesta del sistema es altamente compleja de modelar,
para poder tener un modelo del sistema que se aproxime al
comportamiento real los datos registrados han sido evaluados mediante
el uso de algoritmos genticos utilizando redes neuronales y el software
Neurosolutions (Neural Network Software, s.f.).
Se probarn distintas topologas de redes para buscar la mejor para
el sistema. El criterio para seleccionar la mejor ser buscar el menor
error argumentado de la siguiente manera:
El error estar calculado a partir del error cuadrtico medio

obtenido al aplicar la red neuronal al grupo de entrenamiento
y del error cuadrtico medio obtenido al aplicar la red neuronal
al grupo de validacin cruzada.
El volumen de datos utilizado en el grupo de entrenamiento es

tres veces superior al utilizado en el grupo de validacin
cruzada por tanto se va a dar distinta ponderacin a cada uno
de los errores, concretamente el error se calcular ponderando
57
Captulo 6
un 25% del error cuadrtico medio obtenido en el grupo de

entrenamiento y un 75% del error cuadrtico medio obtenido
en el grupo de validacin cruzada. Se da ms importancia al
error del grupo de validacin cruzada ya que estos valores no
se utilizan para ajustar la red, simplemente se utilizan para
detener el entrenamiento cuando el error al ser utilizados
empeora el resultado de ajuste; as pues, el comportamiento con
el grupo de datos de validacin cruzada nos da una idea de la
capacidad de generalizacin de la red.
Con el clculo del error segn lo anteriormente descrito nos

quedaremos con la red que obtenga el valor ms pequeo con lo
que se da a entender que es una red que no es propensa al
sobreentrenamiento y que, por tanto, generaliza mejor.
= 0.25 + 0.75
Ecuacin 1. Clculo del error de la red entrenada para comparar entre diferentes
redes.
6.2. Entrenamiento de red MLP

La primera topologa que se va a probar es la MLP (Multilayer
Perceptron) o Perceptrn Multicapa.
El MLP, (Tabares, Branch, & Valencia, 2006), es una red hacia
adelante (feedforward) que se compone de una capa de entrada donde
los sensores aportan la informacin, una capa de salida y una o varias
capas interiores ocultas que no tienen conexin directa con el exterior.
Las neuronas de cada capa solamente estn unidas con las neuronas de
la capa inmediatamente anterior y con las de la capa inmediatamente
posterior, excepto las de la entrada y salida que slo conectan con una
nica capa. El nmero de capas ocultas se determinar en funcin de la
complejidad de la funcin a implementar.
Su principal ventaja es que son fciles de usar, y que se puede
aproximar cualquier mapa de entrada/salida. Las principales
desventajas son que su entrenamiento es lento y que requieren una gran
58

cantidad de datos de entrenamiento (por lo general tres veces ms
muestras de entrenamiento que los pesos de la red).
Ilustracin 17. Arquitectura de una red MLP.
El entrenamiento de la red es un proceso de optimizacin gentica en

el cual se ha dejado que el programa escoja tanto el nmero de neuronas
en las capas ocultas como los parmetros de factor de aprendizaje y de
factor de momento del algoritmo de retropropagacin de error.
6.2.1.
Configuracin de la red MLP
Los parmetros de configuracin de la red neuronal introducidos en

el software Neurosolutions para comparar los resultados y comprobar el
incremento en el ahorro energtico han sido los siguientes:
Tipo de red: Multilayer Perceptron
Configuracin general de la red:

o Input PEs: 5
o Output PEs: 1
o Exemplars: 1698
o Hidden Layers: 2
Configuracin de la capa oculta 1:

o Processing Elements: 28
59
Captulo 6
o Genetic Algorithm
o Transfer: TanhAxon
o Learning rule: Momentum
Step size: 0.01
Momentum: 0.7

o Genetic Algorithm
Step size: 0.01
Momentum: 0.7
Configuracin de la capa de salida:

o Genetic Algorithm
Step size: 0.01
Momentum: 0.7
Control de aprendizaje supervisado:

o Maximum Epochs: 3000
o Termination: MSE, Cross Val. Set, Increase
o Weight Update: Batch
60
Ilustracin 18. Red neuronal con topologa MLP.
Los datos para el entrenamiento de la red se tomaron de los del

intervalo indicado anteriormente del ao 2013, ao con control, y se
organizaron de la siguiente manera:
Datos de entrada:
o Temperatura interior
o Temperatura exterior
o Humedad relativa interior
o Humedad relativa exterior
o Radiacin global acumulada
Datos deseados (salida):

o Energa elctrica consumida
En cuanto al volumen de datos por hora se distribuyen un 80% para

el entrenamiento de la red y el 20% restante para validacin cruzada
tras reordenarlos aleatoriamente.
6.2.2.
Informes del entrenamiento de la red MLP
El entrenamiento segn algoritmos genticos, basado en 50

generaciones de 50 individuos con optimizacin gentica dio los
siguientes resultados:
Como se ve en la Ilustracin 19, el error en el mejor de los individuos
ha ido disminuyendo conforme han evolucionado las generaciones de
individuos hasta que a partir de la generacin 17 no hay mejora.
61
Captulo 6
Best Fitness (MSE) versus Generation

0.02
0.018
0.016
0.014
MSE
0.012
0.01
0.008
0.006
0.004
0.002
0
1
13
17
21
25
29
33
37
41
45
49
Generation
Best Fitness
la red MLP.
En la Ilustracin 20 se muestra la media de los 50 individuos de la

generacin donde se aprecia que la primera generacin era muy mala
pero con operadores de cruce se van concentrando los mejores bajando
progresivamente la media.
62

Average Fitness (MSE) versus Generation
0.18
0.16
0.14
MSE
0.12
0.1
0.08
0.06
0.04
0.02
0
1
13
17
21
25
29
33
37
41
45
49
Generation
Average Fitness
generacin de la red MLP.
En la Tabla 5 se resumen los resultados anteriores:

Optimization Summary
Generation #
Minimum MSE
Final MSE
Best Fitness
17
0.014405851
0.014405851
Average Fitness
33
0.015012259
0.016505869
Tabla 5. Resumen de la optimizacin gentica en la red MLP.
Variable
Minimum MSE
Final MSE
Significado
Minimum Mean squared error
(Mnimo error cuadrtico medio)
Final Mean squared error
(Valor final del error cuadrtico medio)
Tabla 6. Variables del informe y su significado.
63
Captulo 6
En la Ilustracin 21 se puede ver la comparativa de los datos

originales con los que la red neuronal MLP obtiene tras el ajuste de la
misma con los datos de entrenamiento.
Desired Output and Actual Network Output
1.4
1.2
Output
0.8
0.6
0.4
0.2
0
1
170
339
508
677
846
1015
1184
1353
1522
1691
-0.2
Exemplar
En (kWh)
En (kWh) Output

red neuronal MLP.
La Tabla 7 muestra los valores de errores de la red MLP entrenada.

Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.01246229
0.157631803
0.083033546
0.000146975
0.59763577
0.925775377

entrenamiento.
64

Variable
MSE
Significado
Mean squared error

(Error cuadrtico medio)
NMSE
Normalized Mean squared error (MSE/variance of
desired output)
(Error cuadrtico medio normalizado con la varianza)
MAE
Mean absolute error
(Error absoluto medio)
Min Abs Error Minimum absolute error
(Mnimo error absoluto)
Max Abs Error Maximum absolute error
(Mximo error absolut)
r
Linear correlation coefficient
(Coeficiente de correlacin lineal)
Tabla 8. Variables del informe y su significado.
En la Ilustracin 22 y en la Tabla 9 aparece el informe de la aplicacin

de la red neuronal MLP al grupo de datos de validacin cruzada.
1.4
1.2
1
Output
0.8
0.6
0.4
0.2
0
1
41
81
121
161
201
241
281
321
361
401
-0.2
Exemplar
En (kWh)
En (kWh) Output
Ilustracin 22. Informe grfico de la aplicacin de la red MLP al grupo de validacin

cruzada.
65
Captulo 6
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.015028327
0.154128752
0.0922495
2.73445E-05
0.461370382
0.924570705

validacin cruzada.
A continuacin, en la Ilustracin 23 y en la Tabla 10, se muestra el

informe del grupo de datos de test que no ha sido utilizado anteriormente
para el entrenamiento de la red neuronal, es decir, la aplicacin de la
red neuronal al ao sin control (2012) para comprobar el resultado si se
hubiese aplicado el algoritmo de control.
2.5
Output
1.5
0.5
0
1
223
445
667
889
1111
1333
1555
1777
1999
2221
-0.5
Exemplar
En (kWh)
En (kWh) Output
Ilustracin 23. Informe grfico de la aplicacin de la red MLP al grupo de test.
66

Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.04307595
0.238466137
0.142966519
6.44908E-05
0.995880459
0.893350771

test.
Se ha realizado tambin en el software Neurosolutions un estudio de

la sensibilidad de la salida frente a las variables de entrada, esto es, una
medida de la influencia que tiene cada una de las entradas en el valor
de la salida.
Sensitivity About the Mean
0.07
0.06
Sensitivity
0.05
0.04
0.03
0.02
0.01
0
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
Input Name
En (kWh)

para la red MLP.
67
Captulo 6
Sensitivity
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
En (kWh)
0.022960454
0.007837492
0.001020798
0.063703725
0.025176415
Tabla 11. Valores de sensibilidad de la salida frente a las variables de entrada para
la red MLP.
Network Output(s) for Varied Input Text (C)

0.08
0.07
0.06
Output(s)
0.05
0.04
0.03
0.02
0.01
0
-0.01
-0.02
Varied Input Text (C)

En (kWh)

exterior para la red MLP.
68

Network Output(s) for Varied Input Tint (C)
0.03
0.025
Output(s)
0.02
0.015
0.01
0.005
0
-0.005
Varied Input Tint (C)

En (kWh)

interior para la red MLP.
Network Output(s) for Varied Input Hext (%)

0.012
Output(s)
0.01
0.008
0.006
0.004
0.002
0
Varied Input Hext (%)

En (kWh)

exterior para la red MLP.
69
Captulo 6
Network Output(s) for Varied Input Hint (%)

0.2
Output(s)
0.15
0.1
0.05
0
-0.05
-0.1
Varied Input Hint (%)

En (kWh)

interior para la red MLP.
Network Output(s) for Varied Input Rg (W/m2)

0.07
0.06
0.05
Output(s)
0.04
0.03
0.02
0.01
0
-0.01
-0.02
-0.03
Varied Input Rg (W/m2)

En (kWh)

global para la red MLP.
70

Se aprecia en el anlisis de sensibilidad que la mxima influencia es
en la variable Humedad interior y la mnima en la Humedad exterior.
Con valores intermedios, pero significativos, entre el mximo y el
mnimo estn la Temperatura exterior y la Radiacin global.
6.2.3.
Evaluacin del error de la red MLP
Segn el procedimiento de seleccin de una red en funcin del error

calculamos el error de la presente segn la Ecuacin 1 con resultado
mostrado en la Ecuacin 2:
= 0.25 0.01246229 + 0.75 0.015028327 = 0.01438681775
Ecuacin 2. Error ponderado de la red MLP.
6.2.4.
Aplicacin de la red MLP al ao sin control
Esta red MLP entrenada modela el comportamiento del sistema de

control utilizado en la instalacin domtica. A partir de los datos del ao
2012, ao sin control, se aplica la red neuronal para comprobar cul
hubiera sido el consumo energtico si se hubiese empleado el sistema de
control de persianas en ese ao.
El resultado del test de la red neuronal, que modela el
comportamiento del sistema de control, sobre el ao 2012 queda
representado en la Ilustracin 30 donde se muestran los datos originales
de ese ao junto con los datos obtenidos por la red neuronal MLP que
reflejan el comportamiento del sistema si hubiese existido el control.
71
Captulo 6
2
1.8
1.6
1.4
En (kW.h)
1.2
1
0.8
0.6
0.4
11-06-2012
13-06-2012
15-06-2012
18-06-2012
20-06-2012
23-06-2012
25-06-2012
27-06-2012
30-06-2012
02-07-2012
05-07-2012
07-07-2012
10-07-2012
12-07-2012
14-07-2012
17-07-2012
19-07-2012
22-07-2012
24-07-2012
26-07-2012
29-07-2012
31-07-2012
03-08-2012
05-08-2012
08-08-2012
10-08-2012
12-08-2012
15-08-2012
17-08-2012
20-08-2012
22-08-2012
24-08-2012
27-08-2012
29-08-2012
01-09-2012
03-09-2012
06-09-2012
08-09-2012
10-09-2012
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
0.2
En (kWh) 2012
En 2012 optimizada MLP (kWh)
optimizados aplicando la red neuronal MLP simulando el control sobre el sistema.
En cuanto a los valores totales de energa consumida por el equipo de

aire acondicionado en el periodo sin control (ao 2012) fueron los
siguientes:
Ao 2012 sin control: 738.5 kWh
Ao 2012 con control (red neuronal MLP): 569.1 kWh
Tomando el ao 2012, la diferencia entre el consumo sin control y el

consumo que habra habido utilizando el control se obtiene una
diferencia de 738.5 569.1 = 169.4 kWh que en porcentaje supone un
ahorro del 22.9%. Esto muestra la eficacia de la propuesta de control.
72
6.3. Entrenamiento de red RBF

Las redes neuronales de base radial, RBF (Radial Basis Function),
determinan la salida en funcin de la distancia a un punto denominado
centro (Orr & others, 1996). Son redes tambin hacia adelante
(feedforward) como las MLP.
Ilustracin 31. Arquitectura de una red RBF.
Las redes RBF son redes hbridas no lineales. La capa de la red RBF
utiliza funciones de transferencia gaussianas en lugar de las funciones
sigmoidales estndares empleadas por las redes MLP. Los centros y
anchuras de las gaussianas son fijados por reglas de aprendizaje sin
supervisin, y el aprendizaje supervisado se aplica a la capa de salida.
Estas redes tienden a aprender mucho ms rpido que las MLP.
De hecho, si se elige una regresin generalizada o una red
probabilstica, todos los pesos de la red pueden ser calculados
analticamente. En este caso, el nmero de centros de los clusters son,
por definicin, igual al nmero de individuos, y estn configurados con
la misma varianza.
En las redes estndar RBF, el segmento supervisado de la red slo
necesita producir una combinacin lineal de la salida en la capa sin
supervisin. Se puede aadir capas ocultas para hacer que el segmento
supervisado sea un MLP en lugar de un perceptrn simple lineal.
73
Captulo 6
6.3.1.
Configuracin de la red RBF

Tipo de red: Radial Basis Function

o Input PEs: 5
o Output PEs: 1
o Exemplars: 1698
o Hidden Layers: 2
o Cluster Centers: 25
o Genetic Algorithm
o Competitive rule: Conscience Full
o Metric: Euclidean

o Genetic Algorithm
Step size: 0.01
Momentum: 0.7

o Genetic Algorithm
74

Step size: 0.01
Momentum: 0.7

o Genetic Algorithm
Step size: 0.01
Momentum: 0.7

Ilustracin 32. Red neuronal con topologa RBF.

Datos de entrada:
75
Captulo 6



6.3.2.
Informes del entrenamiento de la red RBF

0.0146
0.0145
0.0144
0.0143
MSE
0.0142
0.0141
0.014
0.0139
0.0138
0.0137
0.0136
1
11
13
15
17
19
21
23
25
Generation
Best Fitness
la red RBF.
76

0.045
0.04
0.035
MSE
0.03
0.025
0.02
0.015
0.01
0.005
0
1
11
13
15
17
19
21
23
25
Generation
Average Fitness
generacin en la red RBF.
Generation #
Minimum MSE
Final MSE
Best Fitness
7
0.013923945
0.013923945
Average Fitness
15
0.014018586
0.01487344
Tabla 12. Resumen de la optimizacin gentica en la red RBF.

originales con los que la red neuronal obtiene tras el ajuste de la misma
con los datos de entrenamiento.
77
Captulo 6

1.4
1.2
1
Output
0.8
0.6
0.4
0.2
0
1
170
339
508
677
-0.2
846
1015
1184
Exemplar
1353
1522
1691
En (kWh)
En (kWh) Output

red neuronal RBF.
La Tabla 13 muestra los valores de errores de la red RBF entrenada.

Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.011653821
0.147405716
0.063741409
1.98235E-05
0.64639773
0.923360502

entrenamiento.
En la Ilustracin 33 y en la Tabla 14 aparece el informe de la

aplicacin de la red neuronal RBF al grupo de datos de validacin
cruzada.
78

1.4
1.2
1
Output
0.8
0.6
0.4
0.2
0
1
-0.2
41
81
121
161
201
241
281
Exemplar
321
361
401
En (kWh)
En (kWh) Output
Ilustracin 36. Informe grfico de la aplicacin de la red RBF al grupo de validacin

cruzada.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.014525597
0.148972813
0.076908602
2.36602E-05
0.532991806
0.922579174

validacin cruzada.

79
Captulo 6

2.5
Output
1.5
0.5
0
1
223
445
667
889
1111
1333
1555
1777
1999
2221
-0.5
Exemplar
En (kWh)
En (kWh) Output
Ilustracin 37. Informe grfico de la aplicacin de la red RBF al grupo de test.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.045432781
0.251513428
0.129453743
5.53804E-07
1.047675501
0.887855532

test.
El estudio de sensibilidad de la variable de salida frente a las

variables de entrada en la red RBF ha dado los siguientes resultados:
80

0.04
0.035
Sensitivity
0.03
0.025
0.02
0.015
0.01
0.005
0
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
Input Name
En (kWh)

para la red RBF.
Sensitivity
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
En (kWh)
0.017225455
1.05367E-09
1.05367E-09
0.03877959
0.030234022
Tabla 16. Valores de sensibilidad de salida frente a las variables de entrada para la
red RBF.
81
Captulo 6

0.08
0.07
Output(s)
0.06
0.05
0.04
0.03
0.02
0.01
0

En (kWh)

exterior para la red RBF.

0.03
Output(s)
0.025
0.02
0.015
0.01
0.005
0

En (kWh)

interior para la red RBF.
82

0.03
Output(s)
0.025
0.02
0.015
0.01
0.005
0

En (kWh)

exterior para la red RBF.

0.18
0.16
Output(s)
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0

En (kWh)

interior para la red RBF.
83
Captulo 6

0.12
Output(s)
0.1
0.08
0.06
0.04
0.02
0

En (kWh)

global para la red RBF.
El anlisis muestra la mxima influencia de la variable Humedad

interior y Radiacin global sobre la salida y la mnima influencia de la
Temperatura exterior y la Humedad exterior.
6.3.3.
Evaluacin del error de la red RBF

calculamos el error de la presente segn la Ecuacin 1 en la Ecuacin 3:
= 0.25 0.011653821 + 0.75 0.014525597 = 0.013807653
Ecuacin 3. Error ponderado de la red RBF.
6.3.4.
Aplicacin de la red RBF al ao sin control
Esta red RBF entrenada modela el comportamiento del sistema de

84

En la Ilustracin 44 se visualizan los datos correspondientes al
consumo real del ao 2012 (ao sin algoritmo de control) ms los
resultados obtenidos de la aplicacin de la red neuronal RBF a esos datos
para comparar si se hubiese aplicado el algoritmo de control.
2
1.8
1.6
1.4
En (kW.h)
1.2
1
0.8
0.6
0.4
11-06-2012
13-06-2012
15-06-2012
18-06-2012
20-06-2012
23-06-2012
25-06-2012
27-06-2012
30-06-2012
02-07-2012
05-07-2012
07-07-2012
10-07-2012
12-07-2012
14-07-2012
17-07-2012
19-07-2012
22-07-2012
24-07-2012
26-07-2012
29-07-2012
31-07-2012
03-08-2012
05-08-2012
08-08-2012
10-08-2012
12-08-2012
15-08-2012
17-08-2012
20-08-2012
22-08-2012
24-08-2012
27-08-2012
29-08-2012
01-09-2012
03-09-2012
06-09-2012
08-09-2012
10-09-2012
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
0.2
En (kWh) 2012
En 2012 optimizada RBF (kWh)
optimizados aplicando la red neuronal RBF simulando el control sobre el sistema.
La comparativa de los valores totales de energa consumida por el

equipo de aire acondicionado en el periodo sin control (ao 2012) da los
Ao 2012 con control (red neuronal RBF): 588.0 kWh
85
Captulo 6

consumo que habra habido utilizando el control segn la red RBF se
obtiene una diferencia de 738.5 588.0 = 150.5 kWh que en porcentaje
supone un ahorro del 20.4%. Esto muestra la eficacia de la propuesta
de control.
6.4. Entrenamiento de red GFF

Las redes GFF (Generalized FeedForward) son una generalizacin de
las redes MLP en las cuales se pueden crear conexiones entre capas no
contiguas (Bouzerdoum & Mueller, 2003).
En teora, una red MLP puede resolver cualquier problema que una
red feedfoward generalizada pueda resolver. En la prctica, sin
embargo, las redes GFF a menudo resuelven el problema de manera
mucho ms eficiente. Una red MLP estndar requiere cientos de veces
ms pocas de formacin que una red GFF que contenga el mismo
nmero de elementos de procesamiento.
Ilustracin 45. Arquitectura de una red GFF.
6.4.1.
Configuracin de la red GFF

Tipo de red: Generalized FeedForward
86

o Input PEs: 5
o Output PEs: 1
o Exemplars: 1698
o Hidden Layers: 2

o Genetic Algorithm
Step size: 0.01
Momentum: 0.7

o Genetic Algorithm
Step size: 0.01
Momentum: 0.7

o Genetic Algorithm
Step size: 0.01
87
Captulo 6
Momentum: 0.7

o Weitgh Update: Batch
Ilustracin 46. Red neuronal con topologa GFF.

Datos de entrada:

88

6.4.2.
Informes del entrenamiento de la red GFF

0.0141
0.014
0.0139
MSE
0.0138
0.0137
0.0136
0.0135
0.0134
0.0133
0.0132
1
10
11
12
13
14
15
16
17
18
19
20
Generation
Best Fitness
la red GFF.

89
Captulo 6

0.035
0.03
MSE
0.025
0.02
0.015
0.01
0.005
0
1
10
11
12
13
14
15
16
17
18
19
20
Generation
Average Fitness
generacin de la red GFF.

Generation #
Minimum MSE
Final MSE
Best Fitness
16
0.013475691
0.013475691
Average Fitness
20
0.013540776
0.013540776
Tabla 17. Resumen de la optimizacin gentica en la red GFF.

originales con los que la red neuronal GFF obtiene tras el ajuste de la
90

1.4
1.2
Output
0.8
0.6
0.4
0.2
0
1
170
339
508
677
846
1015
1184
1353
1522
1691
-0.2
Exemplar
En (kWh)
En (kWh) Output

red neuronal GFF.
La Tabla 18 muestra los valores de errores de la red GFF entrenada.

Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.010576989
0.133785193
0.060189727
4.23595E-06
0.600000214
0.930708988

entrenamiento.
91
Captulo 6

aplicacin de la red neuronal GFF al grupo de datos de validacin
cruzada.
1.4
1.2
Output
0.8
0.6
0.4
0.2
0
1
41
81
121
161
201
241
281
321
361
401
-0.2
Exemplar
En (kWh)
En (kWh) Output
Ilustracin 50. Informe grfico de la aplicacin de la red GFF al grupo de validacin

cruzada.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.014057974
0.144176929
0.076044785
6.65229E-05
0.438894239
0.92510912

validacin cruzada.
92

2.5
Output
1.5
0.5
0
1
223
445
667
889
1111
1333
1555
1777
1999
2221
-0.5
Exemplar
En (kWh)
En (kWh) Output
Ilustracin 51. Informe grfico de la aplicacin de la red GFF al grupo de test.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.042186923
0.233544532
0.125460921
8.16312E-07
1.031379038
0.896844586

test.
93
Captulo 6

variables de entrada dio los siguientes resultados:
0.07
0.06
Sensitivity
0.05
0.04
0.03
0.02
0.01
0
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
Input Name
En (kWh)

para la red GFF.
Sensitivity
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
En (kWh)
0.017330325
0.007656328
0
0.062638048
0.035140869
la red GFF.
94

0.08
0.07
Output(s)
0.06
0.05
0.04
0.03
0.02
0.01
0

En (kWh)

exterior para la red GFF.

0.04
0.035
Output(s)
0.03
0.025
0.02
0.015
0.01
0.005
0

En (kWh)

interior para la red GFF.
95
Captulo 6

0.025
Output(s)
0.02
0.015
0.01
0.005
0

En (kWh)

exterior para la red GFF.

0.25
Output(s)
0.2
0.15
0.1
0.05
0
-0.05

En (kWh)

interior para la red GFF.
96

0.12
0.1
Output(s)
0.08
0.06
0.04
0.02
0
-0.02

En (kWh)

global para la red GFF.

en la variable Humedad interior y la mnima en la Humedad exterior.
mnimo estn la Temperatura exterior y la Radiacin global.
6.4.3.
Evaluacin del error de la red GFF

calculamos el error de la presente segn la Ecuacin 1 mostrando el
resultado en la Ecuacin 4:
= 0.25 0.010576989 + 0.75 0.014057974 = 0.01318772775
Ecuacin 4. Error ponderado de la red GFF.
6.4.4.
Aplicacin de la red GFF al ao sin control
La red GFF entrenada modela el comportamiento del sistema de

control utilizado en la instalacin domtica. Tomando los datos del ao
97
Captulo 6
sin control, el 2012, al aplicar esta red comprobamos el efecto que

hubiera tenido el sistema de control si se hubiera implementado en ese
ao.
de ese ao junto con los datos obtenidos por la red neuronal GFF que
2
1.8
1.6
1.4
En (kW.h)
1.2
1
0.8
0.6
0.4
11-06-2012
13-06-2012
15-06-2012
18-06-2012
20-06-2012
23-06-2012
25-06-2012
27-06-2012
30-06-2012
02-07-2012
05-07-2012
07-07-2012
10-07-2012
12-07-2012
14-07-2012
17-07-2012
19-07-2012
22-07-2012
24-07-2012
26-07-2012
29-07-2012
31-07-2012
03-08-2012
05-08-2012
08-08-2012
10-08-2012
12-08-2012
15-08-2012
17-08-2012
20-08-2012
22-08-2012
24-08-2012
27-08-2012
29-08-2012
01-09-2012
03-09-2012
06-09-2012
08-09-2012
10-09-2012
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
0.2
En (kWh) 2012
En 2012 optimizada GFF (kWh)
optimizados aplicando la red neuronal GFF simulando el control sobre el sistema.

siguientes:
98
Ao 2012 con control (red neuronal GFF): 597.1 kWh

6.5. Entrenamiento de red TLRN

Las redes TLRN (Time-Lag Recurrent Network) son redes neuronales
MLP extendidas con una estructura de memoria que puede considerarse
como un preprocesador de la entrada (Sun & Marko, 1998).
Ilustracin 59. Arquitectura de una red TLRN.
La mayora de los datos del mundo real contienen informacin en su

estructura temporal, es decir, cmo cambian los datos con el tiempo. Sin
embargo, la mayora de las redes neuronales son puramente
clasificadores estticos. Las redes TLRN son una referencia en
prediccin no lineal de series de tiempo, identificacin de sistemas y
clasificacin de patrones temporales.
99
Captulo 6
6.5.1.
Configuracin de la red TLRN

Tipo de red: Time-Lag Recurrent Network

o Input PEs: 5
o Output PEs: 1
o Exemplars: 1698
o Hidden Layers: 2
o Depth in samples: 10
o Trajectory Lenght: 50

o Genetic Algorithm
Step size: 0.01
Momentum: 0.7

o Genetic Algorithm
Step size: 0.01
100
Momentum: 0.7

o Genetic Algorithm
Step size: 0.01
Momentum: 0.7

Ilustracin 60. Red neuronal con arquitectura TLRN.

Datos de entrada:
101
Captulo 6


6.5.2.
Informes del entrenamiento de la red TLRN


0.0152
0.015
0.0148
MSE
0.0146
0.0144
0.0142
0.014
0.0138
0.0136
0.0134
1
Generation
Best Fitness
la red TLRN.
102

0.045
0.04
0.035
MSE
0.03
0.025
0.02
0.015
0.01
0.005
0
1
Generation
Average Fitness
generacin de la red TLRN.

Optimization Summary Best Fitness Average Fitness
Generation #
3
5
Minimum MSE
0.014069565
0.016556231
Final MSE
0.014069565
0.017152624
Tabla 22. Resumen de la optimizacin gentica en la red TLRN.

originales con los que la red neuronal TLRN obtiene tras el ajuste de la
103
Captulo 6
1.4
1.2
Output
0.8
0.6
0.4
0.2
0
1
165
329
493
657
821
985
1149
1313
1477
1641
-0.2
Exemplar
En (kWh)
En (kWh) Output

red neuronal TLRN.
La Tabla 23 muestra los valores de errores de la red TLRN entrenada.

Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.011361795
0.143682263
0.067982428
1.93563E-05
0.647891556
0.927662649

entrenamiento.

aplicacin de la red neuronal TLRN al grupo de datos de validacin
cruzada.
104

1.4
1.2
Output
0.8
0.6
0.4
0.2
0
1
41
81
121
161
201
241
281
321
361
401
-0.2
Exemplar
En (kWh)
En (kWh) Output
Ilustracin 64. Informe grfico de la aplicacin de la red TLRN al grupo de

validacin cruzada.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.014704261
0.150805171
0.084207537
3.14442E-05
0.558915964
0.921719331

validacin cruzada.

105
Captulo 6

2.5
Output
1.5
0.5
0
1
223
445
667
889
1111
1333
1555
1777
1999
2221
-0.5
Exemplar
En (kWh)
En (kWh) Output
Ilustracin 65. Informe grfico de la aplicacin de la red TLRN al grupo de test.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.052383244
0.289990818
0.150695039
1.15781E-05
1.084716946
0.88060782

test.
106

de la salida.
0.045
0.04
0.035
Sensitivity
0.03
0.025
0.02
0.015
0.01
0.005
0
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
Input Name
En (kWh)

para la red TLRN.
Sensitivity
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
En (kWh)
0.034643211
0.000969666
0.018066204
0.041054291
0.043257916
la red TLRN.
107
Captulo 6

0.14
0.12
Output(s)
0.1
0.08
0.06
0.04
0.02
0
-0.02

En (kWh)

exterior para la red TLRN.

0.04
0.035
Output(s)
0.03
0.025
0.02
0.015
0.01
0.005
0

En (kWh)

interior para la red TLRN.
108

0.09
0.08
Output(s)
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0

En (kWh)

exterior para la red TLRN.

0.18
0.16
Output(s)
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0

En (kWh)

interior para la red TLRN.
109
Captulo 6

0.16
0.14
0.12
Output(s)
0.1
0.08
0.06
0.04
0.02
0
-0.02
-0.04

En (kWh)

global para la red TLRN.

en la variable Radiacin global y la mnima en la Temperatura interior.
mnimo estn la Humedad interior y la Humedad exterior.
6.5.3.
Evaluacin del error de la red TLRN

= 0.25 0.011361795 + 0.75 0.014704261 = 0.0138686445
Ecuacin 5. Error ponderado de la red TLRN.
6.5.4.
Aplicacin de la red TLRN al ao sin control
Esta red TLRN entrenada modela el comportamiento del sistema de

110

de ese ao junto con los datos obtenidos por la red neuronal TLRN que
2
1.8
1.6
1.4
En (kW.h)
1.2
1
0.8
0.6
0.4
11-06-2012
13-06-2012
15-06-2012
18-06-2012
20-06-2012
23-06-2012
25-06-2012
27-06-2012
30-06-2012
02-07-2012
05-07-2012
07-07-2012
10-07-2012
12-07-2012
14-07-2012
17-07-2012
19-07-2012
22-07-2012
24-07-2012
26-07-2012
29-07-2012
31-07-2012
03-08-2012
05-08-2012
08-08-2012
10-08-2012
12-08-2012
15-08-2012
17-08-2012
20-08-2012
22-08-2012
24-08-2012
27-08-2012
29-08-2012
01-09-2012
03-09-2012
06-09-2012
08-09-2012
10-09-2012
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
0.2
En (kWh) 2012
En 2012 optimizada TLRN (kWh)
optimizados aplicando la red neuronal TLRN simulando el control sobre el sistema.
111
Captulo 6

siguientes:
Ao 2012 con control (red neuronal TLRN): 533.0 kWh

6.6. Entrenamiento de red MNN

Se crea una red neuronal MNN (Modular Neural Network) que es una
clase especial de red MLP. Este tipo de red procesa las entradas en
paralelo utilizando varias redes MLP para luego combinar sus
resultados. Esto tiende a crear una estructura dentro de la topologa,
que promover la especializacin de la funcin en cada sub-mdulo.
(Auda & Kamel, 1998).
Ilustracin 73. Arquitecturas de redes MNN.
En contraste con las redes MLP, las redes MNN no tienen plena
interconectividad entre sus capas. Por lo tanto, se requiere un nmero
ms reducido de pesos para el mismo tamao de red (es decir, el mismo
112

nmero de elementos de procesado). Esto tiende a acelerar los tiempos
de formacin y reducir el nmero de individuos de entrenamiento
requeridos. Hay muchas maneras de segmentar una red MLP en
mdulos. No est claro cmo disear mejor la topologa modular basada
en los datos. No hay garantas de que cada mdulo est especializando
su formacin en una parte nica los datos.
6.6.1.
Configuracin de la red MNN

Tipo de red: Modular Neural Network

o Input PEs: 5
o Output PEs: 1
o Exemplars: 1698
o Hidden Layers: 2

o Upper PEs: 14
o Genetic Algorithm
o Upper Transfer: TanhAxon
o Lower PEs: 14
o Genetic Algorithm
o Lower Transfer: TanhAxon
Step size: 0.01
Momentum: 0.7
113
Captulo 6
o Upper PEs: 7
o Genetic Algorithm
o Upper Transfer: TanhAxon
o Lower PEs: 7
o Genetic Algorithm
o Lower Transfer: TanhAxon
Step size: 0.01
Momentum: 0.7

o Genetic Algorithm
Step size: 0.01
Momentum: 0.7

114
Ilustracin 74. Red neuronal con topologa MNN.

Datos de entrada:


115
Captulo 6
6.6.2.
Informes del entrenamiento de la red MNN

0.0155
0.015
MSE
0.0145
0.014
0.0135
0.013
0.0125
1
Generation
10
11
12
13
Best Fitness
la red MNN.

116

0.07
0.06
MSE
0.05
0.04
0.03
0.02
0.01
0
1
10
11
Generation
12
13
Average
generacin de la red MNN.

Generation #
Minimum MSE
Final MSE
Best Fitness
13
0.01339395
0.01339395
Average Fitness
7
0.01382647
0.027020684
Tabla 27. Resumen de la optimizacin gentica en la red MNN.

originales con los que la red neuronal MNN obtiene tras el ajuste de la
117
Captulo 6
1.4
1.2
Output
0.8
0.6
0.4
0.2
0
1
170
339
508
677
846
1015
1184
-0.2
Exemplar
1353
1522
1691
En (kWh)
En (kWh) Output

red neuronal MNN.
La Tabla 28 muestra los valores de errores de la red MNN entrenada.

Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.010685482
0.135157488
0.059916235
5.46778E-06
0.596406705
0.929971358

entrenamiento.
118

aplicacin de la red neuronal MNN al grupo de datos de validacin
cruzada.
1.4
1.2
Output
0.8
0.6
0.4
0.2
0
1
41
81
121
161
-0.2
201
241
281
Exemplar
321
361
401
En (kWh)
En (kWh) Output
Ilustracin 78. Informe grfico de la aplicacin de la red MNN al grupo de validacin

cruzada.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.013972701
0.143302375
0.075523032
8.90003E-05
0.456209197
0.92560764

validacin cruzada.
119
Captulo 6

2.5
Output
1.5
0.5
0
1
223
445
667
889
1111
1333
1555
-0.5
Exemplar
1777
1999
2221
En (kWh)
En (kWh) Output
Ilustracin 79. Informe grfico de la aplicacin de la red MNN al grupo de test.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.042066774
0.232879395
0.124310039
3.9177E-06
1.021404669
0.897365164

test.
120

0.045
0.04
0.035
Sensitivity
0.03
0.025
0.02
0.015
0.01
0.005
0
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
Input Name
En (kWh)

para la red MNN.
Sensitivity
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
En (kWh)
0.017062844
0.006274729
2.7894E-17
0.043687506
0.034983125
la red MNN.
121
Captulo 6

0.08
0.07
Output(s)
0.06
0.05
0.04
0.03
0.02
0.01
0
16.197 17.152 18.108 19.064 20.020 20.976 21.932 22.887 23.843 24.799 25.755 26.711
En (kWh)

exterior para la red MNN.

0.035
0.03
Output(s)
0.025
0.02
0.015
0.01
0.005
0
22.433 22.642 22.851 23.060 23.268 23.477 23.686 23.895 24.103 24.312 24.521 24.729
En (kWh)

interior para la red MNN.
122

0.018
0.016
0.014
Output(s)
0.012
0.01
0.008
0.006
0.004
0.002
0
46.246 49.538 52.829 56.121 59.413 62.705 65.997 69.289 72.581 75.873 79.165 82.457
En (kWh)

exterior para la red MNN.

0.18
0.16
0.14
Output(s)
0.12
0.1
0.08
0.06
0.04
0.02
0
26.259 29.579 32.900 36.221 39.541 42.862 46.183 49.503 52.824 56.145 59.465 62.786
En (kWh)

interior para la red MNN.
123
Captulo 6

0.14
0.12
Output(s)
0.1
0.08
0.06
0.04
0.02
0
-53.841
-0.02
3.869
61.578 119.288 176.998 234.707 292.417 350.126 407.836 465.546 523.255 580.965
En (kWh)

global para la red MNN.

en la variable Humedad interior seguida de la Radiacin global y la
mnima en la Humedad exterior y Temperatura interior.
6.6.3.
Evaluacin del error de la red MNN

= 0.25 0.010685482 + 0.75 0.013972701 = 0.01047952575
Ecuacin 6. Error ponderado de la red MNN.
6.6.4.
Aplicacin de la red MNN al ao sin control
La red MNN entrenada modela el comportamiento del sistema de

124

ao.
de ese ao junto con los datos obtenidos por la red neuronal MNN que
2
1.8
1.6
1.4
En (kW.h)
1.2
1
0.8
0.6
0.4
11-06-2012
13-06-2012
15-06-2012
18-06-2012
20-06-2012
23-06-2012
25-06-2012
27-06-2012
30-06-2012
02-07-2012
05-07-2012
07-07-2012
10-07-2012
12-07-2012
14-07-2012
17-07-2012
19-07-2012
22-07-2012
24-07-2012
26-07-2012
29-07-2012
31-07-2012
03-08-2012
05-08-2012
08-08-2012
10-08-2012
12-08-2012
15-08-2012
17-08-2012
20-08-2012
22-08-2012
24-08-2012
27-08-2012
29-08-2012
01-09-2012
03-09-2012
06-09-2012
08-09-2012
10-09-2012
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
0.2
En (kWh) 2012
En 2012 optimizada MNN (kWh)
optimizados aplicando la red neuronal MNN simulando el control sobre el sistema.

siguientes:
125
Captulo 6
Ao 2012 con control (red neuronal MNN): 596.7 kWh

6.7. Entrenamiento de red PCA

Las redes neuronales PCA (Principal Component Analysis) permiten
la transformacin de los datos en un espacio de muchas dimensiones a
otro espacio de menor dimensin (Karhunen & Joutsensalo, 1995), (Dong
& McAvoy, 1996), (Kulkarni, Chaudhary, Nandi, Tambe, & Kulkarni,
2004).
Ilustracin 87. Arquitectura de una red PCA.
Las redes PCA combinan el aprendizaje supervisado y sin supervisin

en la misma topologa. La red PCA es un procedimiento lineal sin
supervisin que encuentra un conjunto de caractersticas sin correlacin,
las componentes principales, a partir de la entrada. Se utiliza una red
MLP para realizar la clasificacin no lineal de estas componentes.
PCA es un mtodo de reduccin de datos, que condensa los datos de
entrada en unos pocos componentes principales. Como con cualquier
mtodo de reduccin de datos, existe la posibilidad de perder informacin
de entrada importante. El nmero de componentes principales
seleccionados ser un compromiso entre la eficiencia del entrenamiento
126

(pocos componentes PCA) y la exactitud de los resultados (un gran
nmero de componentes PCA). No es posible proporcionar una frmula
general para la seleccin de un nmero apropiado de componentes
principales para una aplicacin dada.
Ambas opciones de reglas de aprendizaje son implementaciones
normalizadas de la regla de aprendizaje de Hebb. La regla de
aprendizaje de Hebb debe ser utilizada con cuidado, ya que puede llegar
a ser inestable si las entradas no estn normalizadas adecuadamente.
Las dos opciones ms slidas son las implementaciones de Oja y Sanger
del principio de Hebb. Entre los dos, Sanger se prefiere para PCA, ya
que ordena de forma natural los componentes de la red PCA por
magnitud.
6.7.1.
Configuracin de la red PCA

Tipo de red: Principal Component Analysis

o Input PEs: 5
o Output PEs: 1
o Exemplars: 1698
o Hidden Layers: 1
o Principal Components: 4
o Genetic Algoritm
o Learning Rule: SangersFull

o Genetic Algorithm
127
Captulo 6
Step size: 0.01
Momentum: 0.7

Step size: 0.01
Momentum: 0.7
Control de aprendizaje no supervisado:

o Learning rate Start at: 0.01
o Learning rate Decay to: 0.001

Ilustracin 88. Red neuronal con arquitectura PCA.

Datos de entrada:
128



6.7.2.
Informes del entrenamiento de la red PCA

individuos hasta la generacin 18.
129
Captulo 6

0.018
0.016
0.014
MSE
0.012
0.01
0.008
0.006
0.004
0.002
0
1
11
13
15
17
19
21
23
25
27
Generation
Best Fitness
la red PCA.
En Ilustracin 90 se muestra la media de los 26 individuos de la

130

0.05
0.045
0.04
0.035
MSE
0.03
0.025
0.02
0.015
0.01
0.005
0
1
11
13
15
17
19
21
23
25
27
Generation
Average Fitness
generacin de la red PCA.

Generation #
Minimum MSE
Final MSE
Best Fitness
18
0.013170459
0.013170459
Average Fitness
26
0.013403002
0.01382321
Tabla 32. Resumen de la optimizacin gentica en la red PCA.

originales con los que la red neuronal PCA obtiene tras el ajuste de la
131
Captulo 6
1.4
1.2
Output
0.8
0.6
0.4
0.2
0
1
170
339
508
677
-0.2
846
1015
1184
Exemplar
1353
1522
1691
En (kWh)
En (kWh) Output

red neuronal PCA.
La Tabla 33 muestra los valores de errores de la red PCA entrenada.

Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.010619569
0.134323766
0.06245833
1.08919E-06
0.627737747
0.930420793

entrenamiento.
132

aplicacin de la red neuronal PCA al grupo de datos de validacin
cruzada.
1.4
1.2
Output
0.8
0.6
0.4
0.2
0
1
41
81
121
161
-0.2
201
241
281
Exemplar
321
361
401
En (kWh)
En (kWh) Output
Ilustracin 92. Informe grfico de la aplicacin de la red PCA al grupo de validacin

cruzada.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.013739553
0.140911242
0.077319044
1.76096E-05
0.467857777
0.926886739

validacin cruzada.
133
Captulo 6

2.5
Output
1.5
0.5
0
1
223
445
667
889
1111
1333
1555
1777
1999
2221
-0.5
Exemplar
En (kWh)
En (kWh) Output
Ilustracin 93. Informe grfico de la aplicacin de la red PCA al grupo de test.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.041165027
0.227887371
0.125671727
4.60973E-06
1.01156816
0.902411645

test.
134

0.04
0.035
Sensitivity
0.03
0.025
0.02
0.015
0.01
0.005
0
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
Input Name
En (kWh)

para la red PCA.
Sensitivity
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
En (kWh)
0.016505975
0.005227746
0.020659382
0.038748913
0.038087609
la red PCA.
135
Captulo 6

0.07
0.06
Output(s)
0.05
0.04
0.03
0.02
0.01
0
16.197 17.152 18.108 19.064 20.020 20.976 21.932 22.887 23.843 24.799 25.755 26.711

En (kWh)

exterior para la red PCA.

0.035
0.03
Output(s)
0.025
0.02
0.015
0.01
0.005
0
22.433 22.642 22.851 23.060 23.268 23.477 23.686 23.895 24.103 24.312 24.521 24.729

En (kWh)

interior para la red PCA.
136

0.08
0.07
Output(s)
0.06
0.05
0.04
0.03
0.02
0.01
0
46.246 49.538 52.829 56.121 59.413 62.705 65.997 69.289 72.581 75.873 79.165 82.457

En (kWh)

exterior para la red PCA.

0.16
0.14
0.12
Output(s)
0.1
0.08
0.06
0.04
0.02
0
26.259 29.579 32.900 36.221 39.541 42.862 46.183 49.503 52.824 56.145 59.465 62.786
-0.02
En (kWh)

interior para la red PCA.
137
Captulo 6

0.14
0.12
Output(s)
0.1
0.08
0.06
0.04
0.02
0
-53.841
-0.02
3.869
61.578 119.288 176.998 234.707 292.417 350.126 407.836 465.546 523.255 580.965

En (kWh)

global para la red PCA.

mnima en la Temperatura interior y la Humedad exterior.
6.7.3.
Evaluacin del error de la red PCA

= 0.25 0.010619569 + 0.75 0.013739553 = 0.012959557
Ecuacin 7. Error ponderado de la red PCA.
6.7.4.
Aplicacin de la red PCA al ao sin control
La red PCA entrenada modela el comportamiento del sistema de

138

ao.
representado en la Ilustracin 100 donde se muestran los datos
originales de ese ao junto con los datos obtenidos por la red neuronal
PCA que reflejan el comportamiento del sistema si hubiese existido el
control.
2
1.8
1.6
1.4
En (kW.h)
1.2
1
0.8
0.6
0.4
11-06-2012
13-06-2012
15-06-2012
18-06-2012
20-06-2012
23-06-2012
25-06-2012
27-06-2012
30-06-2012
02-07-2012
05-07-2012
07-07-2012
10-07-2012
12-07-2012
14-07-2012
17-07-2012
19-07-2012
22-07-2012
24-07-2012
26-07-2012
29-07-2012
31-07-2012
03-08-2012
05-08-2012
08-08-2012
10-08-2012
12-08-2012
15-08-2012
17-08-2012
20-08-2012
22-08-2012
24-08-2012
27-08-2012
29-08-2012
01-09-2012
03-09-2012
06-09-2012
08-09-2012
10-09-2012
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
0.2
En (kWh) 2012
En 2012 optimizada PCA (kWh)
optimizados aplicando la red neuronal PCA simulando el control sobre el sistema.

siguientes:
139
Captulo 6
Ao 2012 con control (red neuronal PCA): 592.0 kWh

6.8. Entrenamiento de red RN

Las redes RN (Recurrent Network) o redes recurrentes son ms
potentes que las redes feedforward pero ms complicadas de entrenar
puesto que son ms propensas a la divergencia. Su principal
caracterstica es la realimentacin de la capa oculta sobre s misma (Ichi
Funahashi & Nakamura, 1993).
Ilustracin 101. Arquitectura de una red RN.
Parcialmente, las redes RN comienzan con una red totalmente

recurrente y aaden una conexin de alimentacin directa que no pasa
por la recurrencia, tratando la parte recurrente como una memoria de
estado. Estas redes recurrentes pueden tener una profundidad de
memoria infinita y encontrar as las relaciones a travs del tiempo, as
como a travs del espacio de entrada instantneo. La mayora de los
datos del mundo real contienen informacin en su estructura temporal.
Las redes recurrentes son una referencia en prediccin no lineal de
140

series de tiempo, identificacin de sistemas y clasificacin de patrones
temporales.
6.8.1.
Configuracin de la red RN

Tipo de red: Recurrent Network

o Input PEs: 5
o Output PEs: 1
o Exemplars: 1698
o Hidden Layers: 2
o Input Layer: Axon
o Recurrency: Partially Recurrent

o Genetic Algorithm
Step size: 0.01
Momentum: 0.7

o Genetic Algorithm
141
Captulo 6
Step size: 0.01
Momentum: 0.7

o Genetic Algorithm
Step size: 0.01
Momentum: 0.7

Ilustracin 102. Red neuronal con topologa RN.
142

Datos de entrada:


6.8.2.
Informes del entrenamiento de la red RN

143
Captulo 6

0.025
0.02
MSE
0.015
0.01
0.005
0
1
10
13
16
19
22
25
28
31
34
37
40
Generation
Best Fitness
Ilustracin 103. Evolucin del error cuadrtico medio (MSE) en el mejor individuo
de la red RN.

144

0.09
0.08
0.07
MSE
0.06
0.05
0.04
0.03
0.02
0.01
0
1
10
13
16
19
22
25
28
31
34
37
40
Generation
Average Fitness
generacin de la red RN.

Generation #
Minimum MSE
Final MSE
Best Fitness
8
0.014081253
0.014081253
Average Fitness
34
0.014164879
0.014907414
Tabla 37. Resumen de la optimizacin gentica en la red RN.

originales con los que la red neuronal RN obtiene tras el ajuste de la
145
Captulo 6
1.4
1.2
Output
0.8
0.6
0.4
0.2
0
1
165
329
493
657
-0.2
821
985
1149
Exemplar
1313
1477
1641
En (kWh)
En (kWh) Output

red neuronal RN.
La Tabla 38 muestra los valores de errores de la red RN entrenada.

Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.011100491
0.140377796
0.063689355
4.88393E-06
0.525900781
0.927177406

entrenamiento.
146

aplicacin de la red neuronal RN al grupo de datos de validacin
cruzada.
1.4
1.2
Output
0.8
0.6
0.4
0.2
0
1
41
81
121
161
-0.2
201
241
281
Exemplar
321
361
401
En (kWh)
En (kWh) Output
Ilustracin 106. Informe grfico de la aplicacin de la red RN al grupo de validacin

cruzada.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.014722461
0.150991832
0.078769611
1.10814E-05
0.524122828
0.921770385

validacin cruzada.
147
Captulo 6

2.5
Output
1.5
0.5
0
1
223
445
667
889
-0.5
1111
1333
1555
Exemplar
1777
1999
2221
En (kWh)
En (kWh) Output
Ilustracin 107. Informe grfico de la aplicacin de la red RN al grupo de test.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.050622755
0.280244846
0.143633635
5.09076E-05
0.999112404
0.851576686
Tabla 40. Informe de errores de ajuste de la aplicacin de la red RN al grupo de test.
148

de la salida.
0.04
0.035
Sensitivity
0.03
0.025
0.02
0.015
0.01
0.005
0
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
Input Name
En (kWh)

para la red RN.
Sensitivity
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
En (kWh)
0.027236961
0.008996452
0.001025524
0.036032649
0.026309675
la red RN.
149
Captulo 6

0.12
0.1
Output(s)
0.08
0.06
0.04
0.02
0
16.171 17.125 18.078 19.032 19.986 20.940 21.894 22.847 23.801 24.755 25.709 26.663

En (kWh)

exterior para la red RN.

0.06
0.05
Output(s)
0.04
0.03
0.02
0.01
0
22.429 22.638 22.847 23.057 23.266 23.476 23.685 23.895 24.104 24.314 24.523 24.732

En (kWh)

interior para la red RN.
150

0.038
0.037
0.036
Output(s)
0.035
0.034
0.033
0.032
0.031
0.03
0.029
46.400 49.690 52.980 56.269 59.559 62.849 66.138 69.428 72.718 76.008 79.297 82.587

En (kWh)

exterior para la red RN.

0.16
0.14
Output(s)
0.12
0.1
0.08
0.06
0.04
0.02
0
26.470 29.788 33.106 36.424 39.742 43.060 46.378 49.696 53.014 56.331 59.649 62.967

En (kWh)

interior para la red RN.
151
Captulo 6

0.12
Output(s)
0.1
0.08
0.06
0.04
0.02
0
-54.432
3.471
61.373 119.275 177.177 235.080 292.982 350.884 408.786 466.689 524.591 582.493

En (kWh)

global para la red RN.

en la variable Humedad interior, seguido de la Temperatura exterior y
la Radiacin global y la mnima en la Humedad exterior y Temperatura
interior.
6.8.3.
Evaluacin del error de la red RN

RN = 0.25 0.011100491 + 0.75 0.014722461 = 0.0138169685
Ecuacin 8. Error ponderado de la red RN.
6.8.4.
Aplicacin de la red RN al ao sin control
Esta red RN entrenada modela el comportamiento del sistema de

152

RN que reflejan el comportamiento del sistema si hubiese existido el
control.
2
1.8
1.6
1.4
En (kW.h)
1.2
1
0.8
0.6
0.4
11-06-2012
13-06-2012
15-06-2012
18-06-2012
20-06-2012
23-06-2012
25-06-2012
27-06-2012
30-06-2012
02-07-2012
05-07-2012
07-07-2012
10-07-2012
12-07-2012
14-07-2012
17-07-2012
19-07-2012
22-07-2012
24-07-2012
26-07-2012
29-07-2012
31-07-2012
03-08-2012
05-08-2012
08-08-2012
10-08-2012
12-08-2012
15-08-2012
17-08-2012
20-08-2012
22-08-2012
24-08-2012
27-08-2012
29-08-2012
01-09-2012
03-09-2012
06-09-2012
08-09-2012
10-09-2012
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
0.2
En (kWh) 2012
En 2012 optimizada RN (kWh)
optimizados aplicando la red neuronal RN simulando el control sobre el sistema.
153
Captulo 6

siguientes:
Ao 2012 con control (red neuronal RN): 669.7 kWh

6.9. Entrenamiento de red SOFMN

Las redes neuronales SOFMN (Self-Organizing Feature Map
Network) son redes que generan un mapa utilizando una funcin de
vecindad que conserva las propiedades de las entradas (Kohonen, 1990).
Ilustracin 115. Arquitectura de una red SOFMN.
Las redes SOFMN transforman la entrada de dimensin arbitraria en

un mapa discreto de una o dos dimensiones sujeto a una topologa
restringida (preservando el vecindario). Los mapas de caractersticas se
calculan utilizando el aprendizaje no supervisado de Kohonen. La salida
de la red SOFMN se puede utilizar como entrada a una red neuronal de
clasificacin supervisada como la red MLP.
154

La principal ventaja de esta red es la agrupacin producida, lo que
reduce el espacio de entrada en funciones de representacin que utilizan
un proceso de auto-organizacin. Por lo tanto la estructura subyacente
del espacio de entrada se mantiene, mientras que la dimensionalidad del
espacio se reduce.
6.9.1.
Configuracin de la red SOFMN

Tipo de red: Self-Organizing Feature Map Network

o Input PEs: 5
o Output PEs: 1
o Exemplars: 1650
o Hidden Layers: 2
o Rows: 5
o Columns: 5
o Starting Radius: 2
o Final Radius: 0
o Neightborhood Shape: SquareKohonenFull

o Genetic Algorithm
Step size: 0.01
155
Captulo 6
Momentum: 0.7

o Genetic Algorithm
Step size: 0.01
Momentum: 0.7

Step size: 0.01
Momentum: 0.7
Control de aprendizaje no supervisado:

o Termination: Weight Change, Threshold: 0.001
o Learning rate Start at: 0.01
o Learning rate Decay to: 0.001

156
Ilustracin 116. Red neuronal con arquitectura SOFMN.

Datos de entrada:


6.9.2.
Informes del entrenamiento de la red SOFMN

individuos hasta la generacin 14.
157
Captulo 6

0.0141
0.014
0.0139
MSE
0.0138
0.0137
0.0136
0.0135
0.0134
0.0133
0.0132
1
10
Generation
11
12
13
14
15
16
17
18
Best Fitness
Ilustracin 117. Evolucin del error cuadrtico medio (MSE) en el mejor individuo
de la red SOFMN.

158

0.07
0.06
MSE
0.05
0.04
0.03
0.02
0.01
0
1
10
11
12
13
14
Generation
15
16
17
18
Average Fitness
generacin de la red SOFMN.

Generation #
Minimum MSE
Final MSE
Best Fitness
14
0.013491103
0.013491103
Average Fitness
18
0.013580996
0.013580996
Tabla 42. Resumen de la optimizacin gentica en la red SOFMN.

originales con los que la red neuronal SOFMN obtiene tras el ajuste de
la misma con los datos de entrenamiento.
159
Captulo 6
1.4
1.2
Output
0.8
0.6
0.4
0.2
0
1
165
329
493
657
-0.2
821
985
1149
Exemplar
1313
1477
1641
En (kWh)
En (kWh) Output

red neuronal SOFMN.
La Tabla 43 muestra los valores de errores de la red SOFMN

entrenada.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.011086811
0.140204795
0.060249739
4.10906E-06
0.621208211
0.927251502

entrenamiento.
160

aplicacin de la red neuronal SOFMN al grupo de datos de validacin
cruzada.
1.4
1.2
1
Output
0.8
0.6
0.4
0.2
0
1
41
81
121
161
-0.2
201
241
281
Exemplar
321
361
401
En (kWh)
En (kWh) Output
Ilustracin 120. Informe grfico de la aplicacin de la red SOFMN al grupo de

validacin cruzada.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.014074052
0.144341825
0.075037291
1.36006E-06
0.4816954
0.92505303

validacin cruzada.
161
Captulo 6

2.5
Output
1.5
0.5
0
1
223
445
667
889
-0.5
1111
1333
1555
Exemplar
1777
1999
2221
En (kWh)
En (kWh) Output
Ilustracin 121. Informe grfico de la aplicacin de la red SOFMN al grupo de test.
Performance
MSE
NMSE
MAE
Min Abs Error
Max Abs Error
r
En (kWh)
0.044491361
0.24630178
0.126885999
3.67115E-06
1.034046988
0.891072821

test.
162

0.07
0.06
Sensitivity
0.05
0.04
0.03
0.02
0.01
0
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
Input Name
En (kWh)

para la red SOFMN.
Sensitivity
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
En (kWh)
0.026604091
1.04603E-17
1.04603E-17
0.062747142
0.035771657
la red SOFMN.
163
Captulo 6

0.1
0.09
0.08
Output(s)
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
16.171 17.125 18.078 19.032 19.986 20.940 21.894 22.847 23.801 24.755 25.709 26.663
En (kWh)

exterior para la red SOFMN.

0.014
0.012
Output(s)
0.01
0.008
0.006
0.004
0.002
0
22.429 22.638 22.847 23.057 23.266 23.476 23.685 23.895 24.104 24.314 24.523 24.732
En (kWh)

interior para la red SOFMN.
164

0.014
0.012
Output(s)
0.01
0.008
0.006
0.004
0.002
0
46.400 49.690 52.980 56.269 59.559 62.849 66.138 69.428 72.718 76.008 79.297 82.587
En (kWh)

exterior para la red SOFMN.

0.25
0.2
Output(s)
0.15
0.1
0.05
0
26.470 29.788 33.106 36.424 39.742 43.060 46.378 49.696 53.014 56.331 59.649 62.967
-0.05
En (kWh)

interior para la red SOFMN.
165
Captulo 6

0.12
0.1
Output(s)
0.08
0.06
0.04
0.02
0
-54.432
3.471
61.373 119.275 177.177 235.080 292.982 350.884 408.786 466.689 524.591 582.493
En (kWh)

global para la red SOFMN.

mnima en la Temperatura interior y la Humedad exterior.
6.9.3.
Evaluacin del error de la red SOFMN

SOFMN = 0.25 0.011086811 + 0.75 0.014074052 = 0.01332724175
Ecuacin 9. Error ponderado de la red SOFMN.
6.9.4.
Aplicacin de la red SOFMN al ao sin control
La red SOFMN entrenada modela el comportamiento del sistema de

166

ao.
SOFMN que reflejan el comportamiento del sistema si hubiese existido
el control.
2
1.8
1.6
1.4
En (kWh)
1.2
1
0.8
0.6
0.4
11-06-2012
13-06-2012
15-06-2012
18-06-2012
20-06-2012
23-06-2012
25-06-2012
27-06-2012
30-06-2012
02-07-2012
05-07-2012
07-07-2012
10-07-2012
12-07-2012
14-07-2012
17-07-2012
19-07-2012
22-07-2012
24-07-2012
26-07-2012
29-07-2012
31-07-2012
03-08-2012
05-08-2012
08-08-2012
10-08-2012
12-08-2012
15-08-2012
17-08-2012
20-08-2012
22-08-2012
24-08-2012
27-08-2012
29-08-2012
01-09-2012
03-09-2012
06-09-2012
08-09-2012
10-09-2012
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
06:00:00
16:00:00
02:00:00
12:00:00
22:00:00
08:00:00
18:00:00
04:00:00
14:00:00
00:00:00
10:00:00
20:00:00
0.2
En (kWh) 2012
En 2012 optimizada SOFMN (kWh)
optimizados aplicando la red neuronal SOFMN simulando el control sobre el
sistema.

siguientes:
167
Captulo 6
Ao 2012 con control (red neuronal SOFMN): 587.7 kWh

168
7. Comparativa de resultados
7.1. Comparativa entre redes neuronales
7.1.1.
Error ponderado
Como se coment anteriormente, para determinar la red neuronal

ms ajustada al modelo del sistema de control se utiliza la frmula
expresada en la Ecuacin 1. Los valores obtenidos por las distintas redes
neuronales creadas y entrenadas para esta Tesis Doctoral estn
resumidos en la Tabla 47.
Tipo de red neuronal
MLP
RBF
GFF
TLRN
MNN
PCA
RN
SOFMN
Error ponderado
0.01438681775
0.013807653
0.01318772775
0.0138686445
0.01047952575
0.01346642975
0.0138169685
0.01332724175
Tabla 47. Errores ponderados para cada tipo de red neuronal.
Segn el criterio establecido en la Ecuacin 1 para valorar la red

neuronal que mejor se ajuste al sistema objeto de estudio se ha obtenido
que la red neuronal con topologa MNN (Modular Neural Network) es la
que ms se aproxima al comportamiento del sistema.
7.1.2.
Sensibilidad de las variables
Teniendo en cuenta el estudio de sensibilidad de la salida frente a las

variables de entrada en la Tabla 48 y en la Ilustracin 129 se recopilan
los resultados para las diferentes redes neuronales entrenadas.
169
Captulo 7
Tipo de
red
MLP
RBF
GFF
TLRN
MNN
PCA
RN
SOFMN
Text (C)
Tint (C)
Hext (%)
Hint (%)
Rg (W/m2)
0.022960454
0.017225455
0.017330325
0.034643211
0.017062844
0.016505975
0.027236961
0.026604091
0.007837492
1.05367E-09
0.007656328
0.000969666
0.006274729
0.005227746
0.008996452
1.04603E-17
0.001020798
1.05367E-09
0
0.018066204
2.7894E-17
0.020659382
0.001025524
1.04603E-17
0.063703725
0.03877959
0.062638048
0.041054291
0.043687506
0.038748913
0.036032649
0.062747142
0.025176415
0.030234022
0.035140869
0.043257916
0.034983125
0.038087609
0.026309675
0.035771657
Tabla 48. Comparativa de la sensibilidad de la salida en funcin de las variables de

entrada para cada red neuronal entrenada.
0.07
0.06
0.05
0.04
SOFMN
RN
PCA
MNN
TLRN
GFF
RBF
MLP
0.03
0.02
0.01
0
Rg
Hint (%) Hext (%) Tint (C) Text (C)
(W/m2)
Ilustracin 129. Comparativa de la sensibilidad de la salida en funcin de las

variables de entrada para cada red neuronal entrenada.
En la Tabla 48 se han resaltado los valores de mxima sensibilidad

para cada red. En todas las redes, excepto en la de topologa TLRN, la
mxima sensibilidad de la salida es frente a la variable de entrada
Humedad interior; y en la citada topologa ocupa el segundo valor, siendo
170
Comparativa de resultados
este muy cercano al mximo. La siguiente en importancia es la
Radiacin global excepto en la red RN que es la Temperatura exterior.
Aunque el esfuerzo energtico del sistema de climatizacin sea debido
a la transferencia de calor desde el exterior debida a la temperatura
exterior y a la radiacin a la que est expuesta la fachada, un valor
interno, como es la humedad interior, es la que aparece en la mayora de
los anlisis de sensibilidad como la variable que ms influencia tienen
sobre la energa consumida. Esto es debido a que la actuacin del aire
acondicionado sobre la estancia provoca una modificacin en las
condiciones de humedad que son altamente dependientes del esfuerzo
del sistema de climatizacin por mantener la temperatura interna. As
pues, el ambiente pierde humedad a consecuencia de la condensacin en
las bateras de intercambio de calor de los fancoils; stos disponen de
desages oportunos. Esta prdida de humedad ambiental est
estrechamente ligada al tiempo de funcionamiento del aire
acondicionado.
7.1.3.
Ahorro energtico
Los ahorros energticos, expresados en porcentaje, que se obtendran

aplicando las distintas arquitecturas de redes neuronales se representan
en la Tabla 49. Aunque en este caso el mayor ahorro energtico se
obtiene con la red neuronal de topologa TLRN (27.8%), la red con
topologa MNN seleccionada como la ms prxima al modelo del sistema
tiene un ahorro energtico equivalente (19.2%).
Enlazando con la comparativa de sensibilidades, el modelo basado en
la red TLRN era el ms sensible a la radiacin solar (incluso ms que a
la Humedad interna) y a la Temperatura externa. Se estima que este
modelo, en comparacin con el resto, no considera las inercias internas
de la planta en la medida adecuada.
Algo parecido ocurre con la red RN. En este caso su factor ms
sensible es la Humedad interna, pero es una de las menos sensibles a la
misma. El segundo parmetro ms sensible es la Temperatura externa,
seguido de cerca de la Radiacin global.
171
Captulo 7
Tipo de red neuronal Ahorro energtico

MLP
22.9%
RBF
20.4%
GFF
19.1%
TLRN
27.8%
MNN
19.2%
PCA
19.8%
RN
9.3%
SOFMN
20.4%
Media
Mediana
19.6%
20.0%
Tabla 49. Resumen del ahorro energtico en porcentaje tras la aplicacin de las
redes neuronales al ao sin control 2012.
Por tanto, haciendo una comparativa conjunta de error y sensibilidad,

se puede estimar que el comportamiento de los modelos est
condicionado por el grado de equilibrio entre la sensibilidad asociada a
los factores internos (destacando la Humedad interna) y los externos
(destacando la Radiacin solar, que es precisamente sobre la que incide
el control).
172
8. Conclusiones
Gracias al avance imparable de la domtica en las viviendas y,
aprovechando un recurso de la misma como son las persianas
motorizadas, con la aplicacin de un algoritmo de control sobre las
mismas y un mnimo de sensores adicionales se puede conseguir un gran
ahorro energtico durante los meses de verano, en los que la radiacin
solar provoca un sobrecalentamiento en las estancias si no se regula
oportunamente.
Dicho ahorro energtico ha podido ser cuantificado gracias a la
implementacin del algoritmo de control de persianas en una instalacin
domtica, de control abierto, diseada como planta piloto. Dicha planta
ha permitido implementar un algoritmo no estndar en los equipos
comerciales.
En una instalacin tpica domtica, donde es comn que las persianas
estn motorizadas y haya sensores de temperatura, puede incluirse un
algoritmo de control que mediante la adicin de un sensor de radiacin
luminosa externo diga al sistema de control los valores actuales de la
incidencia de la radiacin solar sobre la vivienda. El algoritmo, que
puede ejecutarse en un dispositivo adicional a la instalacin domtica, o
en la nube si la instalacin dispone de conexin a internet y puede subir
los datos registrados (temperaturas interior y exterior y radiacin solar),
puede determinar la actuacin sobre las persianas motorizadas para
regular la incidencia del sol en las estancias, reduciendo el aporte de
calor que, posteriormente, debe compensar el equipo de aire
acondicionado.
El coste de esta mejora en el sistema es mnimo, si la instalacin ya
cuenta con las persianas motorizadas, y si el algoritmo puede
programarse en algn dispositivo interno de la instalacin domtica o en
la nube.
Dado que la conexin de los sistemas domticos a Internet es un
estndar, debera normalizarse la forma de implementar cdigo
173
Captulo 8
domtico en la nube, para as poder implementar algoritmos como el

propuesto en los sistemas comerciales. La adaptacin de los equipos que
cuentan con conexin a la red, en muchos casos podra reducirse a una
actualizacin del firmware.
El algoritmo es ms eficiente cuando se opera sectorizando por
estancias, ya que entre los distintos espacios de una edificacin pueden
existir diferencias en los parmetros ambientales ms significativos.
El ahorro energtico es notable y esto se ha comprobado
empricamente tras la recopilacin y anlisis de los datos de 2 aos
consecutivos de caractersticas similares.
La cuantificacin del ahorro energtico puede variar ostensiblemente
de un ao a otro, dependiendo de la evolucin de las caractersticas
climatolgicas a lo largo del periodo de estudio.
El algoritmo de control es aplicable a otras instalaciones domticas
siempre y cuando cuente con sensores de temperatura, humedad e
iluminacin adems de conexin a Internet y movimiento de persianas
integrados en la instalacin domtica.
El ahorro energtico tiene una traduccin directa en un ahorro
econmico, si bien la cuantificacin de este ltimo depender del
contrato de energa elctrica.
Adems, se han modelado los consumos energticos asociados a la
instalacin controlada mediante diferentes arquitecturas de redes
neuronales. Posteriormente se han comparado los resultados obtenidos,
teniendo en cuenta factores tales como los errores en la prediccin y la
sensibilidad presentada frente a las variables de entrada.
El modelado del sistema de control objeto de estudio y la aplicacin
de los modelos a los datos del ao sin control, corroboran que se puede
obtener un ahorro energtico sustancial si se aplica el control sobre la
instalacin domtica.
En cuanto a la comparacin entre los distintos modelos del sistema,
atenindonos al criterio establecido de minimizar el error ponderado del
ajuste de las redes, se ha obtenido que la red neuronal con topologa
MNN es la que ms se acerca al modelo real del sistema.
174
Conclusiones
En cuanto a la sensibilidad de los modelos, los que muestran mejor
comportamiento son los ms sensibles a la Humedad interna y a la
Radiacin solar.
Aplicando los modelos, basados en redes neuronales, sobre los datos
medidos en la instalacin domtica, ms los obtenidos por la
modelizacin de las redes neuronales, se puede establecer que la
implantacin de un algoritmo de control domtico sobre las persianas
motorizadas puede conseguir un ahorro energtico significativo sobre el
consumo del equipo de aire acondicionado en los meses de verano
(alrededor de un 20%, para el ao estudiado, de acuerdo a la media y la
mediana de los valores calculados para los diferentes modelos).
El ahorro energtico en los sistemas de refrigeracin, tales como el
aire acondicionado, tiene una vinculacin directa con la reduccin de los
picos de consumo en los centros de transformacin. Y por tanto, implica
un incremento en la potencia disponible en las instalaciones de
distribucin de energa elctrica. Este hecho es especialmente
significativo en las reas vacacionales.
175
9. Desarrollos futuros
El objetivo de esta Tesis Doctoral persigue la mejora de la eficiencia
energtica en instalaciones domticas tanto de nueva implantacin como
ya constituidas. El desarrollo domtico creado para esta Tesis Doctoral
ha permitido demostrar una va para incrementar el ahorro pero an
quedan otras vas por las que continuar aprovechando las instalaciones
domticas, permitiendo incrementar an ms el ahorro energtico.
La disponibilidad de datos online sobre predicciones meteorolgicas
presenta una oportunidad para aprovecharlos sobre el control de la
climatizacin, realizando un algoritmo de control que acte en
consecuencia segn las predicciones, adelantando acciones para realizar
pre enfriamientos que permitan optimizar el rendimiento del equipo de
aire acondicionado, as como garantizar el seguimiento de la consigna
trmica fijada por el usuario.
Dentro de las posibles mejoras, tambin puede ser de inters estudiar
la gestin de los espacios no utilizados como acumuladores de energa
trmica, y considerar un control de temperatura de dichos espacios en
base a la mejora de la eficiencia del conjunto.
La mejora energtica tambin podra mejorarse gestionando la
ventilacin e introduccin de aire fro desde el exterior; utilizando dicha
refrigeracin como un sistema complementario al del propio aire
acondicionado.
De otro lado, la implementacin del control desde la nube permitira
aplicar los modelos de las instalaciones existentes a otras futuras (con
caractersticas constructivas y climatolgicas similares), sin necesidad a
generar una base de datos meteorolgico-energtica para la puesta en
marcha.
Otra va de ampliacin de esta Tesis Doctoral se centra en la
introduccin, dentro de los modelos, de variables asociadas a espacios
177
Captulo 9
frontera (tales como espacios y/o edificaciones que comparten una

frontera).
Siguiendo con la generacin y mejora de los modelos, debera
considerarse el desarrollo de modelos en base a otras tcnicas de
inteligencia artificial.
No menos interesante puede ser reducir la escala temporal de los
modelos y generar predicciones del orden de los minutos. El mayor
problema es que, en primer lugar, se debera generar la base de datos
que permitiese validar los trabajos y las mejoras con respecto a los
actuales.
Otra lnea de investigacin es la generacin de control y modelado de
planta en los periodos de fro. Para ello, sera aconsejable contar con
una planta de ensayos que permita conjugar la utilizacin de varios
sistemas de calefaccin, de modo que incluso se seleccione el uso de
aqullos que se muestren ms eficientes en cada momento (en funcin
de saltos trmicos, etc.).
Por otro lado, la aparicin del mercado libre de la energa elctrica y
los contadores digitales en las viviendas lleva a los usuarios a un
panorama en el que la energa tendr un coste derivado del momento en
el que se consuma donde, adems, las franjas horarias pico y valle no
sern fijas. Los algoritmos de previsin del coste de la misma segn la
franja horaria y la actuacin de los sistemas de climatizacin,
incorporando a su vez las previsiones meteorolgicas, permitiran un
incremento mayor del ahorro, en este caso, econmico, que no siempre
energtico.
178
10. Referencias bibliogrficas

Al-Ali, A., El-Hag, A., Bahadiri, M., Harbaji, M., & Haj, Y. A. (2011).
Smart Home Renewable Energy Management System . Energy
Procedia , 12(0), 120-126. Obtenido de
http://www.sciencedirect.com/science/article/pii/S1876610211018
431
Athienitis, A., & Tzempelikos, A. (2002). A methodology for simulation
of daylight room illuminance distribution and light dimming for
a room with a controlled shading device . Solar Energy , 72(4),
271-281. Obtenido de
http://www.sciencedirect.com/science/article/pii/S0038092X02000
166
Auda, G., & Kamel, M. (1998). Modular Neural Network Classifiers: A
Comparative Study. Journal of Intelligent and Robotic Systems,
21(2), 117-129. Obtenido de
http://dx.doi.org/10.1023/A%3A1007925203918
B4A. Anywhere Software. (s.f.). Obtenido de http://www.basic4ppc.com
Blan, R., Cooper, J., Chao, K.-M., Stan, S., & Donca, R. (2011).
Parameter identification and model based predictive control of
temperature inside a house. Energy and Buildings, 43(23),
750
Baldinelli, G. (2009). Double skin faades for warm climate regions:
Analysis of a solution with an integrated movable shading
system. Building and Environment, 44(6), 1107-1118. Obtenido
de
935
Batista, N., Melcio, R., Matias, J., & Catalo, J. (2013). Photovoltaic
and wind energy systems monitoring and building/home energy
179
Captulo 10
management using ZigBee devices within a smart grid. Energy,

49(0), 306-315. Obtenido de
390
Bessoudo, M., Tzempelikos, A., Athienitis, A., & Zmeureanu, R. (2010).
Indoor thermal environmental conditions near glazed facades
with shading devices Part I: Experiments and building
thermal model . Building and Environment , 45(11), 2506-2516.
Obtenido de
514
BOE. (11 de marzo de 2011). Obtenido de Boletn Oficial del Estado:
http://www.boe.es/diario_boe/txt.php?id=BOE-A-2011-5834
Bouzerdoum, A., & Mueller, R. (2003). A Generalized Feedforward
Neural Network Architecture and Its Training Using Two
Stochastic Search Methods. En E. Cant-Paz, J. Foster, K. Deb,
L. Davis, R. Roy, U.-M. OReilly, . . . J. Miller (Edits.),
Genetic and Evolutionary Computation GECCO 2003 (Vol.
2723, pgs. 742-753). Springer Berlin Heidelberg. Obtenido de
http://dx.doi.org/10.1007/3-540-45105-6_89
Breitenbach, J., Lart, S., Lngle, I., & Rosenfeld, J. (2001). Optical and
thermal performance of glazing with integral venetian blinds.
Energy and Buildings, 33(5), 433-442. Obtenido de
02X
Buoro, D., Casisi, M., Pinamonti, P., & Reini, M. (2012). Optimal
synthesis and operation of advanced energy supply systems for
standard and domotic home . Energy Conversion and
Management , 60(0), 96-105. Obtenido de
623
C. Filippn, S. F. (2010). Winter energy behaviour in multi-family block
buildings in atemperate-cold climate in Argentina.
CEDOM. Asociacin espaola de domtica e inmtica. (s.f.). Obtenido
de http://www.cedom.es
180
Referencias bibliogrficas
Chan, M., Campo, E., Estve, D., & Fourniols, J.-Y. (2009). Smart
homes -- Current features and future perspectives. Maturitas,
64(2), 90-97. Obtenido de
606
Chen, Y., Li, H., & Chen, X. (Dec de 2009). Venetian Blind Control
System Based on Fuzzy Neural Network for Indoor Daylighting.
Computer and Electrical Engineering, 2009. ICCEE '09. Second
International Conference on, 2, pgs. 269-273.
Cook, D. J., & Das, S. K. (#mar# de 2007). How Smart Are Our
Environments? An Updated Look at the State of the Art.
Pervasive Mob. Comput., 3(2), 53-73. Obtenido de
http://dx.doi.org/10.1016/j.pmcj.2006.12.001
Cook, D. J., Augusto, J. C., & Jakkula, V. R. (2009). Ambient
intelligence: Technologies, applications, and opportunities .
Pervasive and Mobile Computing , 5(4), 277-298. Obtenido de
25X
Cortes, F., Rubio, E., & Valdovinos, A. (Nov de 2002). Embedded
powerline DSP modem for domotic SNMP networking in
European countries. Consumer Electronics, IEEE Transactions
on, 48(4), 854-862.
CTE. Cdigo Tcnico de la Edificacin. (s.f.). Obtenido de
http://www.codigotecnico.org
David, M., Donn, M., Garde, F., & Lenoir, A. (2011). Assessment of the
thermal and visual efficiency of solar shades . Building and
Environment , 46(7), 1489-1496. Obtenido de
321
De Silva, L. C., Morikawa, C., & Petra, I. M. (#oct# de 2012). State of
the Art of Smart Homes. Eng. Appl. Artif. Intell., 25(7), 13131321. Obtenido de
http://dx.doi.org/10.1016/j.engappai.2012.05.002
Digi International Inc. (s.f.). Obtenido de http://www.digi.com/
181
Captulo 10
Ding, D., Cooper, R. A., Pasquina, P. F., & Fici-Pasquina, L. (2011).

Sensor technology for smart homes. Maturitas, 69(2), 131-136.
Obtenido de
983
DOMOTYS. Internacionalizacin e Innovacin de las empresas
espaolas de Domtica e Inmtica. (s.f.). Obtenido de
http://www.domotys.org
Dong, D., & McAvoy, T. (1996). Nonlinear principal component
analysisBased on principal curves and neural networks .
Computers & Chemical Engineering , 20(1), 65-78. Obtenido de
http://www.sciencedirect.com/science/article/pii/00981354950000
3K
Dounis, A., & Caraiscos, C. (2009). Advanced control systems
engineering for energy and comfort management in a building
environmentA review. 13, 12461261.
Dounisa, A., P.Tiropanisb, A.Argiriouc, & A.Diamantis. (2010).
Intelligent control system for reconciliation of the energy savings
with comfort in buildings using soft computing techniques.
Feng, G., Zhang, Q., Sha, S., & Wang, Z. (2014). The Energy
Consumption Analysis for the Windows with External Shading
Influenced on the Green Building. En A. Li, Y. Zhu, & Y. Li
(Edits.), Proceedings of the 8th International Symposium on
Heating, Ventilation and Air Conditioning (Vol. 263, pgs. 515521). Springer Berlin Heidelberg. Obtenido de
http://dx.doi.org/10.1007/978-3-642-39578-9_54
Foster, M., & Oreszczyn, T. (2001). Occupant control of passive
systems: the use of Venetian blinds . Building and Environment
, 36(2), 149-155. Obtenido de
748
Future Technology Devices International Ltd, FTDI Chip. (s.f.).
Obtenido de http://www.ftdichip.com/
182
Gonzlez, J., & Hernando, V. (1995). Redes neuronales artificiales:

fundamentos, modelos y aplicaciones. RA-MA. Obtenido de
http://books.google.es/books?id=SMjHOwAACAAJ
Gratia, E., & Herde, A. D. (2007). The most efficient position of shading
devices in a double-skin facade. Energy and Buildings, 39(3),
106
Gubbi, J., Buyya, R., Marusic, S., & Palaniswami, M. (#sep# de 2013).
Internet of Things (IoT): A Vision, Architectural Elements, and
Future Directions. Future Gener. Comput. Syst., 29(7), 16451660. Obtenido de http://dx.doi.org/10.1016/j.future.2013.01.010
Gugliermetti, F., & Bisegna, F. (2006). Daylighting with external
shading devices: design and simulation algorithms . Building
and Environment , 41(2), 136-149. Obtenido de
804
Guillemin, A., & Molteni, S. (2002). An energy-efficient controller for
shading devices self-adapting to the user wishes . Building and
135
Hu, J., & Olbina, S. (2011). Illuminance-based slat angle selection
model for automated control of split blinds . Building and
057
Hviid, C. A., Nielsen, T. R., & Svendsen, S. (2008). Simple tool to
evaluate the impact of daylight on building energy consumption .
Solar Energy , 82(9), 787-798. Obtenido de
492
Ichi Funahashi, K., & Nakamura, Y. (1993). Approximation of
dynamical systems by continuous time recurrent neural
networks. Neural Networks, 6(6), 801-806. Obtenido de
183
Captulo 10
25X
IDAE. Instituto para la Diversificacin y Ahorro de la Energa. (s.f.).
Obtenido de http://www.idae.es
Ippolito, M., Sanseverino, E. R., & Zizzo, G. (2014). Impact of building
automation control systems and technical building management
systems on the energy performance class of residential
buildings: An Italian case study . Energy and Buildings , 69(0),
33-40. Obtenido de
713
ITIF. (s.f.). Obtenido de The Information Technology & Innovation
Foundation: http://www.itif.org/publications/internet-things
Kang, S. J., Park, J., Oh, K.-Y., Noh, J. G., & Park, H. (2014).
Scheduling-based real time energy flow control strategy for
building energy management system . Energy and Buildings ,
75(0), 239-248. Obtenido de
194
Kapur, N. K. (2004). A comparative analysis of the radiant effect of
external sunshades on glass surface temperatures . Solar Energy
, 77(4), 407-419. Obtenido de
827
Karhunen, J., & Joutsensalo, J. (1995). Generalizations of principal
component analysis, optimization problems, and neural
networks . Neural Networks , 8(4), 549-562. Obtenido de
87
Kaygusuz, A., Keles, C., Alagoz, B. B., & Karabiber, A. (2013).
Renewable energy integration for smart sites . Energy and
Buildings , 64(0), 456-462. Obtenido de
174
184
Keyson, D. V., Mahmud, A. A., de Hoogh, M., & Luxen, R. (2013).

Designing a Portable and Low Cost Home Energy Management
Toolkit . Procedia Computer Science , 19(0), 646-653. Obtenido
de
947
Kohonen, T. (Sep de 1990). The self-organizing map. Proceedings of the
IEEE, 78(9), 1464-1480.
Koo, S. Y., Yeo, M. S., & Kim, K. W. (2010). Automated blind control to
maximize the benefits of daylight in buildings . Building and
03X
Kuhn, T. E. (2006). Solar control: A general evaluation method for
facades with venetian blinds or other solar control systems .
Energy and Buildings , 38(6), 648-660. Obtenido de
082
Kuhn, T. E., Bhler, C., & Platzer, W. J. (2001). Evaluation of
overheating protection with sun-shading systems. Solar Energy,
69, Supplement 6(0), 59-74. Obtenido de
172
Kulkarni, S. G., Chaudhary, A. K., Nandi, S., Tambe, S. S., &
Kulkarni, B. D. (2004). Modeling and monitoring of batch
processes using principal component analysis (PCA) assisted
generalized regression neural networks (GRNN) . Biochemical
Engineering Journal , 18(3), 193-210. Obtenido de
213
Kun-kun DU, liang WANG, Z., & HONG, M. (2013). Human machine
interactive system on smart home of IoT. The Journal of China
Universities of Posts and Telecommunications, 20, Supplement
40X
185
Captulo 10
Lehar, M., & Glicksman, L. (2007). Rapid algorithm for modeling

daylight distributions in office buildings . Building and
673
Li, B., & Yu, J. (2011). Research and Application on the Smart Home
Based on Component Technologies and Internet of Things .
Procedia Engineering , 15(0), 2087-2092. Obtenido de
911
Lippmann, R. (Apr de 1987). An introduction to computing with neural
nets. ASSP Magazine, IEEE, 4(2), 4-22.
Marie Chan, E. C.-Y. (20 de octubre de 2009). Smart homes: Current
features and future perspectives. Maturitas(ISSN 0378-5122),
90-97.
Maxim Integrated. (s.f.). Obtenido de
http://www.maximintegrated.com/en.html
Microchip Technology Inc. (s.f.). Obtenido de
http://www.microchip.com/
Microsoft. (s.f.). Obtenido de http://www.microsoft.com/
Ministerio de Industria, Energa y Turismo. (s.f.). Obtenido de
http://www.minetur.gob.es/es-ES/Paginas/index.aspx
Missaoui, R., Joumaa, H., Ploix, S., & Bacha, S. (2014). Managing
energy Smart Homes according to energy prices: Analysis of a
Building Energy Management System . Energy and Buildings ,
71(0), 155-167. Obtenido de
335
Neural Network Software. (s.f.). Obtenido de
http://www.neurosolutions.com/
O'Brien, W., Kapsis, K., & Athienitis, A. K. (2013). Manually-operated
window shade patterns in office buildings: A critical review .
Building and Environment , 60(0), 319-338. Obtenido de
186
685
Oldewurtel, F., Parisio, A., Jones, C. N., Gyalistras, D., Gwerder, M.,
Stauch, V., . . . Morari, M. (2012). Use of model predictive control
and weather forecasts for energy efficient building climate
control . Energy and Buildings , 45(0), 15-27. Obtenido de
105
Omer, A. M. (2006). Renewable building energy systems and passive
human comfort solutions. Renewable and Sustainable Energy
Reviews(12), 15621587.
Orosa, J. A., & C.Oliveira, A. (2008). Energy saving with passive
climate control methods in Spanish office buildings. (41), 823828.
Orr, M. J., & others. (1996). Introduction to radial basis function
networks. Introduction to radial basis function networks.
Technical Report, Center for Cognitive Science, University of
Edinburgh.
Park, B.-C., Choi, A.-S., Jeong, J.-W., & Lee, E. S. (03/2011 de 2011).
Performance of Integrated Systems of Automated Roller Shade
Systems and Daylight Responsive Dimming Systems. Building
and Environment, 46, 747-757. Obtenido de
http://dx.doi.org/10.1016/j.buildenv.2010.10.007
Park, K.-W., & Athienitis, A. K. (2003). Workplane illuminance
prediction method for daylighting control systems . Solar Energy
, 75(4), 277-284. Obtenido de
013
Pfrommer, P., Lomas, K., & Kupke, C. (1996). Solar radiation transport
through slat-type blinds: A new model and its application for
thermal simulation of buildings . Solar Energy , 57(2), 77-91.
Obtenido de
631
187
Captulo 10
Phuangpornpitak, N., & Tia, S. (2013). Opportunities and Challenges

of Integrating Renewable Energy in Smart Grid System . Energy
Procedia , 34(0), 282-290. Obtenido de
995
Rea, M. (1984). Window blind occlusion: a pilot study . Building and
86
Real Academia Espaola. (2001). Obtenido de Diccionario de la lengua
espaola: http://www.rae.es/
Reinhart, C. F. (2004). Lightswitch-2002: a model for manual and
automated control of electric lighting and blinds . Solar Energy ,
702
Rey Martnez, F. J., & Velasco Gmez, E. (2006). Eficiencia energtica
en edificios. Certificacin y auditoras energticas. Thomson
Paraninfo.
Sensirion, The Sensor Company. (s.f.). Obtenido de
http://www.sensirion.com/
Shaikh, P. H., Nor, N. B., Nallagownden, P., Elamvazuthi, I., &
Ibrahim, T. (2014). A review on optimized control systems for
building energy and comfort management of smart sustainable
buildings . Renewable and Sustainable Energy Reviews , 34(0),
889
Shaikh, P. H., Nor, N. M., Nallagownden, P., & Elamvazuthi, I. (2013).
Intelligent Optimized Control System for Energy and Comfort
Management in Efficient and Sustainable Buildings . Procedia
Technology , 11(0), 99-106. Obtenido de
216
188
Shen, H., & Tzempelikos, A. (2012). Daylighting and energy analysis of

private offices with automated interior roller shades . Solar
Energy , 86(2), 681-704. Obtenido de
270
Simmler, H., & Binder, B. (2008). Experimental and numerical
determination of the total solar energy transmittance of glazing
with venetian blind shading . Building and Environment , 43(2),
003
Stavrakakis, G., Zervas, P., Sarimveis, H., & Markatos, N. (2010).
Development of a computational tool to quantify architecturaldesign effects on thermal comfort in naturally ventilated rural
houses. (45), 65-80.
Sun, P., & Marko, K. (May de 1998). Optimal Learning Rate For
Training Time Lagged Recurrent Neural Networks With The
Extended Kalman Filter Algorithm. Neural Networks
Proceedings, 1998. IEEE World Congress on Computational
Intelligence. The 1998 IEEE International Joint Conference on,
2, pgs. 1287-1292.
Suryadevara, N., Mukhopadhyay, S., Wang, R., & Rayudu, R. (2013).
Forecasting the behavior of an elderly using wireless sensors
data in a smart home . Engineering Applications of Artificial
Intelligence , 26(10), 2641-2652. Obtenido de
553
Sutter, Y., Dumortier, D., & Fontoynont, M. (2006). The use of shading
systems in \{VDU\} task offices: A pilot study . Energy and
Buildings , 38(7), 780-789. Obtenido de
582
Tabares, H., Branch, J. B., & Valencia, J. (2006). Generacin dinmica
de la topologa de una red neuronal artificial del tipo perceptron
multicapa. Revista Facultad de Ingeniera Universidad de
189
Captulo 10
Antioquia(38), 146-162. Obtenido de

http://www.redalyc.org/pdf/430/43003814.pdf
Teich, T., Roessler, F., Kretz, D., & Franke, S. (2014). Design of a
Prototype Neural Network for Smart Homes and Energy
Efficiency . Procedia Engineering , 69(0), 603-608. Obtenido de
781
Tzempelikos, A. (2008). The impact of venetian blind geometry and tilt
angle on view, direct light transmission and interior illuminance
. Solar Energy , 82(12), 1172-1191. Obtenido de
345
Tzempelikos, A., & Athienitis, A. K. (2007). The impact of shading
design and control on building cooling and lighting demand .
Solar Energy , 81(3), 369-382. Obtenido de
897
Tzikopoulos, A., Karatza, M., & Paravantis, J. (2005). Modeling energy
efficiency of bioclimatic buildings. (37), 529544.
Wymelenberg, K. V. (2012). Patterns of occupant interaction with
window blinds: A literature review . Energy and Buildings ,
51(0), 165-176. Obtenido de
630
X10: Performance and Productivity at Scale. (s.f.). Obtenido de
http://x10-lang.org/
Yang, R., & Wang, L. (2013). Multi-zone building energy management
using intelligent control and optimization . Sustainable Cities
and Society , 6(0), 16-21. Obtenido de
480
Yao, J. (2014). An investigation into the impact of movable solar
shades on energy, indoor thermal and visual comfort
improvements . Building and Environment , 71(0), 24-32.
Obtenido de
190
758
Yao, J. (2014). Determining the energy performance of manually
controlled solar shades: A stochastic model based co-simulation
analysis . Applied Energy , 127(0), 64-80. Obtenido de
997
Zamora-Izquierdo, M., Santa, J., & Gmez-Skarmeta, A. (October de
2010). An Integral and Networked Home Automation Solution
for Indoor Ambient Intelligence. Pervasive Computing, IEEE,
9(4), 66-77.
Zamora-Martnez, F., Romeu, P., Botella-Rocamora, P., & Pardo, J.
(2014). On-line learning of indoor temperature forecasting
models towards energy efficiency. Energy and Buildings(0), -.
Obtenido de
569
Zhang, S., & Birru, D. (2012). An open-loop venetian blind control to
avoid direct sunlight and enhance daylight utilization . Solar
Energy , 86(3), 860-866. Obtenido de
567
191
11. Nomenclatura
D
Multilayer Perceptron .......................... 58

MNN
Modular Neural Network ................... 112
domtica ... 4, 5, 6, 7, 8, 9, 10, 11, 18, 20, 22,

23, 24, 25, 29, 32, 71, 84, 110, 152, 173
PCA
Principal Component Analysis ............ 126
fancoils .............................. 43, 211, 220, 229

G
GFF
Generalized FeedForward .................... 86
RBF
Radial Basis Function ............................ 73
RN
Recurrent Network ............................. 140
H
HVAC
Heating, Ventilation and Air Conditioning
......................................................... 23
S
Smart Grid ................................................. 22
Smart Home ................................................ 7
SOFMN
Self-Organizing Feature Map Network 154
I
inmtica ...................................................... 5
IoT
Internet of Things ................................... 6
TLRN
Time-Lag Recurrent Network ............... 99
MLP
193
12. ANEXO 1.
ESPECIFICACIONES
TCNICAS
195
Captulo 12
12.1. Especificaciones
domtica
tcnicas
de
la
instalacin
12.1.1. Tarjetas domticas

12.1.1.1. Tarjetas base
Las tarjetas base contienen el elemento de control para gestionar 8
entradas digitales, 8 salidas digitales y 4 entradas analgicas adems de
la conexin al bus RS485.
El cerebro de las tarjetas base est realizado mediante un
microcontrolador PIC18F2520 (ANEXO 1. ESPECIFICACIONES
TCNICAS, apartado 12.3.1, pgina 234) de la casa Microchip
(Microchip Technology Inc., s.f.). Este microcontrolador funcionando
mediante un reloj interno a 8 MHz permite en un mnimo espacio
concentrar todas las entradas y salidas sin la adicin de componentes
externos excepto el transceptor para el bus.
196
ANEXO 1. ESPECIFICACIONES TCNICAS
Ilustracin 130. Microcontrolador PIC18F2520: Encapsulado y distribucin de pines.
El acceso al bus RS485 est basado en el circuito integrado

MAX13088E (ANEXO 1. ESPECIFICACIONES TCNICAS, apartado
12.3.2, pgina 241) de la casa Maxim (Maxim Integrated, s.f.) que
permite hasta 256 elementos en el bus.
En la Ilustracin 131 y en la Ilustracin 132 se puede ver la
distribucin de las tarjetas domticas en la instalacin de la planta baja
y de la planta primera respectivamente.
197
Captulo 12
Ilustracin 131. Localizacin de cajas de registro en planta baja. En fondo verde las
que contienen tarjetas domticas y su interconexin en el bus.
198
Ilustracin 132. Localizacin de cajas de registro en planta primera. En fondo verde

las que contienen tarjetas domticas y su interconexin en el bus.
Cada tarjeta base concentra en ella los elementos de entrada y salida

ms prximos a su ubicacin para minimizar el cableado.
199
Captulo 12
Ilustracin 133. Tarjeta domtica: Esquema placa base.
200
Ilustracin 134. Tarjeta domtica: PCB placa base.
El bus fsico est formado por cable de par trenzado en el que se

utilizan 2 pares: Uno para la transmisin de datos a velocidad de 19200
baudios y otro para la alimentacin de las tarjetas con 5V de corriente
continua. La conexin de las tarjetas al bus se realiza con conectores
RJ45 y la distribucin de cables es segn la norma EIA-TIA 568B
(Ilustracin 135).
201
Captulo 12
Ilustracin 135. Conexin del cableado del bus y los conectores RJ-45.
202
Ilustracin 136. Cable de par trenzado utilizado para el bus.
La activacin local por parte del usuario se realiza mediante

pulsadores normalmente abiertos que van conectados directamente a las
tarjetas base. De cara al mantenimiento y a la seguridad la tensin
presente en los pulsadores es de tan slo de 5V.
12.1.1.2. Tarjetas de actuadores
Los sistemas de actuadores van unidos a las salidas digitales de las
tarjetas base y son de 2 tipos:
Actuadores con salida a triac.
Actuadores con salida a rel.
Ambos sistemas de activacin de cargas para corriente alterna estn

aislados de la red para proporcionar seguridad al sistema. Las salidas a
triac utilizan optotriacs de cruce por cero MOC3041 (ANEXO 1.
ESPECIFICACIONES TCNICAS, apartado 12.3.3, pgina 247) que
adems de garantizar el aislamiento elctrico realizan la conexin de la
carga en los pasos por cero de la seal alterna senoidal, consiguiendo
evitar armnicos indeseados en la instalacin en los momentos de
activacin. Tambin el uso de estos dispositivos con cruce por cero
garantizan una mayor vida de los elementos de iluminacin, sobre todo
en las lmparas incandescentes, ya que se evita una posible sobrecorriente en el encendido de las mismas, y esta sobre-corriente es una de
las principales causas de fundido.
203
Captulo 12

optotriac.

optotriac.
204

optotriac.

optotriac.
205
Captulo 12
Para las cargas muy inductivas se utilizan los mdulos de salidas a

rel. Se han creado dos tipos de mdulos diferentes de salida a rel. Uno
de ellos simplemente permite la activacin de 2 cargas totalmente
independientes y est destinado para el uso general. El otro mdulo de
rels est especficamente diseado para el uso en persianas.
206
Ilustracin 141. Tarjeta domtica: Esquema mdulo de 2 salidas con activacin por
rel.
207
Captulo 12
Ilustracin 142. Tarjeta domtica: PCB mdulo de 2 salidas con activacin por rel.
Los motores que actan sobre las persianas constan de 2 bobinados,

uno para subir y otro para bajar. El cableado disponible es un neutro
comn a ambos bobinados y 2 fases, una para cada movimiento. En
ningn momento deben activarse simultneamente ambas fases. Para
evitar una actuacin indebida los mdulos a rels para la activacin de
persianas incorporan esta proteccin que impide la activacin de ambos
rels simultneamente.
208
Ilustracin 143. Tarjeta domtica: Esquema mdulo de salida de persiana con

activacin por rel.
209
Captulo 12
Ilustracin 144. Tarjeta domtica: PCB mdulo de salida de persiana con activacin
por rel.
12.1.2. Sensores
12.1.2.1. Sensores de temperatura y humedad
La combinacin de medidas de temperatura y humedad relativa nos
lleva a seleccionar un sensor doble digital integrado como el SHT21
(ANEXO 1. ESPECIFICACIONES TCNICAS, apartado 12.3.6, pgina
257) de la casa Sensirion (Sensirion, The Sensor Company, s.f.).
Ilustracin 145. Sensor digital integrado doble de temperatura y humedad.
Este sensor de bajo consumo y salida totalmente digital con interface

I2C se integra en el sistema domtico para ofrecer sus datos en el bus.
12.1.2.2. Sensor de iluminacin
Para determinar el nivel de iluminacin interior se emplea el circuito
integrado BH1750FVI (ANEXO 1. ESPECIFICACIONES TCNICAS,
apartado 12.3.5, pgina 250) que es un sensor de iluminacin con salida
digital que proporciona el valor en lux de la iluminacin recibida.
210
Ilustracin 146. Sensor de iluminacin BH1750FVI.
12.1.2.3. Sensor de consumo elctrico

Para el anlisis de los datos se necesita la incorporacin de un sensor
de consumo elctrico que nos permite determinar la energa elctrica
consumida por el sistema de climatizacin. El dispositivo seleccionado
es el OWL+USB de la casa OWL (intelligent wireles energy monitoring
and control) (http://theowl.com/index.php/energy-monitors/standalonemonitors/owl-usb/) que monitoriza constantemente el consumo
energtico del equipo de aire acondicionado (enfriadora ms fancoils)
registrando la energa consumida en kWh en intervalos de 1 hora.
211
Captulo 12
Ilustracin 147. Medidor de energa elctrica.
12.1.2.4. Sensores de presencia

Los sensores han sido adaptados para su conexin a las tarjetas base
garantizando el aislamiento con las entradas de stas. En este caso se
han sustituido los rels de activacin con los que van dotados por
optoacopladores PC817 (ANEXO 1. ESPECIFICACIONES TCNICAS,
apartado 12.3.4, pgina 250).
212
Ilustracin 148. Detectores de presencia empleados.
12.1.3. Interface con el sistema domtico

Ya que el bus est constituido sobre el protocolo RS485, se ha
desarrollado un interface USB que permite conectar un PC con el bus.
El hardware empleado para esta pasarela ha sido el mdulo DLPUSB232M (ANEXO 1. ESPECIFICACIONES TCNICAS, apartado
12.3.7, pgina 261) de la casa FTDI Chip (Future Technology Devices
International Ltd, FTDI Chip, s.f.), que permite la comunicacin en
modo puerto serie virtual entre el PC a travs de USB y un dispositivo
serie TTL, ms el driver MAX18088E (ANEXO 1. ESPECIFICACIONES
TCNICAS, apartado Transceptor RS485 MAX13088E, pgina 241) de
la casa Maxim (Maxim Integrated, s.f.) para la adaptacin de los niveles
TTL a los niveles diferenciales del bus RS485. Esta pasarela est
perfectamente optoaislada para evitar cualquier problema entre el PC y
las tarjetas domticas.
Con esta pasarela USB a RS485 cualquier PC puede conectarse a la
instalacin domtica y convertirse en monitor y controlador de la
instalacin pudiendo estar presente ms de un PC simultneamente.
El software de monitorizacin y control domtico para PC se ha
desarrollado en el lenguaje Visual Basic .NET (Microsoft, s.f.). Al
ejecutarse el software se establece una comunicacin bidireccional con el
213
Captulo 12
bus domtico permitiendo el envo de comandos a travs de mismo as

como la recepcin de los generados por las tarjetas o por cualquier otro
equipo conectado al bus.
Ilustracin 149. Software para Windows de control y monitorizacin de la

instalacin domtica.
Este interface de la instalacin domtica tiene el inconveniente de

requerir una conexin fsica con el bus domtico y, si bien en la
instalacin de la vivienda hay varias tomas repartidas en distintas
estancias, es una solucin recomendable para equipos fijos como los
ordenadores de sobremesa.
Con la proliferacin de los ordenadores porttiles y, ms an, con la
omnipresencia de dispositivos como los Smartphones y las Tablets se
214
hizo necesaria la realizacin de un software, con su correspondiente

pasarela al bus, que permitiera a estos dispositivos la comunicacin
como se realiz con los ordenadores conectados por USB.
As, a partir de la pasarela Ethernet a serie TTL Digi Connect ME
(ANEXO 1. ESPECIFICACIONES TCNICAS, apartado 12.3.8, pgina
266) de la casa Digi International (Digi International Inc, s.f.) ms el
consiguiente driver MAX18088E para la adaptacin de niveles lgicos al
bus RS485, se desarrollaron sendos software para Windows y Android.
Ilustracin 150. Pasarela Ethernet a serie TTL Digi Connect ME.
Ambos softwares estn desarrollados en torno a la comunicacin por

sockets de manera que los dispositivos establecen la comunicacin
bidireccional con la pasarela Ethernet a RS485 teniendo la posibilidad
de recibir y de enviar los comandos al bus. La conexin del equipo donde
se ejecuta el software no tiene que ser fsica con la instalacin domtica
puesto que la pasarela Ethernet a RS485 est conectado va LAN con la
red local de la vivienda permitiendo as que cualquier dispositivo
conectado a dicha red local, bien sea de forma cableada o inalmbrica
(WIFI), pueda comunicarse con la instalacin.
Adems, el uso de esta pasarela no queda restringido al rea local
puesto que una vez configurado el router de la vivienda con los
parmetros adecuados (Dynamic DNS y NAT) es posible la comunicacin
a travs de internet. El software instalado en el equipo determina si est
en la red local de la vivienda o fuera y realiza la conexin con la misma
en la direccin apropiada.
Esta interface permite la monitorizacin y control sin ligaduras de
cables y con la disponibilidad geogrfica mundial a travs de internet.
215
Captulo 12
El software para Windows es una modificacin del software

comentado anteriormente utilizado con la pasarela USB a RS485 en el
que en lugar de comunicar a travs de un puerto serie virtual del PC se
realiza la conexin de un socket con la pasarela y despus se utiliza el
flujo de datos bidireccional.
El software para dispositivos Android se ha desarrollado en lenguaje
Basic for Android (B4A. Anywhere Software, s.f.), creando una
aplicacin para su instalacin en Smartphones y Tablets que crea el
socket de comunicacin con la pasarela Ethernet a Serie de forma que,
igualmente que el software para Windows, puede realizar la conexin
tanto en la red local como a travs de internet. Gracias a que la
comunicacin con el bus requiere un ancho de banda muy pequeo se
puede conectar a travs de internet va WIFI y LTE como tambin
mediante conexiones mviles lentas como GPRS.
216
Ilustracin 151. Software para Android de monitorizacin y control de la instalacin

domtica.
217
Captulo 12
Los programas anteriormente referidos no slo permiten al usuario

interactuar con la instalacin domtica sino tambin tienen opciones
para configurar parmetros de la misma dando el control total al
instalador o al usuario experto.
As pues, una vez realizada la instalacin fsica de las tarjetas
domticas es posible cambiar modos de funcionamiento, activaciones de
salidas, etc., sin necesidad de acceder fsicamente a dichos dispositivos.
Desde los programas de monitorizacin y control se puede acceder a
mens de configuracin que pueden modificar los parmetros de
configuracin de las tarjetas base.
A modo de ejemplo se ha desarrollado dentro de la aplicacin un
apartado que permite el cambio de configuracin en dos tarjetas para
modificar el comportamiento de algunas entradas y salidas.
218
Ilustracin 152. Men de configuracin de las tarjetas domticas desde Android.
El primer ejemplo es el de controlar si los sensores de presencia del

pasillo de la planta primera activarn o no las luces de dicho pasillo.
Esta funcionalidad tiene su justificacin en impedir la activacin de las
luces del pasillo en la noche si el beb est durmiendo con la puerta
219
Captulo 12
abierta de su habitacin y as no notar por ejemplo si sus padres salen

de la habitacin hacia la nevera de la cocina en plena noche.
El segundo ejemplo es el la desactivacin del sensor de presencia del
garaje que controla la iluminacin del mismo. Si se desea utilizar esta
estancia como lugar de reunin no es deseable que si durante algn
periodo de tiempo no se detecta movimiento la iluminacin se apague.
As desactivando el sensor la iluminacin puede controlarse tanto con
los pulsadores locales como desde los programas descritos.
En ambos ejemplos, la desactivacin de los sensores consiste en
desviar la orden de activacin en lugar de a la tarjeta con la salida
normalmente asociada a una direccin diferente. De esta forma la
informacin de la activacin del sensor se presenta igualmente en el bus
y puede ser recogida por el sistema, pero no activar la iluminacin a la
que originalmente estaba destinada.
12.2. Especificaciones tcnicas de los equipos de

climatizacin
El equipo de climatizacin est formado por una caldera de gas
natural ROCA VEGA 24 AIFM, una enfriadora CARRIER Aquasnap
Junior 30RA007 y fancoils ROCA RFR 2 y RFR 3.
A continuacin se detallan las caractersticas tcnicas ms relevantes
de estos equipos y se seala el rendimiento estimado.
12.2.1. Caldera ROCA VEGA 24 AIFM
Es una caldera mural estanca de gas natural para calefaccin y ACS.
Su funcionamiento es electrnico con encendido automtico sin llama
piloto y con seguridad de la llama por sonda de ionizacin.
220
Ilustracin 153. Caldera mural estanca de gas natural ROCA VEGA 24 AIFM.
Potencia til en Calefaccin

Potencia til en A.C.S.
Produccin continua de A.C.S.
Capacidad depsito Acumulador
Rendimiento de Combustin
Prioridad A.C.S.
Potencia Calefaccin y A.C.S
Sistema regulacin
Seleccin temperatura A.C.S.
Caudal mnimo encendido A.C.S.
Encendido
Control de llama
Peso aproximado
Presin mxima y mnima de
servicio de circuito de Calefaccin
Temperatura mxima y mnima
de servicio de circuito de
Calefaccin
Capacidad
bruta
depsito
expansin
Presin
llenado
depsito
expansin
221
9374 / 24080 kcal/h

10.9 / 28 kW
7.482 / 24.080 kcal/h
8.7 / 28 kW
16.1 l/min (t=25C)
60 l
92.4%
100%
Modulante
Electrnico
Desde panel de control
0 l/min
Electrnico automtico
Sonda ionizacin
56 kg
3 bar / 0.45 bar
80C / 40C
10 l
1 bar
Captulo 12
Presin mxima y mnima de

servicio del circuito A.C.S.
Temperatura mxima y mnima
de servicio del circuito A.C.S.
Tipo de proteccin elctrica
Confort del A.C.S., segn pr/EN
13203
7 bar / 0.2 bar

63C / 40C
IP44
Tabla 50. Especificaciones tcnicas caldera ROCA VEGA 24 AIFM.
Ilustracin 154. Panel de control de la caldera ROCA VEGA 24 AIFM.
1
2
3
4
5
6
7
8
9
Selector de temperatura de A.C.S.

Selector de servicio, paro o rearme
Selector temperatura Calefaccin
Sistema de Autorregulacin
Servicio invierno
Apagado-rearme
Servicio verano
Sealizacin luminosa de estado caldera
Termohidrmetro
Tabla 51. Descripcin de los elementos del panel de control de la caldera ROCA
VEGA 24 AIFM.
222
12.2.2. Enfriadora CARRIER Aquasnap Junior 30RA007

La enfriadora CARRIER Aquasnap Junior 30RA007 es una
enfriadora de agua de condensacin por aire elctrica con un compresor
Scroll y refrigerante ecolgico R-410A. Dispone integrada la seccin
hidrnica con bomba y depsito de expansin. Un sistema de control
electrnico autoadaptativo, basado en microprocesador, asegura un
control inteligente de la secuencia de arranque de los compresores,
permitiendo el funcionamiento con bajos volmenes de agua en el
sistema.
Ilustracin 155. Enfriadora CARRIER Aquasnap Junior 30RA007.
La unidad incorpora un ventilador axial de dos velocidades con

descarga de aire horizontal. Su avanzado
diseo permite un
funcionamiento con un nivel de ruido excepcionalmente bajo. En
condiciones de carga parcial o a temperaturas exteriores bajas, la
velocidad del ventilador se reduce automticamente en un 50% para un
funcionamiento an ms silencioso. El sistema de control permite
223
Captulo 12
tambin el funcionamiento programado a velocidad reducida durante un

periodo de tiempo determinado.
Los intercambiadores de calor refrigerante-agua son de placas, lo que
asegura una transferencia ptima de calor con reducidas dimensiones.
Las placas estn hechas de acero inoxidable soldado. Este tipo de
intercambiador de calor requiere menos refrigerante que los
intercambiadores de calor tradicionales de la misma capacidad.
El refrigerante R-4010A es una mezcla de R-32 y R-125 asegurando
rendimientos superiores a los del R-22, y ofrece una solucin econmica
a los problemas de proteccin del medio ambiente. No es perjudicial para
la capa de ozono y se emplea como sustituto del R-22 en aplicaciones de
potencias pequeas o medianas.
Los compresores Scroll tienen un funcionamiento muy silencioso y sin
vibraciones. Son conocidos por su gran duracin y fiabilidad. Los motores
estn totalmente refrigerados por el gas de aspiracin y permiten hasta
12 arranques por hora. Estos compresores estn diseados
especialmente para funcionar con R-410A.
Los componentes hidrnicos vienen montados de fbrica, lo que evita
la instalacin de los mismos en obra.
El mdulo hidrnico incluye:
un interruptor de flujo
un vaso de expansin
una bomba de circulacin de tres velocidades
una vlvula de purga manual
una vlvula de drenaje de agua
una vlvula de seguridad
El control PRO-DIALOG Plus es un avanzado sistema numrico de

control que combina inteligencia compleja con gran simplicidad de
funcionamiento. El PRO-DIALOG Plus vigila constantemente todos los
parmetros y dispositivos de seguridad de la mquina y gestiona con
precisin el funcionamiento del compresor y de los ventiladores para
224
conseguir una eficiencia energtica ptima. Tambin controla el

funcionamiento de la bomba de agua.
El algoritmo de control PID, con compensacin permanente de la
diferencia entre la temperatura de entrada y salida del agua, prev
variaciones de carga y asegura un control inteligente de la temperatura
de salida del agua.
Punto de consigna dual: pueden programarse o seleccionarse
manualmente dos puntos de consigna de temperatura de agua de
alimentacin diferentes, segn la carga trmica esperada a lo largo del
da en las zonas a climatizar. Esto asegura siempre el mximo confort
con mnimo consumo de energa.
El control PRO-DIALOG Plus se adapta automticamente para
mejorar la proteccin de la enfriadora. El funcionamiento cclico del
compresor se adapta automticamente a las caractersticas de la
aplicacin de acuerdo con la inercia del circuito de agua y evita
peligrosos ciclos cortos del compresor.
DATOS FSICOS
Capacidad frigorfica neta
6.48 kW
Peso en operacin
71 kg
Carga de refrigerante
1.47 kg
Compresor
Uno, Scroll
Evaporador
Uno, de tipo placas
Volumen neto de agua
0.85 l
Mxima presin agua
3 kPa
Circuito hidrulico
Bomba
Uno, a tres velocidades
Presin disponible
36 kPa
Conexiones entrada/salida agua
1 pulgada
Volumen del vaso de expansin
1l
Ventilador
Uno, axial
Dimetro ventilador
370 mm
N de palas ventilador
4
Velocidad ventilador
18.2 r/s
225
Captulo 12
DATOS ELCTRICOS
Alimentacin
Rango tensin
Consumo nominal
Amperios a rotor bloqueado
Amperios a plena carga
Compresor
Amperios a rotor bloqueado
Amperios a plena carga
Bomba de circulacin de agua
Corriente absorbida
Motor del ventilador
Corriente absorbida
Calentador de crter
Corriente absorbida
CAUDAL/VOLUMEN DE AGUA
Caudal de agua nominal
Volumen de agua del sistema
Mnimo
Mximo
NIVELES SONOROS
125 Hz
250 Hz
500 Hz
1000 Hz
2000 Hz
4000 Hz
8000 Hz
dB(A)
230 V / 50 Hz
198-264 V
2700 W
50 A
18 A
50 A
16.9 A
230 V / 50 Hz
0.3 A
230 V / 50 Hz
0.82 A
230 V / 50 Hz
0.11 A
0.31 l/s
22 l
30 l
72 dB
67 dB
66 dB
63 dB
58 dB
53 dB
47 dB
68 dB
Tabla 52. Caractersticas tcnicas enfriadora CARRIER Aquasnap Junior 30RA007.
226
Ilustracin 156. Lmites de funcionamiento enfriadora CARRIER Aquasnap Junior

30RA007.
Ilustracin 157. Presin total disponible enfriadora CARRIER Aquasnap Junior

30RA007.
227
Captulo 12
Tabla 53. Capacidades frigorficas enfriadoras CARRIER Aquasnap Junior 30RA.
12.2.3. Fancoils ROCA RFR 2 y RFR3

Los Fancoils ROCA RFR estn disponibles para pared o techo
Disponen de un ventilador axial de 120 mm de dimetro y 3 velocidades
y son aptos para calefaccin y aire acondicionado. Las prestaciones de
estos equipos, que se muestran en la Tabla 54, hacen referencia a las
siguientes condiciones de funcionamiento:
Refrigeracin (funcionamiento veraniego):

Temperatura aire +27C b.s., + 19C b.u.
Temperatura agua +7C entrada, +12C salida
Calefaccin (funcionamiento invernal):
228
Temperatura aire +20C

Temperatura agua +50C entrada
Modelo
Velocidad
Caudal aire (m3/h)
Refrigeracin (kW)
Calefaccin (kW)
Potencia consumida
por el motor (W)
RFR 2
1
2
160
200
0.95
1.1
1.13
1.32
20
22
3
250
1.3
1.6
1
230
1.4
1.8
RFR 3
2
290
1.7
2.2
27
17
22
3
360
2.0
2.6
35
Tabla 54. Especificaciones tcnicas de los Fancoils ROCA serie RFR.
Los fancoils utilizados son el modelo RFR 3 para el Saln y para la

Cocina y el Dormitorio 1 el modelo RFR 2.
Ilustracin 158. Fancoil ROCA serie RFR con ventilador tangencial.
229
Captulo 12
Tabla 55. Potencias frigorficas de los Fancoils ROCA serie RFR.
230
Ilustracin 159. Curvas de rendimiento en enfriamiento de los Fancoils ROCA serie

RFR funcionando a la mxima velocidad.
231
Captulo 12
Tabla 56. Potencias calorficas de los Fancoils ROCA serie RFR
232
Ilustracin 160. Curvas de rendimiento en calentamiento de los aparatos RFR

funcionando a la mxima velocidad.
233
Captulo 12
12.3. Hojas de caractersticas de los componentes

electrnicos
12.3.1. Microcontrolador PIC18F2520
234
Ilustracin 161. Distribucin de pines en el microcontrolador PIC18F2520.
Tabla 57. Caractersticas de los microcontroladores de la familia PIC18F2520.
235
Captulo 12
Ilustracin 162. Diagrama de bloques del microcontrolador PIC18F2520.
236
237
Captulo 12
238
239
Captulo 12
Tabla 58. Descripcin de los pines de Entrada/Salida del microcontrolador

PIC18F2520.
240
12.3.2. Transceptor RS485 MAX13088E
241
Captulo 12
242
243
Captulo 12
244
Tabla 59. Descripcin de pines de entrada salida del transceptor RS485 MAX13088E.
245
Captulo 12
Tabla 60. Tablas de funciones del transceptor RS485 MAX13088E.
Ilustracin 163. Configuracin y circuito tpico de funcionamiento del transceptor

RS485 MAX13088E.
246
12.3.3. Optoacoplador MOC3041
247
Captulo 12
248
249
Captulo 12
12.3.4. Optoacoplador PC817
250
251
Captulo 12
12.3.5. Sensor de iluminacin BH1750FVI
252
253
Captulo 12
254
255
Captulo 12
256
12.3.6. Sensor de temperatura y humedad SHT21
257
Captulo 12
258
259
Captulo 12
260
12.3.7. Serial UART Interface Module DLP-USB232M
261
Captulo 12
262
263
Captulo 12
264
265
Captulo 12
12.3.8. Pasarela Ethernet-Serie DIGI Connect ME
266
267
Captulo 12
268
269
Captulo 12
270

Mejora de La Eficiencia Energética en Viviendas Domóticas: Tesis Doctoral

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Mejora de La Eficiencia Energética en Viviendas Domóticas: Tesis Doctoral

Uploaded by

Copyright:

Available Formats

TESIS DOCTORAL

Mejora de la eficiencia energtica en viviendas domticas

Juan Ramn Villodas Orte

Pedro Mara Lara Santilln y Luis Mara Lpez Gonzlez

Escuela Tcnica Superior de Ingeniera Industrial

Mejora de la eficiencia energtica en viviendas domticas, tesis doctoral

Autor: Juan Ramn Villodas Orte

Ttulo de la Tesis Doctoral .................................................... 2

Lnea de investigacin .......................................................... 2

Directores de la Tesis Doctoral ............................................. 2

Estado del arte y antecedentes ................................................... 3

Configuraciones de las instalaciones domticas .................. 7

Sistemas centralizados .......................................................................... 7

Bus X10 ..................................................................................................................... 11

Otros buses basados en corrientes portadoras ......................................................... 12

Buses con cableado especfico ................................................................................... 13

Buses inalmbricos ................................................................................................... 13

Estndares comerciales en domtica ................................. 13

Elementos de integracin de la domtica........................... 18

Sistemas de confort .............................................................................. 18

Sistemas de seguridad ......................................................................... 18

Eficiencia energtica ............................................................................ 20

Control de la conexin de equipos ............................................................................ 21

Apoyo con energas renovables ................................................................................. 22

Gestin inteligente de la iluminacin y la climatizacin ......................................... 22

Objetivo general .................................................................. 32

Planta piloto para la validacin del estudio....................... 36

Instalacin domtica ........................................................... 40

Tarjetas domticas ............................................................................... 43

Tarjetas de actuadores ............................................................................................. 43

Sensores de presencia .......................................................................... 43

Gestin de la climatizacin ................................................................. 43

Aire acondicionado .................................................................................................... 46

Interface con el sistema domtico ....................................................... 47

Algoritmo de control ............................................................ 47

Recogida de datos ................................................................ 50

Modelado mediante redes neuronales ...................................... 55

Anlisis de datos mediante redes neuronales .................... 57

Entrenamiento de red MLP ................................................ 58

Configuracin de la red MLP .............................................................. 59

Informes del entrenamiento de la red MLP ....................................... 61

Evaluacin del error de la red MLP .................................................... 71

Aplicacin de la red MLP al ao sin control ....................................... 71

Entrenamiento de red RBF ................................................ 73

Configuracin de la red RBF ............................................................... 74

Informes del entrenamiento de la red RBF ........................................ 76

Evaluacin del error de la red RBF .................................................... 84

Aplicacin de la red RBF al ao sin control ....................................... 84

Entrenamiento de red GFF ................................................ 86

Configuracin de la red GFF ............................................................... 86

Informes del entrenamiento de la red GFF ........................................ 89

Evaluacin del error de la red GFF .................................................... 97

Aplicacin de la red GFF al ao sin control ....................................... 97

Entrenamiento de red TLRN .............................................. 99

Configuracin de la red TLRN .......................................................... 100

Informes del entrenamiento de la red TLRN ................................... 102

Evaluacin del error de la red TLRN ............................................... 110

Aplicacin de la red TLRN al ao sin control .................................. 110

Entrenamiento de red MNN ............................................. 112

Configuracin de la red MNN ........................................................... 113

Informes del entrenamiento de la red MNN .................................... 116

Evaluacin del error de la red MNN................................................. 124

Aplicacin de la red MNN al ao sin control ................................... 124