Predicción del consumo energético en el hogar mediante aprendizaje profundo: una arquitectura inteligente y escalable basada en IoT
Número
Sección
Publicado
31-07-2026
Resumen
Este estudio presenta un sistema basado en inteligencia artificial para predecir el consumo energético en hogares. Utilizando una arquitectura de Internet de las Cosas (IoT) para la recolección de datos y técnicas de Aprendizaje Profundo (Deep Learning), el sistema logra pronósticos de alta precisión. El modelo integra múltiples factores como la hora, el día, festivos, condiciones meteorológicas y la ocupación del hogar, incluyendo la presencia de individuos específicos. Los datos se almacenan en bases de datos NoSQL y se transmiten mediante el protocolo MQTT (Message Queuing Telemetry Transport). A pesar de usar un conjunto de datos limitado, el modelo demostró una notable precisión, mostrando su potencial para optimizar la eficiencia energética residencial.Palabras clave:
predicción del consumo eléctrico, internet de las cosas (IoT), aprendizaje profundo (deep learning), hogares inteligentes, gemelos digitales
Agencias de apoyo
NoReferencias
AZAD, M. I., RAJABI, R., & ESTEBSARI, A. (2023). Non-intrusive load monitoring (NILM) using deep neural networks: A review. arXiv. https://arxiv.org/abs/2306.05017
CHOU, J. S., & TRAN, D. S. (2018). Forecasting energy consumption time series using machine learning techniques based on usage patterns of residential householders. Energy, 165, 709–726.
DING, Z., TURKCAN, M. K., & BOULANGER, A. (2019). Using an ancillary neural network to capture weekends and holidays in an adjoint neural network architecture for intelligent building management. arXiv. https://arxiv.org/abs/1902.06778
EMSHAGIN, S., HALIM, W. K., & KASHEF, R. (2022). Short-term prediction of household electricity consumption using customized LSTM and GRU models. arXiv. https://arxiv.org/abs/2212.08757
GALAZ DE MIGUEL, B., GUTIÉRREZ, J. A., & GARCÍA, R. (2025). Transformación digital en las empresas españolas: Análisis empírico del uso de tecnologías inteligentes. Dirección y Organización, 85, 55–65.
KOPRINSKA, I., WU, D., & WANG, Z. (2018). Convolutional neural networks for energy time series forecasting. En 2018 International Joint Conference on Neural Networks (IJCNN) (pp. 1–8). IEEE.
LARA BENÍTEZ, P., CARRANZA GARCÍA, M., LUNA ROMERA, J. M., & RIQUELME, J. C. (2020). Temporal convolutional networks applied to energy-related time series forecasting. Applied Sciences, 10(7), 2322.
MATEO-CASALÍ, J., LABURU, C., BARANDIARAN, I., & RODRÍGUEZ, I. (2025). Smart maintenance for the circular economy: A digital twin proposal with AI-driven models for critical equipment in the food industry. Dirección y Organización, 86, 64–74.
MEIRA DE OLIVEIRA, E., & CYRINO, F. L. (2018). Forecasting mid-long term electric energy consumption through bagging ARIMA and exponential smoothing methods. Energy, 144, 776–788.
MISHRA, A., LONE, H. R., & MISHRA, A. (2023). DECODE: Data driven energy consumption prediction leveraging historical data and environmental factors in buildings. arXiv. https://arxiv.org/abs/2309.02908
NAKIP, M., ÇOPUR, O., BIYIK, E., & GÜZELİŞ, C. (2023). Renewable energy management in smart home environment via forecast embedded scheduling based on recurrent trend predictive neural network. arXiv. https://arxiv.org/abs/2307.01622
SEMENOGLOU, A., SPILIOTIS, E., & ASSIMAKOPOULOS, V. (2023). Image-based time series forecasting: A deep convolutional neural network approach. Neural Networks, 157, 39–53.
Licencia
Derechos de autor 2026 Javier R. Caparrós, Felipe Romero, Elvira Maeso-González, Luis F. Romero
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Esta obra se encuentra bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.