Optimización de la operación de un sistema HVAC para ahorro energético, mediante estrategias de Inteligencia Artificial

Alma Eliza Guerrero Sánchez

Buscar

dc.rights.license	http://creativecommons.org/licenses/by-nc-nd/4.0	es_ES
dc.contributor	Edgar Alejandro Rivas Araiza	es_ES
dc.creator	Alma Eliza Guerrero Sánchez	es_ES
dc.date	2020-11-02
dc.date.accessioned	2020-12-04T20:31:46Z
dc.date.available	2020-12-04T20:31:46Z
dc.date.issued	2020-11-02
dc.identifier	Heating, ventilating and Air conditioning	es_ES
dc.identifier	Inteligencia Artificial	es_ES
dc.identifier	Confort Térmico	es_ES
dc.identifier	Aprendizaje Automático	es_ES
dc.identifier	Aprendizaje Profundo	es_ES
dc.identifier.uri	http://ri-ng.uaq.mx/handle/123456789/2459
dc.description	El uso de un modelo de control predictivo para sistemas de gestión de energía se está volviendo más popular. Estos sistemas controlan el rendimiento del edificio basándose en un pronóstico del control basado en un modelo de edificio. Las incertidumbres en la operación del edificio son un problema importante en el uso del modelo de control predictivo, ya que disminuyen la precisión del pronóstico. Esto incluye los requisitos térmicos variables del usuario. El objetivo de esta tesis es desarrollar un predictor de temperatura de confort para sistemas HVAC controlables individualmente en función de las condiciones climáticas utilizando técnicas de inteligencia artificial. Para este propósito, se presentan los fundamentos del confort interior y el aprendizaje automático y aprendizaje profundo. Se revisan las tendencias recientes en la investigación sobre inteligencia artificial en edificios. Se explica la metodología para desarrollar y probar el predictor de temperatura de confort. Posteriormente se describen los resultados de pronosticar la temperatura de confort y el impacto energético del predictor. Los resultados muestran que las herramientas de regresión de aprendizaje automático y aprendizaje profundo pueden predecir las temperaturas de confort en función de las condiciones climáticas con suficiente precisión, mejor que los puntos de ajuste de temperatura comunes actualmente. La tesis se cierra con una revisión de la herramienta, una perspectiva hacia sus mejoras y aplicaciones, y el impacto general del aprendizaje automático y aprendizaje profundo en el sector de la construcción.	es_ES
dc.format	Adobe PDF	es_ES
dc.language.iso	Español	es_ES
dc.relation.requires	Si	es_ES
dc.rights	Acceso Abierto	es_ES
dc.subject	INGENIERÍA Y TECNOLOGÍA	es_ES
dc.subject	CIENCIAS TECNOLÓGICAS	es_ES
dc.subject	CIENCIA DE LOS ORDENADORES	es_ES
dc.title	Optimización de la operación de un sistema HVAC para ahorro energético, mediante estrategias de Inteligencia Artificial	es_ES
dc.type	Tesis de maestría	es_ES
dc.creator.tid	Clave CV CONACyT	es_ES
dc.contributor.tid	curp	es_ES
dc.creator.identificador	927987	es_ES
dc.contributor.identificador	RIAE791127HQTVRD03	es_ES
dc.contributor.role	Director	es_ES
dc.degree.name	Maestría en Ciencias en Inteligencia Artificial	es_ES
dc.degree.department	Facultad de Ingeniería	es_ES
dc.degree.level	Maestría	es_ES