⚠️ El entorno elaborado en este trabajo y previamente denominado Energym posteriormente pasó a renombrarse como Sinergym.
Trabajo Fin de Máster. Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores
Antonio Manjavacas Lucas
Curso 2020-2021
Universidad de Granada
En las últimas décadas, tanto el calentamiento global como el cambio climático se han visto significativamente alentados por la demanda energética de edificios residenciales y comerciales. Estos son responsables de un tercio del consumo mundial de energía y de hasta un 40% de las emisiones de CO2, mayormente producidas por los sistemas de calefacción, ventilación y aire acondicionado (HVAC) destinados a garantizar el bienestar de sus ocupantes.
Ante esta problemática, optimizar el control de los sistemas HVAC se plantea como una solución necesaria ante el creciente interés por garantizar la eficiencia energética de los edificios. Dicho control ha sido tradicionalmente llevado a cabo mediante técnicas basadas en modelos de predicción, los cuales no siempre garantizan la maximización del confort de los ocupantes y, al mismo tiempo, la minimización del consumo energético.
En contraposición a estos métodos tradicionales, en los últimos años se ha experimentado una notable tendencia al uso de técnicas basadas en aprendizaje profundo por refuerzo (DRL) orientadas a control HVAC, logrando mejorar los resultados ofrecidos por métodos de control convencionales. No obstante, se trata de un campo relativamente inmaduro, donde se carece de marcos de referencia y bancos de prueba específicamente destinados a reproducir y comparar los diferentes algoritmos que conforman el estado del arte.
En respuesta a esta necesidad, el objetivo perseguido en este trabajo será el desarrollo de un entorno de ejecución de simulaciones energéticas orientado al uso y evaluación de diferentes algoritmos de DRL en control HVAC. A su vez, se profundizará en la experimentación con estos algoritmos haciendo uso del entorno implementado, evaluando los resultados obtenidos en términos de consumo energético y confort.
- agents: scripts destinados al entrenamiento y ejecución de los agentes empleados. Estos son:
- mlruns: historial de ejecuciones registrado por MLflow.
- models: modelos entrenados.
- plots: datos y gráficos generados a partir de los resultados de las simulaciones.
- tensorboard_logs: logs registrados durante los entrenamientos y empleados por TensorBoard.
- mem: memoria del proyecto.
Los resultados han sido obtenidos a partir del entrenamiento y ejecución de diferentes agentes en el entorno de ejecución de simulaciones energéticas Energym Sinergym (versión 1.0.0), elaborado a lo largo de este TFM. Pulsa aquí para acceder a la documentación de Energym Sinergym.
Gracias a Juan Gómez, Miguel Molina, Javier Jiménez y Alejandro Campoy por su implicación y supervisión a lo largo del desarrollo de este proyecto.
Este trabajo se enmarca dentro del proyecto PROFICIENT, financiado por el programa EXPLORA del Ministerio de Ciencia, Innovación y Universidades (TIN2017-91223-EXP) y orientado al desarrollo de soluciones basadas en DRL para el control energético eficiente de edificios.