Algoritmo basado en técnicas supervisadas para la detección y estimación de la ocupación en aulas de clase del edificio E3T

Abstract

Este trabajo de grado aborda la detección y estimación de la ocupación en edificaciones institucionales, información relevante para la operación eficiente de sistemas HVAC y la gestión energética. Se emplearon mediciones in situ de variables ambientales y eléctricas, tales como temperatura, humedad, consumo energético, detección de movimiento y estado de puertas y ventanas, recolectadas en dos aulas del edificio de la Escuela de Ingenierías Eléctrica, Electrónica y de Telecomunicaciones (E3T) de la Universidad Industrial de Santander. Se desarrollaron y evaluaron tres técnicas de aprendizaje supervisado con potencial para esta aplicación: Support Vector Machine (SVM), Random Forest (RF) y Multi-Layer Perceptron (MLP). Los modelos se entrenaron mediante una partición entre conjuntos de entrenamiento y prueba, y su desempeño se evaluó con métricas de clasificación como Accuracy, Recall, Specificity, AUC y F1-score. Los resultados muestran que el modelo RF presenta un desempeño más consistente en la detección y estimación de la ocupación, superando a SVM y MLP en la mayoría de las métricas evaluadas. Estos hallazgos constituyen una referencia metodológica para el desarrollo de sistemas de gestión energética basados en datos en edificaciones institucionales.