Baterías solares cargando un teléfono móvil.
8 de abril de 2024. En el ámbito de la gestión eficiente de la energía en dispositivos de Internet de las Cosas (IoT) que operan con sistemas de recolección solar, el profesor Sergio Trilles, docente del Grado en Ingeniería Informática de la Universidad Isabel I, ha participado en un estudio que ha desarrollado un modelo de predicción basado en aprendizaje automático. Este modelo utiliza variables meteorológicas para predecir con precisión los niveles de carga de la batería en dispositivos IoT alimentados por energía solar.
El trabajo de investigación, titulado "Modelo de predicción basado en aprendizaje automático para niveles de batería en dispositivos IoT utilizando variables meteorológicas," ha sido publicado en la revista con un alto factor de impacto Internet of Things de la editorial Elsevier, en colaboración con el investigador Juan Emilio Zurita Macías del Instituto de Investigación Catapult (Inglaterra).
Este modelo se destaca por permitir un ajuste muy específico de la tasa de muestreo de datos, lo que facilita una mejor gestión de la energía en dispositivos autónomos que dependen de energía solar. “Los experimentos realizados con datos reales de baterías y pronósticos meteorológicos han demostrado la eficacia del enfoque propuesto, alcanzando una precisión media de hasta el 94,09% en escenarios específicos”, explica el profesor Trilles.
El artículo pone énfasis en que el modelo propuesto tiene aplicaciones potenciales en diversos campos, incluido el monitoreo ambiental y la agricultura inteligente. Los resultados de este estudio contribuyen significativamente al avance en la gestión eficiente de la energía en dispositivos IoT que operan con energía solar, brindando una herramienta valiosa para la planificación y el uso efectivo de la energía en condiciones climáticas variables.
El profesor Sergio Trilles ha destacado especialmente el rendimiento del modelo Double LSTM, que ha superado consistentemente a otros modelos en diversos escenarios. Este modelo, a pesar de su mayor complejidad con 31,851 parámetros, ha exhibido una precisión superior en la predicción de valores reales, superando a otros analizados en la investigación y permite capturar dependencias temporales más complejas en los datos.
En conclusión, la investigación resalta la introducción de una innovadora arquitectura informática de borde potenciada por aprendizaje automático para abordar el desafío de recursos energéticos limitados en nodos de IoT. El profesor Sergio Trilles sugiere investigaciones futuras, incluida la exploración de implementaciones distribuidas para procesamiento en tiempo real y una mayor integración de variables meteorológicas para mejorar la precisión de las predicciones. Estos avances podrían allanar el camino para sistemas más eficientes, escalables y precisos en el emocionante campo de la gestión energética en dispositivos IoT.