Para entender cómo la inteligencia artificial ha revolucionado la eficiencia energética en el Hotel Poseidón Playa, examinemos en detalle la gestión de la zona de Bar-Cafetería. Esta área ofrece un excelente caso de estudio sobre cómo la IA puede gestionar de manera efectiva el consumo de energía, considerando una variedad de factores clave, como la temperatura interior y exterior, las temperaturas de referencia, los patrones de ocupación y los posibles errores de optimización. Un elemento crucial en este análisis es que las programaciones de los sistemas de climatización y otros dispositivos están basadas en un modelo de encendido y apagado (on-off). Es decir, si el perfil de potencia supera los 10 kW, se considera que la máquina está en funcionamiento; de lo contrario, se emite una señal de apagado. La Figura 1 en el estudio presenta el comportamiento de estas variables a lo largo de un período de tres días, desde el 27 de mayo a las 9:00:00 horas hasta el 30 de mayo a las 9:00:00 horas.
Figura 1. Serie temporal de parámetros de optimización en «Bar Cafetería»
En este escenario, la inteligencia artificial desempeña un papel fundamental al encender las máquinas durante los momentos de alta ocupación o cuando las condiciones ambientales amenazan con alterar el confort térmico. Para determinar la temperatura ideal que asegure un confort óptimo para los ocupantes del hotel, se toman en cuenta varios factores críticos:
- Coeficiente de vestimenta: Este coeficiente, que se establece en «1.0 Clo» por persona, refleja las condiciones típicas de vestimenta para la temporada de verano, lo que influye directamente en la percepción de confort térmico.
- Tasa metabólica: La tasa metabólica varía entre «1.0 Met» para personas que están sentadas o comiendo, y «2.0 Met» para aquellas que están de pie o cocinando. Esta variable es esencial para calcular cómo el cuerpo humano interactúa con su entorno térmico.
- Velocidad del aire: Se estima en menos de «0.2 m/s» debido a la ausencia de corrientes de aire significativas en ambientes cerrados, lo que minimiza la sensación de enfriamiento por movimiento del aire.
Estos factores se integran en la programación de la temperatura de confort, que luego se traduce en comandos de encendido y apagado para los dispositivos de climatización. La Figura 2 del estudio muestra gráficamente esta programación, enfocándose en la zona 4 del hotel. De esta manera, la IA garantiza que durante las horas de menor ocupación, como en altas horas de la noche, los sistemas de refrigeración permanezcan apagados. Sin embargo, estos sistemas se reactivan en las primeras horas de la mañana, coincidiendo con el incremento de la ocupación y las temperaturas, asegurando así el confort durante las horas de desayuno.
Figura 2. Predicción de apagado y encendido en las máquinas de frío en la zona 4 de «Bar Cafetería»
Una vez generada la programación de encendido y apagado de las máquinas mediante APIs, el operador del sistema tiene la capacidad de aprobar o rechazar este pronóstico antes de su implementación en el hotel, como se muestra en la plataforma Airen Zero. Este proceso permite un control humano final, asegurando que cualquier ajuste necesario pueda ser realizado antes de que la programación sea ejecutada.
Un aspecto crucial que no debe pasarse por alto es la flexibilidad que ofrece la inteligencia artificial en este contexto. Los parámetros y ajustes obtenidos mediante la IA pueden ser modificados en cualquier momento por los responsables de mantenimiento del hotel a través del Sistema de Gestión de Edificios (BMS). Esto proporciona una capacidad de respuesta inmediata ante cualquier cambio en las condiciones operativas, permitiendo una optimización continua y adaptativa del sistema.
Al analizar más de cerca las señales recibidas en la Bar-Cafetería, se ha observado que la resolución de 1 °C de los sensores de temperatura puede introducir variaciones significativas en el modelo, especialmente cuando se producen cambios bruscos en las condiciones ambientales. Para mitigar estos efectos, se implementó un proceso de suavizado de la señal, eliminando picos y proporcionando una representación más precisa y uniforme de las variaciones térmicas. Después de probar varios algoritmos y técnicas matemáticas, se concluyó que una media móvil era la solución más eficaz para suavizar los picos y fluctuaciones bruscas. Este enfoque mostró un error que, en el 95% de las muestras, no superó los 0.5 °C, lo que es una mejora significativa. La Figura 4 del estudio ilustra la señal suavizada de la temperatura interna para la zona 4, mientras que la Figura 5 detalla el error correspondiente para cada instante.
Figura 3. Historial de señales en zona 4 de «Bar Cafetería»
El modelo de inteligencia artificial, junto con el algoritmo que genera las programaciones, debe ser capaz de identificar con precisión cuándo los perfiles de potencia de las máquinas indican que estas están encendidas o apagadas. Este parámetro es fundamental no solo para el entrenamiento del modelo, sino también para generar pronósticos de encendido y apagado de las máquinas. Por esta razón, las señales de perfiles de potencia, tanto históricos como pronosticados, se convierten en señales booleanas que indican el estado de los dispositivos. La Figura 6 muestra un ejemplo de la señal de potencia de una de las máquinas de refrigeración, junto con las correspondientes señales de encendido y apagado utilizadas por los algoritmos implementados. En esta figura, se puede observar que se registra una señal booleana «1.0» o «Verdadero» en el instante en que la máquina se enciende o se apaga.
Figura 4. Temperatura interna media y temperatura interna con media móvil
Figura 5. Error de señales en temperatura interna media y media móvil
Figura 6. Potencias, encendido y apagado de las máquinas refrigeradoras en la zona 4
Teniendo en cuenta estos datos y la planificación enviada, el sistema de IA no solo se adapta a las condiciones esperadas en cuanto a estacionalidad, sino que también es capaz de aprovechar las inercias térmicas que se producen, lo que contribuye a una reducción significativa en el consumo energético. Esta capacidad de optimización es clave para maximizar la eficiencia energética del hotel, minimizando el impacto ambiental y reduciendo los costos operativos.
Con un volumen de datos más amplio y representativo, es posible calcular con mayor precisión el impacto del aprovechamiento de las inercias térmicas en el ahorro energético, permitiendo una evaluación más robusta y detallada de la eficiencia del sistema. A medida que se recopilan más datos a lo largo de diferentes estaciones y condiciones operativas, la inteligencia artificial puede refinar sus modelos predictivos y ajustar las estrategias de control de manera más precisa. Aunque este análisis más exhaustivo proporcionará cifras más exactas, los datos actuales ya demuestran un impacto significativo en la reducción del consumo energético, logrando al mismo tiempo mantener e incluso mejorar el confort de los usuarios, lo que subraya la eficacia de esta tecnología en equilibrar eficiencia y satisfacción del cliente.
Sin embargo, la implementación del sistema de inteligencia artificial en el Hotel Poseidón Playa está demostrando de manera tangible que es posible alcanzar los objetivos de sostenibilidad y eficiencia energética planteados al aprovechar las inercias térmicas, y optimizar el consumo de energía sin comprometer el confort de los huéspedes, alineándose perfectamente con las exigencias regulatorias actuales y contribuyendo activamente a la meta de un parque inmobiliario de cero emisiones para 2050. Este caso de éxito refuerza la viabilidad y efectividad de la IA como herramienta clave para transformar el sector hotelero hacia un futuro más sostenible, equilibrando la eficiencia operativa con el bienestar de los clientes.
