07 / MACHINE LEARNING · ENERGÍA
Energy Optimizer Pro
Proyecto demostrativo de análisis energético de edificios: datos sintéticos, comparación de Random Forest, XGBoost y LightGBM para prever la carga, sugerencias por reglas con ahorro estimado, API FastAPI y panel Streamlit.
Resumen
Proyecto demostrativo de análisis energético de edificios: datos sintéticos, comparación de Random Forest, XGBoost y LightGBM para prever la carga, sugerencias por reglas con ahorro estimado, API FastAPI y panel Streamlit.
El reto
Convertir series históricas de consumo en previsiones fiables y en recomendaciones legibles para quien gestiona los edificios, sin presentar estimaciones como mediciones.
Enfoque arquitectónico
Paquete Python para datos y modelos, API FastAPI para previsiones y optimización, panel Streamlit (código Next.js sin manifest); ejemplos Docker y monitorización con Prometheus y Grafana.
La solución
Pipeline de preparación de datos, comparación entre Random Forest, XGBoost y LightGBM, motor de sugerencias basado en reglas y un panel que muestra consumo real, previsión y acciones recomendadas.
Funciones principales
- Previsión del consumo con tres modelos comparables
- Sugerencias por reglas con ahorro estimado por hora
- Cartera de edificios por tipo y superficie
- API FastAPI y panel Streamlit (Next.js solo código fuente)
Dirección tecnológica
Los hechos
- Tres modelos comparados: Random Forest, XGBoost, LightGBM
- Datos sintéticos, ahorro estimado por franja horaria
- API FastAPI y panel Streamlit
Siguiente proyecto