Optimización energética en entornos académicos mediante IoT y aprendizaje automático

• Morocho-Belduma, Elkin Alexander ^[1] ; Masache-Carrera, Blade Steven ^[1] ; Hernandez-Rojas, Dixys ^[1] ; Mazon-Olivo, Bertha ^[1]
  1. [1] Universidad Tecnica de Machala

     Universidad Tecnica de Machala

     Machala, Ecuador

     
• Localización: Ingenium et Potentia: Revista Electrónica Multidisciplinaria de Ciencias Básicas, Ingeniería y Arquitectura, ISSN-e 2665-0304, Vol. 8, Nº. 14, 2026 (Ejemplar dedicado a: Enero - Junio. 2026), págs. 4-26
• Idioma: español
• DOI: 10.35381/i.p.v8i14.4882
• Títulos paralelos:
  • Energy optimization in academic environments through IoT and machine learning
• Enlaces
  • Texto completo
• Resumen
  • español

    El estudio tuvo como objetivo optimizar el consumo energético en un entorno académico mediante la integración de tecnologías IoT y técnicas de aprendizaje automático. Se diseñó e implementó un sistema de monitoreo en la sala de la carrera de Tecnologías de la Información, utilizando módulos de medición de energía y nodos ESP32 con sensores ambientales y de presencia, se registraron los datos en una base en tiempo real. Posteriormente, se aplicó un modelo predictivo basado en Random Forest para analizar los patrones de consumo y contrastarlos con la ocupación efectiva del espacio. El modelo alcanzó un desempeño adecuado y permitió identificar periodos de consumo no justificado. A partir de los escenarios simulados, se estimó un ahorro diario cercano a 2,75 kWh, equivalente a aproximadamente 60 kWh mensuales. En conclusión, el sistema demostró ser una alternativa viable y escalable, capaz de replicarse en otras aulas, laboratorios y espacios académicos similares.

  • English

    ABSTRACT The study aimed to optimize energy consumption in an academic environment by integrating IoT technologies and machine learning techniques. A monitoring system was designed and implemented in the Information Technology career room, using energy measurement modules and ESP32 nodes with environmental and presence sensors, the data was recorded on a real-time basis. Subsequently, a predictive model based on Random Forest was applied to analyse consumption patterns and contrast them with the effective occupation of the space. The model achieved adequate performance and allowed the identification of periods of unjustified consumption. Based on the simulated scenarios, a daily saving of close to 2.75 kWh was estimated, equivalent to approximately 60 kWh per month. In conclusion, the system proved to be a viable and scalable alternative, capable of being replicated in other classrooms, laboratories and similar academic spaces.

• Referencias bibliográficas
  • Ali, A., Muqeet, H. A., Khan, T., Hussain, A., Waseem, M., & Niazi, K. A. K. (2023). IoT-Enabled Campus Prosumer Microgrid Energy Management,...
  • Cujilema Paguay, J. A., Hidalgo Brito, G. A., Hernández Rojas, D. L., & Cartuche Calva, J. J. (2023). Secure home automation system based...
  • Baek, M., & Seo, Y. (2025). Hybrid forecasting of university electricity demand using time series and deep learning. Energy and Buildings,...
  • Barragán-Charry, J., Silva-Londoño, J. J., Garcés-Quintero, C. S., Jaramillo-Ramírez, O. C., Hoyos-Daza, F., y Bravo-Gómez, L. C. (2022)....
  • Cartuche Calva, J. J., Hernández Rojas, D. L., Morocho Román, R. F., y Radicelli García, C. D. (2023). Seguridad IoT: Principales amenazas...
  • Colmenares-Quintero, R. F., Baquero-Almazo, M., Kasperczyk, D., Stansfield, K. E., y Colmenares-Quintero, J. C. (2024). Analysis of IoT technologies...
  • Dinmohammadi, F., Farook, A. M., y Shafiee, M. (2025). Improving energy efficiency in buildings with an IoT-based smart monitoring system....
  • El-Khozondar, H. J., Mtair, S. Y., Qoffa, K. O., Qasem, O. I., Munyarawi, A. H., Nassar, Y. F., Bayoumi, E. H. E., & El Ahim, A. A. E....
  • Eltamaly, A. M., Alotaibi, M. A., Alolah, A. I., & Ahmed, M. A. (2021). IoT-Based Hybrid Renewable Energy System for Smart Campus. Sustainability,...
  • Flores, J., Lima, I., y Hernández, D. (2025). Desarrollo del firmware IoT con Rust aplicando IA. Revista Estudios y Perspectivas, 5(2), 1993-2017....
  • Jiang, Q., & Kurnitski, J. (2023). A machine-learning-driven framework for predicting electricity consumption in academic buildings. Sustainable...
  • Kumar Das, D. (2025). Integrating IoT and AI for sustainable energy-efficient smart buildings. Sustainability, 17(22), 10313. https://doi.org/10.3390/su172210313
  • Mazon-Olivo, B., y Pan, A. (2024). Internet of Things: State-of-the-art, computing paradigms and reference architectures. IEEE Latin America...
  • Paladines-Condoy, J., Vera-Macías, J., y Hernández, D. (2024). Creación de un IDE web de gestión de firmware multilenguaje para un dispositivo...
  • Peña de Loza, F., y Ibarra-Villegas, F. J. (2024). Implementación de tecnologías IoT para la reducción del consumo energético en oficinas...
  • Poyyamozhi, M., Murugesan, B., Rajamanickam, N., Shorfuzzaman, M., & Aboelmagd, Y. (2024). IoT—A Promising Solution to Energy Management...
  • Yilmaz, S., y Kose, S. (2024). Sensor-based anomaly detection for electricity consumption using Random Forest models. Energy Informatics,...