Sistema de Predicción Energética con IA
An AI-powered system for analyzing and predicting domestic energy consumption. It offers precise forecasts, historical pattern analysis, and personalized optimization recommendations through a conversational interface.
⚡ Sistema de Predicción Energética con IA
TFM sobre la creación de un sistema de predicción energética con un servidor MCP para su acceso basado en IA
DAVID GONZÁLEZ LABRADA
🎯 Descripción
Este proyecto implementa un sistema completo de análisis y predicción del consumo energético doméstico utilizando técnicas de machine learning y explicabilidad de modelos (SHAP). El sistema permite realizar predicciones precisas, analizar patrones históricos y generar recomendaciones personalizadas de optimización energética a través de una interfaz conversacional con IA.
✨ Características Principales
- 🔮 Predicción energética utilizando modelos ensemble optimizados
- 📊 Análisis histórico con breakdown por electrodomésticos
- 🧠 Explicabilidad de modelos mediante valores SHAP
- 💰 Integración con APIs de precios eléctricos (ESIOS)
- 🤖 Servidor MCP para acceso conversacional via Claude AI
- 📈 Visualizaciones interactivas de consumo y predicciones
- 💡 Recomendaciones personalizadas de optimización energética
🔧 Archivos Principales
modelos_v3.py- Clase principal con todas las funciones para creación, entrenamiento y evaluación de modelosserver.py- Servidor MCP que expone las funcionalidades del sistema para integración con Claude AI
🛠️ Tecnologías Utilizadas
| Categoría | Tecnologías |
|---|---|
| 🤖 Machine Learning | Scikit-learn, XGBoost, LightGBM |
| 🧠 Explicabilidad | SHAP (SHapley Additive exPlanations) |
| 🌐 Backend | FastAPI, Python 3.8+ |
| 📊 Datos | Pandas, NumPy, APIs ESIOS |
| 📈 Visualización | Matplotlib |
| 🔗 Integración | MCP (Model Context Protocol) |
🚀 Instalación y Configuración
📋 Requisitos Previos
- Python 3.8 o superior
- Cuenta en ESIOS (Red Eléctrica de España)
- Acceso a Claude AI con soporte MCP
🚀 Iniciar Servidor MCP
Para usar el servidor MCP con Claude AI, configura el archivo de configuración MCP:
{
"mcpServers": {
"mcp-david-TFM": {
"command": "uv",
"args": [
"--directory",
"RUTA_DEL_PROYECTO",
"run",
"-m",
"davidElectric"
],
"env": {
"ESIOS_API_TOKEN": "XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX"
}
}
}
}
🤖 Funciones Disponibles via MCP
| Función | Descripción | Parámetros |
|---|---|---|
predict_consumption() | Predicciones de consumo futuro | init_date, end_date |
get_consumption_analysis() | Análisis histórico detallado | init_date, end_date |
explain_predictions() | Explicabilidad con SHAP | appliance, horizon |
get_precio() | Consulta precios eléctricos | init_date, end_date, price_type |
get_precio_inteligente() | Precio con fallback automático | target_date |
🔒 Licencia y Términos Legales
⚖️ AVISO LEGAL IMPORTANTE
Cualquier distribución ilegal del contenido de este repositorio será perseguida legalmente hasta las últimas consecuencias.
Este material está protegido por derechos de autor y constituye propiedad intelectual del autor. Su uso está limitado exclusivamente a:
✅ Permitido:
- Evaluación académica por el tribunal del TFM
- Consulta de referencia
- Fines educativos no comerciales (con cita obligatoria)
❌ Prohibido:
- Uso comercial sin licencia
- Redistribución sin autorización
- Plagio o apropiación indebida
- Modificación de autoría
Para solicitar permisos de uso, contactar al autor.
관련 서버
Alpha Vantage MCP Server
스폰서Access financial market data: realtime & historical stock, ETF, options, forex, crypto, commodities, fundamentals, technical indicators, & more
swift-mcp
An MCP server that brings best practices from leading iOS developers directly to your AI assistant.
Debugg AI
Enable your code gen agents to create & run 0-config end-to-end tests against new code changes in remote browsers via the Debugg AI testing platform.
Brain
Adaptive error memory & code intelligence MCP server with Hebbian synapse network, cross-project learning, and auto-error detection
WTP - Worktree Plus
Let agents manage Git worktrees via the wtp CLI.
Tailkits UI
Tailwind Components with Native MCP Support
LLMling
An MCP server with an LLMling backend that uses YAML files to configure LLM applications.
Context Portal MCP (ConPort)
A server for managing structured project context using SQLite, with support for vector embeddings for semantic search and Retrieval Augmented Generation (RAG).
Windows API
An MCP server for interacting with the native Windows API, enabling control over system functions and resources.
Context7 Python
A Python server for searching libraries and retrieving documentation, with support for HTTP/HTTPS proxies.
open-context
A high-performance MCP server providing up-to-date documentation for Go, npm, Python, Rust, Docker, Kubernetes, Terraform, and more — fetched from official sources, not training data.