Využití metod strojového učení pro úsporu energie v chytré domácnosti

Abstract

Tato diplomová práce řeší využití strojového učení pro úsporu energie v domácnosti, konkrétně se pak zaměřuje na využití predikce spotřeby teplé vody z bojleru pro chytrý ohřev. Pro predikci spotřeby je využita sekvenční neuronová síť s LSTM vrstvou, která je natrénována na datech jako je spotřeba teplé vody v čase, přítomnost uživatelů v domácnosti, denní doba či informace o aktuálním počasí. Data byla sbírána ve dvou testovacích domácnostech. Tato predikce je následně využita v implementovaném algoritmu, který zajišťuje, aby voda v bojleru byla ohřívána na vyšší teplotu, jejíž hodnotu určuje množství predikovaného odebraného tepla, až před předpokládanou spotřebou teplé vody. Díky tomuto chytrému ohřevu došlo ke snížení tepelných ztrát bojleru a tím i ke snížení spotřeby energie o téměř 27 % při zachování tepelného komfortu členů domácnosti. Toto řešení, které umožňuje jeho uživatelům ušetřit ročně více než 1500 Kč, bylo také zveřejněno jako doplněk v rámci platformy Home Assistant.This thesis addresses the use of machine learning for energy saving in the home, specifically focusing on the use of hot water boiler consumption prediction for smart heating. A sequential neural network with an LSTM layer is used to predict the consumption, which is trained on data such as hot water consumption over time, presence of users in the home, time of day or current weather information. Data were collected in two test households. This prediction is then used in an implemented algorithm that ensures that the water in the boiler is heated to a higher temperature, the value of which is determined by the amount of predicted heat extracted, before the predicted hot water consumption. Thanks to this smart heating, the heat loss of the boiler has been reduced and thus the energy consumption has been reduced by almost 27% while maintaining the thermal comfort of the household members. This solution, which allows its users to save more than 1500 Kč annually, has also been released as an add-on as part of the Home Assistant platform.