Prediktivní řízení ohřevu TUV a vytápění pomocí metod strojového učení
Loading...
Date
Authors
Necpál, Dávid
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Práca sa venuje vytvoreniu systému pre riadenie ohrevu teplej úžitkovej vody (TÚV) a vykurovania. Systém využíva metódy strojového učenia na predikovanie dát do budúcnosti - učenie a predikovanie opakujúcich sa rutín osôb v domácnosti, predikovanie spotreby teplej úžitkovej vody a vývoj teploty v domácnosti. Práca je rozdelená na dve časti, kde prvá časť je riadenie ohrevu teplej úžitkovej vody, druhá časť je riadenie vykurovania domácnosti. Obe časti systému využívajú vytvorené hardvérové zariadenia, ktoré realizujú zber dát a samotné ovládanie daných činností. Zariadenia zbierajú teploty vody z elektrického bojleru, teploty vzduchu z miestností domácnosti a informáciu o prítomnosti osôb v domácnosti. Namerané dáta sa využívajú pre tvorbu modelu na predikciu dát, ktoré sú využité pre finálne rozhodnutie, či je potrebné ohrev TÚV alebo vykurovanie domácnosti realizovať. Prvý podsystém pre ohrev TÚV dosahuje úsporu energie 20 až 24 %, druhý podsystém pre vykurovanie domácnosti 18 až 30 %. Prínosom vytvoreného systému je možnosť prediktívneho automatického riadenia ohrevu teplej úžitkovej vody a vykurovania, čo vedie ku zníženiu spotreby energie potrebnej pre spomenuté činnosti, ako aj možnému zvýšeniu komfortu v domácnosti.
The thesis is devoted to the development of a system for the control of domestic hot water (DHW) and heating. The system uses machine learning methods to predict future data - learning and predicting repetitive routines of people in the home, predicting hot water consumption and temperature trends in the home. The work is divided into two parts, where the first part is the control of domestic hot water heating, and the second part is the control of home heating. Both parts of the system use established hardware devices that implement the data collection and the actual control of the given activities. The devices collect water temperatures from the electric boiler, air temperatures from the rooms of the household and information about the presence of people in the household. The measured data is used to create a model for data prediction, which is used for the final decision on whether DHW heating or home heating should be implemented. The first subsystem for DHW heating achieves energy savings of 20 to 24 %, the second subsystem for domestic heating 18 to 30 %. The benefit of the developed system is the possibility of predictive automatic control of domestic hot water heating and heating, which leads to a reduction of energy consumption required for the above-mentioned activities, as well as a possible increase in comfort in the home.
The thesis is devoted to the development of a system for the control of domestic hot water (DHW) and heating. The system uses machine learning methods to predict future data - learning and predicting repetitive routines of people in the home, predicting hot water consumption and temperature trends in the home. The work is divided into two parts, where the first part is the control of domestic hot water heating, and the second part is the control of home heating. Both parts of the system use established hardware devices that implement the data collection and the actual control of the given activities. The devices collect water temperatures from the electric boiler, air temperatures from the rooms of the household and information about the presence of people in the household. The measured data is used to create a model for data prediction, which is used for the final decision on whether DHW heating or home heating should be implemented. The first subsystem for DHW heating achieves energy savings of 20 to 24 %, the second subsystem for domestic heating 18 to 30 %. The benefit of the developed system is the possibility of predictive automatic control of domestic hot water heating and heating, which leads to a reduction of energy consumption required for the above-mentioned activities, as well as a possible increase in comfort in the home.
Description
Keywords
LSTM, neurónová sieť, predikcia časových radov, dáta časových radov, InfluxDB, Shelly, inteligentná domácnosť, vykurovanie, zníženie spotreby, meranie teploty, LSTM, neural network, time series prediction, time series data, InfluxDB, Shelly, smart home, heating, consumption reduction, temperature measuring
Citation
NECPÁL, D. Prediktivní řízení ohřevu TUV a vytápění pomocí metod strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2023.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
Kybernetická bezpečnost
Comittee
prof. Ing. Tomáš Hruška, CSc. (předseda)
doc. Ing. Petr Matoušek, Ph.D., M.A. (člen)
Mgr. Kamil Malinka, Ph.D. (člen)
Ing. Vojtěch Havlena, Ph.D. (člen)
doc. RNDr. Jitka Kreslíková, CSc. (člen)
Ing. Šárka Květoňová, Ph.D. (člen)
Date of acceptance
2023-08-24
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení