Modeliranje željenih klimatizacijskih uvjeta korisnika pomoću IoT uređaja i neuronskih mreža

diplomski rad

• Naslov (engleski): Modelling of user-defined climate conditions by IoT controller with neural networks
• Autor: Nikica Perić
• Mentor: Vinko Lešić (mentor)
• Član povjerenstva: Vinko Lešić (predsjednik povjerenstva)
• Član povjerenstva: Mato Baotić (član povjerenstva)
• Član povjerenstva: Šandor Ileš (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2020-07-15, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Elektrotehnika

Sažetak

Zgrade su jedan od najvećih potrošača energije u svijetu te ujedeno i prostor za ostvarenje značajnih ušteda energije. Učenje ponašanja korisnika je preduvjet za predviđanje potrošnje i moguću optimizaciju klimatizacije prostorija i cijele zgrade prilagođenu ponašanju korisnika. U sklopu diplomskog rada izrađen je IoT uređaj koji postavlja željenu temperaturu u prostoriji te modelira ponašanja korisnika na razini jedne godine, u različitim dobima dana, vremenskim uvjetima, godišnjim dobima te radnim i neradnim danima. Učenje modela je provedeno na unaprijed dostupnom skupu podataka koji sadrži vanjske i unutarnje vremenske uvjete. Vanjski vremenski uvjeti se sastoje od temperature, vlage te direktne, difuzne i ukupne sunčeve dozračenosti. Unutarnji uvjeti se odnose na jedan od ureda Fakulteta Elektrotehnike i Računarstva, a dostupni su temperatura zraka, način rada kontrolera ventilokonvektora te referentne temperature u prošlosti. Model je naučen korištenjem neuronske mreže s dugom kratkoročnom memorijom (LSTM) koja je u posljednjim godinama najčešće korištena mreža dubokog učenja za predviđanje vremenskih serija. Naučeni model implementiran je kao Python skripta na Raspberry Pi mikroračunalo tako da u stvarnom vremenu daje predviđeno ponašanje korisnika 24 i 36 sati unaprijed.

Sažetak (engleski)

Buildings are one of the largest consumers of energy in the world and at the same time a space for significant energy savings. Learning user behavior is a prerequisite for predicting consumption and possible optimization of air conditioning of rooms and the entire building adapted to user behavior. As part of the thesis, it was created an IoT device that sets the desired room temperature and models user behavior at the level of one year, at different times of the day, weather conditions, seasons and working and non-working days. Model learning was conducted on a pre-available dataset containing external and internal weather conditions. Outdoor weather conditions consist of temperature, humidity and direct, diffuse and global solar radiation. The internal conditions refer to one of the offices of the Faculty of Electrical Engineering and Computing, and the air temperature, the mode of operation of the fan coil controller and the set temperatures in the past are available. The model was learned using a neural network with Long Short Term Memory (LSTM), which in recent years has been the most commonly used deep learning network for predicting time series. The learned model is implemented as a Python script on a Raspberry Pi microcomputer so that it provides real-time predicted user behavior 24 and 36 hours in advance.

• Ključne riječi: ušteda energije; zgradarstvo; referentna temperatura; neuronska mreža; RNN; LSTM; duboko učenje; Internet stvari; Raspberry Pi; matematički model; Python; Tensorflow
• Ključne riječi (engleski): energy saving; buildings; temperature setpoint; Neural network; RNN; LSTM; Deep learning; Internet of Things; Raspberry Pi; mathematical model; Python; Tensorflow
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:195813
• Studijski program: Naziv: Elektrotehnika i informacijska tehnologija; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije (mag. ing. el. techn. inf.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-13 13:27:40