IoT-pohjaisen älykodin energiankulutuksen ennustaminen koneoppimisen avulla
Pouya, Jafar Zadeh (2020)
Pouya, Jafar Zadeh
2020
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202003042971
https://urn.fi/URN:NBN:fi:amk-202003042971
Tiivistelmä
Opinnäytetyön tavoitteena oli kehittää järjestelmä, jonka avulla voidaan ennustaa pientalon energiankulutusta koneoppimisen menetelmillä. Tutkimuksessa käsitellään myös asukkaiden läsnä- ja poissaolon, ympäristön muutokseen liittyvien tekijöiden, kuten lämpötilan ja kosteuden sekä ympäristön valaistusvoimakkuuden vaikutusta energiankulutukseen.
Tutkimusta varten rakennetiin Arduino-mikrokontrolleriin perustuva prototyyppi, jonka avulla dataa kerättiin taloon asennettujen sensoreiden avulla. Dataa analysoitiin mahdollisten energiankulutukseen vaikuttavien tekijöiden välisten korrelaatioiden selvittämiseksi. Talon hetkellistä energiankulutusta ennustettiin kahden tunnetun koneoppimisen mallin, k-lähimmän naapurin (KNN) ja monikerroksisen perceptron (MLP) -mallin avulla. Talon seuraavan tunnin energiankulutuksen ennustamisessa hyödynnettiin pitkän lyhytaikaisen muistin verkot (LSTM)- mallia, joka on tunnettu toistuvien neuroverkkojen koneoppimisen malli.
Tutkimuksesta saadut tulokset osoittivat, että MLP-mallin avulla saadaan tarkempia ennustustuloksia talon energiankulutuksesta KNN-malliin verrattuna. Tulosten perusteella MLPmallin keskineliövirheen neliöjuuren arvo (1,62) on pienempi kuin KNN-mallilla saatu arvo (1,80). Vastaavasti LSTM-mallin avulla ennustettiin talon energiankulutusta seuraavalta tunnilta minimaalisella keskineliövirheen neliöjuuren arvolla 0,07. Tutkimuksessa saatuja tuloksia voidaan hyödyntää asuintalojen energiankulutuksen optimoinnissa, energian tuotannon suunnittelussa sekä uusiutuvien energialähteiden käytön edistämisessä. The purpose of the present thesis is to implement a system in order to predict the energy consumption of a dwelling using machine learning methods. The study will also address the changes in factors such as the presence and absence of the residents, as well as environmental impacts such as the temperature and humidity, and the effect of ambient luminous intensity on energy consumption.
A prototype based on the Arduino microcontroller was built for the purpose of the study and was used to collect data. The data were collected using sensors installed in the house. The data obtained from the sensors were analyzed to determine the correlations between the possible factors influencing energy consumption. Two well-known prediction models were utilized i.e. Multi-Layer Perceptron (MLP) and K-Nearest Neighbor (KNN), in order to predict the energy consumption at the current time. Furthermore, it employs Long Short-Term Memory (LSTM) as one of the common recurrent neural networks for forecasting the next hour energy consumption.
Experimental results show that the MLP based prediction model provides substantial improvement over the KNN based model in terms of prediction accuracy. The prediction accuracy in terms of Root Mean Square Error (RMSE) metric for KNN and MLP are (1.80) and (1.62), respectively. In addition, LSTM-based prediction model achieves a very minimum RMSE value (0.07) for forecasting the energy consumption in the next one hour. The results of the study can be used to optimize the energy consumption of residential buildings, to plan energy production, and to promote the use of renewable energy sources. Teknologiaosaamisen johtamisen koulutus
Tutkimusta varten rakennetiin Arduino-mikrokontrolleriin perustuva prototyyppi, jonka avulla dataa kerättiin taloon asennettujen sensoreiden avulla. Dataa analysoitiin mahdollisten energiankulutukseen vaikuttavien tekijöiden välisten korrelaatioiden selvittämiseksi. Talon hetkellistä energiankulutusta ennustettiin kahden tunnetun koneoppimisen mallin, k-lähimmän naapurin (KNN) ja monikerroksisen perceptron (MLP) -mallin avulla. Talon seuraavan tunnin energiankulutuksen ennustamisessa hyödynnettiin pitkän lyhytaikaisen muistin verkot (LSTM)- mallia, joka on tunnettu toistuvien neuroverkkojen koneoppimisen malli.
Tutkimuksesta saadut tulokset osoittivat, että MLP-mallin avulla saadaan tarkempia ennustustuloksia talon energiankulutuksesta KNN-malliin verrattuna. Tulosten perusteella MLPmallin keskineliövirheen neliöjuuren arvo (1,62) on pienempi kuin KNN-mallilla saatu arvo (1,80). Vastaavasti LSTM-mallin avulla ennustettiin talon energiankulutusta seuraavalta tunnilta minimaalisella keskineliövirheen neliöjuuren arvolla 0,07. Tutkimuksessa saatuja tuloksia voidaan hyödyntää asuintalojen energiankulutuksen optimoinnissa, energian tuotannon suunnittelussa sekä uusiutuvien energialähteiden käytön edistämisessä.
A prototype based on the Arduino microcontroller was built for the purpose of the study and was used to collect data. The data were collected using sensors installed in the house. The data obtained from the sensors were analyzed to determine the correlations between the possible factors influencing energy consumption. Two well-known prediction models were utilized i.e. Multi-Layer Perceptron (MLP) and K-Nearest Neighbor (KNN), in order to predict the energy consumption at the current time. Furthermore, it employs Long Short-Term Memory (LSTM) as one of the common recurrent neural networks for forecasting the next hour energy consumption.
Experimental results show that the MLP based prediction model provides substantial improvement over the KNN based model in terms of prediction accuracy. The prediction accuracy in terms of Root Mean Square Error (RMSE) metric for KNN and MLP are (1.80) and (1.62), respectively. In addition, LSTM-based prediction model achieves a very minimum RMSE value (0.07) for forecasting the energy consumption in the next one hour. The results of the study can be used to optimize the energy consumption of residential buildings, to plan energy production, and to promote the use of renewable energy sources.