Інтелектуальний модуль оптимізації режимів роботи IoT-пристроїв для зменшення енергоспоживання в смарт-будівлях

Abstract

Метою роботи є розроблення інтелектуального модуля оптимізації режимів роботи IoT-пристроїв для зменшення енергоспоживання в смарт-будівлях на основі методів аналізу даних і машинного навчання. Методи досліджень включають аналіз предметної області та наукових джерел, методи системного аналізу, методи оброблення даних, методи машинного навчання для прогнозування та оцінювання режимів роботи пристроїв, а також методи програмного проєктування й експериментальної перевірки результатів. Розроблено інтелектуальний програмний модуль оптимізації режимів роботи IoT-пристроїв, який забезпечує завантаження даних про параметри середовища та функціонування пристроїв, їх попереднє оброблення, формування ознак, навчання моделі прогнозування енергоспоживання на основі XGBoost, оцінювання альтернативних режимів роботи та вибір найбільш доцільного режиму з урахуванням енергоспоживання й функціональних обмежень. Результати дослідження можуть бути використані для підтримки енергоефективного керування IoT-пристроями у смарт-будівлях навчальних, адміністративних, офісних або житлових приміщень, де важливим є поєднання автоматизації, зручності експлуатації та зниження енергетичних витрат.

The purpose of the work is to develop an intelligent module for optimizing the operating modes of IoT devices to reduce energy consumption in smart buildings based on data analysis and machine learning methods. The research methods include analysis of the subject area and scientific sources, methods of systems analysis, data processing methods, machine learning methods for forecasting and evaluating device operating modes, as well as methods of software design and experimental verification of results. An intelligent software module for optimizing the operating modes of IoT devices has been developed. The module provides loading of data on environmental parameters and device operation, preliminary data processing, feature formation, training of an energy consumption forecasting model based on XGBoost, evaluation of alternative operating modes, and selection of the most appropriate mode taking into account energy consumption and functional constraints. The research results can be used to support energy-efficient control of IoT devices in smart buildings of educational, administrative, office, or residential premises, where the combination of automation, ease of operation, and reduction of energy costs is important.