Дослідження ефективності застосування алгоритмів машинного навчання та технологій IoT для управління енергоспоживанням у розумному домі

Abstract

Магістерська робота присвячена дослідженню методів інтеграції технологій Інтернету речей, сучасних інформаційно-комунікаційних технологій та алгоритмів машинного навчання у системи управління енергоспоживанням розумних будинків і енергомереж нового покоління. Актуальність теми зумовлена швидким зростанням кількості IoT-пристроїв, переходом енергетики до цифрових моделей управління та потребою підвищення енергоефективності, автономності та гнучкості енергосистем у контексті впровадження Smart Grid. У роботі сформовано теоретичні засади, розроблено концептуальні архітектури та виконано прикладне моделювання інтелектуальних систем енергоменеджменту на базі методів машинного навчання[1]. У першому розділі виконано аналіз сучасних підходів до побудови та розвитку Smart Grid з використанням технологій Інтернету речей. Розглянуто роль Smart Grid у цифровій трансформації енергетики, визначено ключові компоненти інтелектуальної мережі та наведено класифікацію IoT-пристроїв і сенсорних систем, що застосовуються в інфраструктурі розумних будинків. Проаналізовано мережеві протоколи, засоби зв’язку та вимоги до комунікаційної підсистеми, які забезпечують надійний обмін даними між компонентами енергосистеми. Показано, що поєднання IoT, кіберфізичних систем і AMI формує фундамент для переходу енергомереж до Smart Grid 2.0 [2]. У другому розділі зосереджено увагу на моделюванні перспективних архітектур Smart Grid нового покоління. Запропоновано концептуальну модель інтеграції ІКТ у структуру енергосистеми для підвищення керованості, надійності й адаптивності електромереж. Розроблено архітектуру взаємодії IoT-пристроїв із кіберфізичними системами в задачах управління побутовими навантаженнями, прогнозування споживання та оптимізації енергетичного балансу. Представлено моделі, що відображають роль смарт-будинків як енергоактивних елементів Smart Grid, а також охарактеризовано перспективні напрями розвитку IoT-інфраструктур для енергетики: мікромережі, енергообмін P2P, енергетичні платформи, системи локальної генерації та зберігання [3]. У третьому розділі проведено комплексну обробку та аналіз даних енергоспоживання на основі реального набору даних Smart Home Dataset із платформи Kaggle. Виконано очищення, нормалізацію та структурування даних; досліджено часові залежності та закономірності в енергоспоживанні різних пристроїв; проведено аналіз добових, тижневих і сезонних варіацій. Особливу увагу приділено виявленню пікових навантажень, структурі базового споживання та взаємозв’язкам між сенсорними параметрами та енергетичними характеристиками. На основі аналізу сформовано вимоги до моделей прогнозування та критерії оцінювання їх точності [4]. У четвертому розділі розроблено та порівняно інтелектуальні моделі прогнозування енергоспоживання для системи HEMS. Розглянуто базові методи, зокрема Persistence, та сучасні нейронні мережі на основі довготривалої короткочасної пам?яті (LSTM). Проведено навчання та тестування моделей, сформовано порівняльну оцінку їх точності, стійкості та придатності для реального

застосування. Продемонстровано, що LSTM-моделі дозволяють значно зменшити похибку прогнозування та забезпечують можливість адаптивного керування навантаженнями в розумному будинку. Обґрунтовано роль прогнозних систем у зниженні пікових навантажень, підвищенні автономності та оптимізації використання електроенергії. У п’ятому розділі виконано техніко-економічне обґрунтування впровадження інтелектуальних систем енергоменеджменту на основі IoT та методів машинного навчання. Визначено капітальні витрати на створення інфраструктури вимірювання, комунікації та обчислювальних ресурсів. Оцінено експлуатаційні витрати при використанні хмарних сервісів для обробки даних та навчання моделей. Проведено розрахунок орієнтовного терміну окупності та показано економічну вигідність застосування прогнозних алгоритмів для зменшення споживання та підвищення енергоефективності [5]. У висновку підсумовано результати дослідження, визначено наукову новизну та практичну цінність розроблених моделей, а також окреслено напрями подальшого розвитку систем Smart Grid з використанням IoT, машинного навчання, кіберфізичних систем та передових ІКТ.

The Master’s thesis is devoted to the study of methods for integrating Internet of Things technologies, modern information and communication technologies, and machine learning algorithms into energy consumption management systems of smart homes and next-generation power grids. The relevance of the topic is driven by the rapid growth of IoT devices, the transition of the energy sector to digital management models, and the need to enhance the energy efficiency, autonomy, and flexibility of power systems in the context of Smart Grid deployment. The work establishes theoretical foundations, develops conceptual architectures, and performs applied modeling of intelligent energy management systems based on machine learning methods [1]. The first chapter provides an analysis of modern approaches to building and developing Smart Grid using Internet of Things technologies. The role of Smart Grid in the digital transformation of the energy sector is examined, key components of an intelligent grid are identified, and a classification of IoT devices and sensor systems used in smart home infrastructures is presented. Network protocols, communication mechanisms, and requirements for the communication subsystem enabling reliable data exchange between energy system components are analyzed. It is shown that the combination of IoT, cyber-physical systems, and AMI forms the foundation for transitioning to Smart Grid 2.0 [2]. The second chapter focuses on modeling promising architectures of next-generation Smart Grid systems. A conceptual model of ICT integration into the structure of the power system is proposed to enhance controllability, reliability, and adaptability of electric grids. An architecture for the interaction of IoT devices with cyber-physical systems in tasks of household load control, consumption forecasting, and energy balance optimization is developed. Models illustrating the role of smart homes as energy-active components of the Smart Grid are presented, and the most promising directions for the development of IoT infrastructures in the energy sector are described, including microgrids, P2P energy exchange, energy platforms, and systems of local generation and storage [3]. The third chapter provides comprehensive data processing and analysis of household electricity consumption based on the real Smart Home Dataset from the Kaggle platform. Data cleaning, normalization, and structuring were performed; temporal dependencies and consumption patterns of various appliances were investigated; daily, weekly, and seasonal variations were analyzed. Special attention is given to identifying peak loads, base consumption structure, and correlations between sensor parameters and energy characteristics. Based on the analysis, requirements for forecasting models and accuracy evaluation criteria were formulated [4]. The fourth chapter develops and compares intelligent energy consumption forecasting models for a HEMS system. Baseline approaches such as Persistence and advanced neural networks based on Long Short-Term Memory (LSTM) were considered. The models were trained and evaluated, and a comparative analysis of their accuracy, robustness, and applicability was carried out. It is demonstrated that LSTM models significantly reduce forecasting errors and provide opportunities for adaptive load control in smart homes. The role of predictive algorithms in reducing peak demand, enhancing autonomy, and optimizing electricity use is substantiated.

The fifth chapter presents the techno-economic justification for deploying intelligent energy management systems based on IoT and machine learning methods. Capital expenditures for building measurement, communication, and computational infrastructure were determined. Operational costs associated with using cloud services for data processing and model training were assessed. The approximate payback period was calculated, demonstrating the economic feasibility of predictive algorithms for reducing consumption and improving energy efficiency [5]. In the conclusion, the results of the study are summarized, the scientific novelty and practical significance of the developed models are highlighted, and the directions for further development of Smart Grid systems using IoT, machine learning, cyber-physical systems, and advanced ICT are outlined..