Naslov
Identifikacija ponašanja korisnika u pametnim zgradama strojnim učenjem
(Identification of user behavior in smart buildings by machine learning)

Autori
Kenda, Jurica

Vrsta, podvrsta i kategorija rada
Ocjenski radovi, diplomski rad, preddiplomski

Fakultet
Fakultet elektrotehnike i računarstva

Mjesto
Zagreb

Datum
07.07

Godina
2020

Stranica
33

Mentor
Lešić, Vinko

Neposredni voditelj
Rukavina, Filip

Ključne riječi
pametne zgrade ; strojno učenje ; otvorenost prozora ; stabla odluke ; FER
(smart buildings ; machine learning ; window openness ; decision trees ; FER)

Sažetak
Zgrade danas postaju kompleksni tehnički sustavi s velikim potencijalom za uštede energije automatizacijom, umrežavanjem i koordinacijom različitih podsustava. Automatizacija u zgradama stvara nove mogućnosti nadzora rada sustava koje su ključne za informiranje korisnika ili uočavanje nepravilnosti u radu. Neočekivano ponašanje korisnika u zgradama jedan je od ključnih faktora u stvaranju nesklada između modela potrošnje energije i stvarne manifestacije. Ponašanje kao takvo nije nužno moguće zaustaviti, ali je svakako poželjno podići razinu svijesti o problemu te kvantificirati njegove stvarne posljedice. Jednom dobiven, model omogućuje lakše predviđanje, praćenje i interveniranje u različitim aspektima energetske potrošnje. U konačnici, ove komponente pružaju temelje za energetsku učinkovitost zgrade. U ovom radu, model klasifikacije otvorenosti prozora dobiven je upotrebom heuristički vođenog klasificiranja podataka, parametrizacijom te u konačnici strojnim učenjem. Tok formalizacije obrade podataka (za izlučivanje heuristika) bio je sljedeći: 1) Definiranje sezonskog konteksta 2) Promatranje sezonskog konteksta i opaske 3) Zoniranje na vremenski kontekst 4) Analiza čestih uzoraka 5) Parametrizacija 6) Ovjera rezultata Znanje dobiveno vizualnom inspekcijom pretočeno je u parametrizirani oblik, pogodan za inspekciju pomoću algoritma. Parametri dobiveni na taj način služili su kao parametri računalnog algoritma za označavanje. Jednom označeni podaci bili su pripremljeni za algoritam strojnog učenja. Kao algoritam strojnog učenja, odabran je algoritam slučajnih šuma (eng. Random Forest). Ideja tog algoritma je sljedeća: korištenjem skupa slabih klasifikatora dobivamo snažan klasifikator. Model tog algoritma sačinjen je od stabala odluka. Stablo odluke je konceptualna struktura u kojoj se na temelju značajki podataka gradi stablo po kojem se podaci kreću pri njihovoj klasifikaciji. Potpuni skup podataka za algoritam bio je : 1) dan godine 2) dan tjedna (radni/neradni) 3) sat dana 4) unutrašnja temperatura prostorije 5) vanjska temperatura 6) brzina ventilokonvektora 7) relativna vlaga prostorije 8) direktna sunčeva dozračenost 9) difuzna sunčeva dozračenost + 10) presuda otvorenosti prozora Konačni ostvareni model ima sljedeće efikasnosti: 1) 1.0 za sezonski kontekst grijanja 2) 0.79 za sezonski kontekst hlađenja 3) 0.99 za prijelazni sezonski kontekst Prosječna efikasnost modela je: 0.92. Iako taj rezultat na prvi pogled izgleda vrlo obećavajuće, u obzir valja uzeti ključne aspekte modela. Model je treniran na podacima čije je znanje dobiveno heurističkim algoritmom. To znanje nije u potpunom skladu sa stvarnim činjenicama. Model kao takav u 92% slučajeva ispravno odgovara na pitanje je li prozor otvoren, ali ne smije se zaboraviti da definiciju otvorenosti prozora (iz perspektive modela) ne definira stvarna otvorenost prozora nego heuristički dobivena oznaka otvorenosti. Dakle, model nema praktičnu efikasnost od 92%. To je jedna od mana rada s nepotpunim skupom podataka. Kada bi od početka rada bili poznati i podaci o tome je li prozor otvoren ili nije, cijela priprema podataka bila bi redundantna, a završna efikasnost modela bila bi u praktičnom smislu potpuno ispravna. Vizualizacija podataka koji se kontinuirano prikupljaju može dati bolji uvid u ponašanje zgrade te potrošnju u pojedinim prostorijama. Ispravnom vizualizacijom velike količine podataka moguće je vidjeti određene anomalije i odstupanja od očekivanih vrijednosti. Uvid u takve anomalije pomaže nam da ih spriječimo te dodatno energetski optimiramo promatranu zgradu. Iz tog razloga izrađena je web aplikacija FER Energy Expenditure Visualization (FER EEV) kako bi se ovaj rad zaokružio i upotpunio.

Izvorni jezik
Hrvatski

Znanstvena područja
Računarstvo

POVEZANOST RADA