Домашняя автоматизация и прогнозирование энергии: 6 шагов (с изображениями)

HAEP (Система домашней автоматизации и прогнозирования энергии) - это проект о системе домашней автоматизации, который построен на идее измерения и прогнозирования потребления энергии в доме. Прошло несколько лет с тех пор, как домашняя автоматизация вошла в нашу жизнь и сделала нас лучше, чем когда-либо прежде. Если вы в детстве были поклонником мультсериала «Джетсоны», вы, вероятно, мечтали о летающих автомобилях, полностью автоматизированном доме и мире, где все становится доступно одним нажатием кнопки. Машины, конечно, еще не летают, но автоматизированное вождение не так уж далеко. И также невозможно управлять многими аспектами вашего дома с помощью нескольких щелчков мышью. В конце концов, в какой-то момент наши различные бытовые приборы могут быть подключены, что позволит нам управлять ими всеми с наших телефонов или другого типа устройства. На данный момент некоторыми устройствами можно управлять с помощью соединения Wi-Fi, но вам нужны отдельные приложения для смартфонов или устройства, чтобы указывать им, что делать.

Основная цель этого проекта - выполнить аналитику собранных данных и спрогнозировать потребление энергии на следующий день или месяц. Мы, люди, тратим много энергии в повседневном использовании, либо не выключаем свет, когда он не используется, либо используем старые и неэффективные приборы, потребляющие большое количество энергии. Энергию необходимо экономить не только для сокращения затрат, но и для сохранения ресурсов для более длительного использования. И также нет возможности управлять многими аспектами вашего дома с помощью нескольких щелчков мышью.

Шаг 1. Обзор системы

Пользователь будет включать / выключать устройство с помощью приложения Android, созданного для системы.
Данные из Android отправляются в документ Firebase в облаке.
Arduino постоянно отслеживает изменение данных в документе Firebase.
На основе значения поля в документе Firebase он изменяет состояние устройства.
Arduino продолжает собирать текущую температуру и влажность.
Эти значения отправляются в документ Firebase для аналитических целей.
Теперь данные собираются скриптом Python, работающим на сервере.
Модель линейной регрессии запускается на собранных данных, и делается прогноз на следующий день.
Затем значение снова отправляется в приложение Android через Firebase.