Search academic texts

Registration Number

0825U004398, PhD dissertation

Status

Доктор філософії

Date

popup.evolution

o

Title

Methods for optimising smart home control based on the Internet of Things

Author

DMYTRO NISHCHEMENKO,

popup.head Andrii Aronov
popup.opponent Bohdan Y. Zhurakovskyi
popup.opponent Volodymyr Sokolov
popup.review Oksana N. Tkalenko
popup.review Olha Zinchenko

Description

Актуальність теми. Інтенсивний розвиток та імплементація технологій Інтернету речей (IoT) в інфраструктуру житлових об'єктів зумовлюють трансформацію систем керування будівлями та перехід до концепції розумного будинку (Smart Home). Функціонування таких систем супроводжується генерацією значних обсягів гетерогенних даних, отриманих від розподіленої сенсорної мережі, що створює передумови для підвищення рівня автоматизації, безпеки та енергоефективності. Враховуючи, що житловий сектор є одним із критичних споживачів енергоресурсів, розробка та впровадження інтелектуальних методів керування енергоспоживанням набуває пріоритетного значення як з економічної, так і з екологічної точок зору. Разом з тим, аналіз існуючих рішень свідчить, що ефективність функціонування систем розумного будинку обмежується низкою невирішених проблем, пов'язаних з якістю даних, точністю предиктивної аналітики та адаптивністю архітектури керування. Зв'язок роботи з науковими програмами, планами, темами. Дисертаційна робота була виконана в рамках: - науково-дослідної роботи «Актуальні питання сучасної інформатики та інформаційних технологій в освіті та науці» (Державний реєстраційний номер 0124U001430), Центральноукраїнського державного університету імені Володимира Винниченка; - науково-дослідної роботи "Підвищення ефективності процесу управління 3D принтером з використанням методів машинного навчання" (Державний реєстраційний номер РК 0124U001849), кафедри Технологій цифрового розвитку Державного університету інформаційно-комунікаційних технологій. Мета і задачі дослідження. Метою дисертаційної роботи є оптимізація керування розумним будинком на основі Інтернету речей за допомогою розробленого комплексу методів, що дозволяють підвищити якість даних, точність прогнозування енергоспоживання та ефективність системи керування за рахунок адаптації до контекстуальних намірів користувача. Об'єкт дослідження – процес функціонування інтелектуальної системи керування розумним будинком на основі даних з мережі IoT-сенсорів. Предмет дослідження – методи та моделі прогнозування енергоспоживання, очищення сенсорних даних та архітектури проактивного керування для систем розумного будинку. Методи дослідження. Для вирішення поставлених задач використовувалися: методи системного аналізу та теорії керування для формалізації архітектур; методи машинного та глибокого навчання (темпоральні згорткові мережі, ансамблі дерев рішень) для розробки моделей прогнозування та очищення даних; методи багатоцільової оптимізації для реалізації ядра прийняття рішень; методи імітаційного моделювання для перевірки ефективності розроблених підходів. Наукова новизна одержаних результатів полягає в наступному: 1. Удосконалено гібридний метод короткострокового прогнозування енергоспоживання на основі архітектури TCN-LightGBM, який відрізняється від існуючих застосуванням стратегії цілеспрямованого відбору ознак виключно для моделі-коректора, що дозволило вирішити проблему компромісу між точністю та обчислювальною вартістю, забезпечивши прискорення навчання в 5,4 рази при збереженні високої точності прогнозування пікових навантажень на пристроях з обмеженими ресурсами. 2. Розроблено метод адаптивного очищення сенсорних даних (ACRA/H-AD-CLEAN), наукова новизна якого полягає у поєднанні класифікатора на основі машинного навчання для ідентифікації специфічних типів шумів (викиди, дрейф, константні значення) з евристичним правилом на основі дисперсії. Такий підхід, на відміну від відомих, дозволяє реалізувати адаптивний вибір оператора корекції для різнорідних потоків даних у режимі реального часу. 3. Набув подальшого розвитку метод проактивного керування розумним будинком (або людино-орієнтованого керування), який відрізняється переходом від навчання глобальним намірам до навчання контекстуальним намірам користувача (залежним від часу доби та тарифу), реалізовано шляхом аналізу ручних втручань користувача як неявного зворотного зв'язку для адаптивної корекції вагових коефіцієнтів у задачі багатоцільової оптимізації. Практичне значення одержаних результатів. Розроблений комплекс методів дозволяє створювати гнучкі, адаптивні системи керування розумним будинком нового покоління. Оптимізована модель прогнозування TCN-LightGBM може бути впроваджена на пристроях з обмеженими ресурсами для ефективного управління піковими навантаженнями. Метод очищення ACRA підвищує надійність та якість вхідних даних, що є основою для коректної роботи всіх інтелектуальних додатків системи. Проактивна архітектура керування дозволяє створювати системи, що самостійно адаптуються до поведінки мешканців, значно зменшуючи потребу в ручному втручанні (на понад 97%) та підвищуючи рівень комфорту при збереженні енергоефективності.

Registration Date

2025-12-30

popup.nrat_date

2025-12-30