Дослідження ефективності застосування алгоритмів машинного навчання та технологій IoT для управління енергоспоживанням у розумному домі
Автор: Чулуп Денис Володимирович
Кваліфікаційний рівень: магістр
Спеціальність: Системне адміністрування телекомунікаційних мереж
Інститут: Інститут інформаційно-комунікаційних технологій та електронної інженерії
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: 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.