Σύστημα αποφάσεων για τη λειτουργία κτηρίου που χρησιμοποιεί machine learning για την αυτορρύθμιση και προσαρμογή στις ανάγκες του χρήστη και του χώρου, με σκοπό την εξοικονόμιση ενέργειας και την ικανοποίηση των αναγκών χρήστη
- Συλλέγει δεδομένα από αισθητήρες στο χώρο και APIs, για τις εσωτερικές/εξωτερικές συνθήκες και τις συνήθειες των χρηστών
- Εκπαίδευση του μοντέλου machine learning πριν την εφαρμογή του στο χώρο (μέσω θερμικής προσομοίωσης) αλλά και αφού γίνει η εγκατάσταση
- Λήψη αποφάσεων και έλεγχος του Building Management System για την βελτιστοποίηση των συνθηκών και την ελαχιστοποίηση της κατανάλωσης ενέργειας
- Απευθύνεται σε ιδιώτες και επιχειρήσεις, καθώς και σε δημόσιους φορείς
- Εφαρμογή του συστήματος σε δημόσια κτήρια
- Χρήση προσομοιώσεων για την εκμάθηση και προσαρμογή σε κάθε κτήριο
- Thermal simulation
- Interacting with the B.M.S.
- Minimizing energy consumption
- Data collection through APIs and building blueprints (sensors)
- Retrains and adapts to user feedback
In a terminal open an interactive Python 3 session using python3 -i qlearn/temp_sim.py.
You can try both tabular Q-learning as well as Neural Network Q-learning using the function test_learn_play.
Example execution:
>>> game, q = test_learn_play(game, q, iters=, tabular=False, batch=True, draw=True)
score (0, -6430.881696982324)
score (1, -4491.224128)
score (2, -11491.492962160373)
score (3, -4587.20131567952)
score (4, -17715.9681191172)
score (5, -10313.14142221469)
score (6, -86.67616666666669)
In one terminal run cd backend && node index.js.
In another start the dashboards using cd q_ui && node index.js.
They should both be running in localhost and you can visit the dashboard from your browser in the URL given to you by node.
Download Arduino IDE and adafruit sensor libraries. Open endopoint.ino in the Arduino IDE and hit Upload after connecting ESP32.