Дана робота присвячена методиці визначення ефективних теплових параметрів джерел опалення у розумному будинку, яка передбачає комбінацію застосування алгоритмів аналізу даних та рівняння фізичного процесу теплопереносу. Використання таких параметрів дозволяє створювати програмно-апаратні рішення для моделювання теплової карти будинку, а також здійснювати аналіз енергоспоживання у контексті моделей машинного навчання. Оскільки, здебільшого, відоме сумарне споживання енергії обігріву, інтерес представляє визначення тієї частини енергії, яка відповідає окремим джерелам обігріву. З цією метою у статті запропоновані математична модель та алгоритм для оцінки ефективних теплових характеристик джерел обігріву на базі рівняння теплопереносу та підходів статистичного аналізу даних, які можна використовувати для отримання інформації про індивідуальні джерела обігріву. Задача визначення таких параметрів зводиться до двох етапів. На першому етапі, з використанням скінченно-різницевого підходу до рівняння теплопереносу, визначено ефективний тепловий параметр джерел обігріву. Далі, за даними енергоспоживання та розподілами кімнатних температур і температур на поверхні обігрівальних елементів, шляхом застосуванням методів аналізу даних, запропонований алгоритм оцінки індивідуальних ефективних теплових характеристик встановлених в кімнатах обігрівальних елементів.
- Smart Home [Електронний ресурс]. — 2019. — Режим доступу до ресурсу: https://www.statista.com/outlook/279/100/smart-home/worldwide#market-rev....
- A Data Analysis Technique to Estimate the Thermal Characteristics of a House / S.Tabatabaei, W. Van der Ham, M. Klein, J. Treur. // Energies. — 2017. — № 10. — С. 1358.
- Reilly A. The impact of thermal mass on building energy consumption / A. Reilly, O. Kinnane. // Applied Energy. — 2017. — № 198. — С. 108–121.
- Heating behavior in English homes: An assessment of indirect calculation methods / T.Kane, S. Firth, T. Hassan, V. Dimitriou. // Energy and Buildings. — 2017. — № 148. — С. 89–105.
- Energy saving in smart homes based on consumer behavior: A case study / M.Zehnder, H. Wache, H. Witschel, D. Zanatta. // First IEEE International Smart Cities Conference (ISC2-2015), At Guadalajara, Mexico. — 2015. — С. 1–6.
- Performance of a Predictive Model for Calculating Ascent Time to a Target Temperature / J.Moon, M. Chung, H. Song, S. Lee. // Energies. — 2016. — № 9. — С. 1090.
- Fundamentals of Heat and Mass Transfer. 6th edition. / F.Incropera, D. DeWitt, T. Bergman, A. Lavine. — New York: John Wiley & Sons, 2006. — 1024 с. — (ISBN-13: 978-0471457282).
- Sinkevych O., Monastyrskyi L., Sokolovskyi B., Matchyshyn Z. (2019) Klasternyi analiz enerhetychnykh chasovykh riadiv rozumnoho budynku [Cluster analysis of smart home energy time series]. Materialy IV Mizhnarodnoi naukovo-tekhnichnoi konferentsii “Teoretychni ta prykladni aspekty radiotekhniky, pryladobuduvannia I kompʼiuternykh technologic” prysviachena 80-ty richchiu z dnia narodzhennia profesora Ya.I. Protsia (Tern., 20-21 June 2019), pp. 237-240 [in Ukrainian].
- Sinkevych O. Statistical Analysis of the Thermal Parameters of Smart Homes / O. Sinkevych, L. Monastyrskii, B. Sokolovskyi. // Electronics and information technologies. — 2018. — № 10. — С. 99–108.
- Grus J. Data Science from Scratch. / Joe Grus. — Sebastopol: O’Reilly Media, 2015. — 330 с. — (ISBN-13: 978-1491901427).
- Dangeti P. Statistics for Machine Learning / Pratap Dangeti. — Birmingham, UK: Packt Publishing, 2017. — 444 с.
- Mukherjee S. F# for Machine Learning Essentials / Sudipta Mukherjee. — Birmingham, UK: Packt Publishing, 2016. — 194 с. — (ISBN-13: 978-1783989348).