SmartOffice: Sala inteligente baseada numa arquitetura de sensores não intrusivos e técnicas de inteligência computacional

  • Hyuri Maciel UFAL
  • André Aquino UFAL

Resumo


Informações sobre a ocupação de um ambiente são necessárias para implementar otimizações avançadas de eficiência energética. Neste sentido este trabalho apresenta um sistema de monitoramento e atuação para prédios inteligentes, detectando de forma não intrusiva se o ambiente se encontra ocupado ou não. O sistema é composto por uma rede de sensores sem fio de baixo custo, que monitoram dados de temperatura, umidade, luminosidade e a carga elétrica da sala além de atuar no controle da iluminação e temperatura do ambiente, é realizada uma análise dos dados para caracterizar o comportamento do ambiente. Por fim obtemos uma taxa de acerto de 99,8% na detecção do ambiente utilizando técnicas de classificação nos dados sensoreados.

Palavras-chave: Smart buildings, sensors network, machine learning, room occupation

Referências

Banavar, G., Morris, R., Naphade, M., Harrison, C., and Paraszczak, J. (2011). Smarter cities and their innovation challenges. Computer, 44:32–39.

Candanedo, L. M. and Feldheim, V. (2016). Accurate occupancy detection of an office room from light, temperature, humidity and co2 measurements using statistical lear- ning models. Energy and Buildings, 112:28–39.

EPE - Empresa de Pesquisa Energética (2017). Anuário Estatı́stico de Energia Elétrica 2017, volume 1. http://www.eia.gov/totalenergy/data/annual.

Ghai, S. K., Thanayankizil, L. V., Seetharam, D. P., and Chakraborty, D. (2012). Oc- cupancy detection in commercial buildings using opportunistic context sources. In 2012 IEEE International Conference on Pervasive Computing and Communications Workshops.

Hastie, T., Tibshirani, R., and Friedman, J. (2017). The Elements of Statistical Learning. Springer, second edition.
Integrated, M. (2015). Ds1307 64 x 8, serial, i2 c real-time clock.

Kleiminger, W., Beckel, C., Staake, T., and Santini, S. (2013). Occupancy detection from electricity consumption data. Proceedings of the 5th ACM Workshop on Embedded Systems For Energy-Efficient Buildings, pages 1–8.

Lantz, B. (2015). Machine Learning with R. Packt Publishing Ltd, second edition.

Ltd., A. E. (2010). Dht11 humidity e temperature sensor.

Nikolaou, T. G., Kolokotsa, D. S., Stavrakakis, G. S., and Skias, I. D. (2012). On the application of clustering techniques for office buildings’ energy and thermal comfort classification. IEEE Transactions on Smart Grid, 3(4):2196 – 2210.

Nordic semiconductor (2008). nrfl24l01+ prelimirary product specification.

Quindai, R., Barbosa, B. M., Almeida, C. M. P., Ramos, H. S., Rodrigues, J. J. P. C., and Aquino, A. L. L. (2018). A non-intrusive low-cost kit for electric power measuring and energy disaggregation. Journal of Communications Software and Systems, 14(1):9–17.

Technologies, S. (2010). Light dependent resistor ldr.

United Nations (2014). World Urbanization Prospects 2014: Highlights. Department of Economic and Social Affairs. United Nations Environment Programme.
Publicado
12/07/2019
Como Citar

Selecione um Formato
MACIEL, Hyuri; AQUINO, André . SmartOffice: Sala inteligente baseada numa arquitetura de sensores não intrusivos e técnicas de inteligência computacional. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO UBÍQUA E PERVASIVA (SBCUP), 11. , 2019, Belém. Anais do XI Simpósio Brasileiro de Computação Ubíqua e Pervasiva. Porto Alegre: Sociedade Brasileira de Computação, july 2019 . ISSN 2595-6183. DOI: https://doi.org/10.5753/sbcup.2019.6595.