Датчики движения — дешёвый способ управлять освещением, но они слепы: свет включается с задержкой, гаснет, когда человек ещё в помещении, не учитывает дневной свет. Результат — 30% энергии тратится впустую. Мы, команда с 5-летним опытом в ML-автоматизации зданий (более 50 реализованных проектов), решаем эту проблему иначе: обучаем модель предсказывать occupancy и плавно регулировать яркость под реальные условия. Система окупается за 2–4 года, а комфорт персонала растёт — никаких резких включений и мерцания.
В одном из проектов для офисного здания площадью 2500 м² мы внедрили систему на базе Edge ML. Установили 12 Raspberry Pi 4, подключённых к DALI-сети. Модель Random Forest обучалась на исторических данных за 3 месяца и достигла точности occupancy 94%. Энергопотребление снизилось на 45%.
Как AI решает проблему слепого освещения?
Классические PIR-датчики дают бинарный сигнал: "есть/нет движения". Они не отличают человека от кошки, не помнят историю, не знают, что в 15:00 в переговорке обычно люди. Наш подход — ML-модель на временных рядах — собирает данные с датчиков (PIR, ультразвук, CO2, lux) и строит вероятностный прогноз. Модель Random Forest даёт точность occupancy 95% — это в 1.5 раза точнее обычного PIR (70%). Daylight harvesting на основе авторегрессии позволяет снижать яркость при 500 lux естественного света — экономия ещё 15%.
Архитектура системы
- Сенсорный слой: PIR/ультразвуковые датчики присутствия (точность 90–95%), датчики освещённости (lux) для daylight harvesting, CO2 датчики для косвенной оценки occupancy, опционально камеры с people counting.
- Edge ML: на DALI-контроллере или локальном Raspberry Pi: occupancy prediction (Random Forest на временных паттернах), daylight model (AutoRegressive на исторических lux + погодный forecast), adaptive dimming (RL-агент поддерживает target illuminance 300–500 lux).
- Control Layer: DALI (Digital Addressable Lighting Interface) — стандартный протокол управления освещением. Групповое и индивидуальное управление светильниками.
Что система делает
- Выключает освещение при отсутствии людей через N минут (адаптивный timeout по зонам, учитывающий вероятность возврата).
- Снижает яркость при достаточном дневном свете — модель прогнозирует освещённость на час вперёд.
- Предварительно включает свет перед приходом людей (по календарю/паттернам).
- Аварийное освещение при обнаружении движения в тёмное время — с плавным розжигом до 20%.
- Автоматическая калибровка: каждую неделю модель переобучается на новых данных, адаптируясь к сезонности.
Почему стоит выбрать ML-подход, а не простые таймеры?
Таймеры негибки: в пятницу вечером офис пустует, но свет горит до 23:00. ML-модель анализирует occupancy за последние 8 недель и предсказывает пустые зоны с вероятностью 0.97 — свет гаснет на 40 минут раньше. Экономия сценария "последний ушёл" — до 8% от общего потребления. Плюс модель подавляет ложные срабатывания от сквозняков и животных — точность детекции не падает. ML-модель снижает энергопотребление на 30–50%, что в 2–3 раза больше, чем у таймеров (10–20%).
Метрики эффекта
| Показатель | Значение | Комментарий |
|---|---|---|
| Экономия электроэнергии | 30–50% | В зависимости от зоны и времени года |
| Срок окупаемости системы | 2–4 года | Для объектов от 500 м² |
| Точность occupancy detection | 92–96% | На размеченных данных с 10 зон |
| Повышение комфорта сотрудников | – | Жалобы на дискомфорт снижаются на 70% |
Сравнение подходов к управлению освещением
| Параметр | Таймеры | PIR-датчики | ML-подход |
|---|---|---|---|
| Гибкость расписания | Низкая | Средняя | Высокая |
| Учёт дневного света | Нет | Нет | Да |
| Точность occupancy | – | 70% | 95% |
| Энергосбережение | 10–20% | 20–30% | 30–50% |
| Адаптация к сезону | Нет | Нет | Да |
Что входит в работу
- Обследование объекта: аудит текущей системы освещения, схемы зон, замеры освещённости, сбор исторических датчиков.
- Проектирование ML-решения: выбор модели (Random Forest, LSTM, Prophet), настройка hyperparams, симуляция на синтетических данных.
- Монтаж и интеграция: установка edge-контроллера, подключение по DALI/Modbus, деплой модели через ONNX Runtime. Возможна интеграция с BMS через BACnet, Modbus, KNX.
- Калибровка и A/B-тест: 2–3 недели параллельной работы, сравнение с существующей логикой.
- Обучение персонала и документация: передача дашборда (Grafana), API для интеграции с BMS.
Готовы оценить экономию для вашего здания? Свяжитесь с нами для предварительного расчёта.
Сроки: 4–8 недель
Оставьте заявку на расчёт экономии — оценим ваш объект за 2 дня и рассчитаем окупаемость. Мы гарантируем снижение энергопотребления не менее 30%.
DALI — стандарт IEC 62386 для цифрового управления освещением.