Умный дом клиента потреблял на 30% больше, чем надо. Кондиционер работал в пустой комнате, бойлер грел воду в пиковый тариф, освещение не гасло по расписанию. Типичная ситуация: IoT-устройства есть, но управление ими хаотичное. Решение — AI-система, которая анализирует данные с датчиков, прогнозирует потребление и автоматически включает/выключает устройства. Мы внедряем такие системы под ключ за 6–10 недель. Свяжитесь для оценки вашего проекта — бесплатно разберём текущую схему.
Проблема: почему устройства потребляют лишнее
Без оптимизации каждый прибор живёт сам по себе. Кондиционер не знает, что в комнате никого нет. Бойлер включается в час пик, когда тариф максимальный. Насос поддерживает давление ночью, хотя можно отключить. AI решает это автоматически: модель на основе LSTM учится на истории потребления и погодных данных, предсказывает профиль на 24-48 часов и даёт рекомендации или выполняет команды.
Как мы собираем данные: умные счётчики и датчики
Для точной картины используем устройства с поточной передачей данных через MQTT. Данные читаем с частотой 1-10 секунд в зависимости от задачи.
| Устройство | Интерфейс | Точность | Применение |
|---|---|---|---|
| Sonoff POWR316 | MQTT | ±1% | Домашние розетки |
| Shelly EM | HTTP REST | ±2% | Однофазные нагрузки |
| Tuya Smart Plug | Cloud API | ±1.5% | Умный дом |
Для промышленных линий — токовые трансформаторы SCT-013 или PZEM-004T. Данные читает ESP32 через АЦП и публикует в MQTT топик. Все устройства калибруются под конкретную проводку.
// Android: подписка на данные мощности через MQTT data class PowerReading( val deviceId: String, val activePower: Double, // Вт val reactivePower: Double, // ВАр val voltage: Double, // В val current: Double, // А val energy: Double, // кВтч, накопленный счётчик val timestamp: Long ) class EnergyMonitorRepository { fun observeDevicePower(deviceId: String): Flow<PowerReading> = channelFlow { mqttClient.subscribe("devices/$deviceId/power", qos = 1) { _, msg -> val reading = Json.decodeFromString<PowerReading>(String(msg.payload)) trySend(reading) } awaitClose { mqttClient.unsubscribe("devices/$deviceId/power") } } } Как AI анализирует паттерны потребления?
Сервер получает поток данных и строит профиль каждого устройства. Кластеризация временных рядов (K-Means на MFCC-подобных признаках) выявляет типовые паттерны: рабочий день, выходной, пустой дом. Затем LSTM-модель прогнозирует потребление на 24-48 часов с точностью 85-90% — это на 20% лучше традиционных ARIMA. Входные признаки: 7 дней истории, день недели, час, внешняя температура, присутствие людей.
# Сервер: подготовка признаков для прогноза потребления def build_features(device_id: str, horizon_hours: int = 24) -> pd.DataFrame: history = get_power_history(device_id, days=7) weather = get_weather_forecast(hours=horizon_hours) df = pd.DataFrame({ 'hour_sin': np.sin(2 * np.pi * history.hour / 24), 'hour_cos': np.cos(2 * np.pi * history.hour / 24), 'dow_sin': np.sin(2 * np.pi * history.dayofweek / 7), 'dow_cos': np.cos(2 * np.pi * history.dayofweek / 7), 'temp_outdoor': weather.temperature, 'power_lag_1h': history.power.shift(1), 'power_lag_24h': history.power.shift(24), 'power_lag_168h': history.power.shift(168), # неделя назад }) return df Какие автосценарии можно настроить?
На основе прогноза приложение предлагает конкретные автоматизации. Например: "Кондиционер работал 3 часа в пустой комнате — создать правило выключения при отсутствии движения?", "Стиральная машина запускается в пиковый тариф — перенести на 23:00 и экономить X рублей в месяц". Пользователь подтверждает рекомендацию, и сценарий создаётся на бэкенде (Node-RED, Home Assistant) или отправляется напрямую на устройство через MQTT.
// iOS: создание расписания устройства struct DeviceSchedule: Codable { let deviceId: String let actions: [ScheduledAction] } struct ScheduledAction: Codable { let cronExpression: String // "0 1 * * *" — каждый день в 01:00 let command: DeviceCommand // ON, OFF, SET_TEMPERATURE, SET_MODE let payload: [String: AnyCodable]? let tariffProfile: String? // "night" — только при ночном тарифе let conditions: [ScheduleCondition]? // presence_detected: false } Что входит в работу
- ML-модель прогнозирования с документированием
- Мобильное приложение (iOS на SwiftUI, Android на Jetpack Compose)
- Бэкенд на Kotlin/Spring Boot с REST API и WebSocket
- Интеграция с Home Assistant или Node-RED
- Установка и настройка оборудования (умные розетки, ESP32)
- Документация и обучение вашей команды
Процесс разработки
Анализ — сбор требований, аудит текущих устройств, выбор стека. Проектирование — архитектура ML-модели, базы данных, API. Реализация — обучение модели, разработка мобильного и серверного кода, настройка MQTT. Тестирование — нагрузочные тесты, отладка сценариев, интеграционное тестирование. Деплой — публикация в App Store и Google Play, настройка CI/CD. Получите консультацию — мы оценим ваш проект в течение дня.
Тарифные расчёты и экономия
Двухтарифные счётчики — данные из API энергосбыта или ручная настройка. Приложение отображает стоимость потребления в реальном времени: текущий тариф × мощность. Графики с наложенной тарифной сеткой на Swift Charts или MPAndroidChart. Пользователь видит, сколько стоит вечерний пик, и может настроить автосценарии для снижения затрат.
Сроки и стоимость
Разработка модуля AI-оптимизации: 6–10 недель. Стоимость рассчитывается индивидуально — напишите нам для оценки.
Пример расчёта экономии на типовом доме
Дом 150 м², 15 устройств. Средняя экономия 25-30% на отоплении и освещении. Окупаемость — 8-12 месяцев.Гарантия и опыт
Мы гарантируем стабильную работу решения. Опыт наших инженеров — более 7 лет в IoT и машинном обучении. За более чем 5 лет на рынке реализовали 20+ проектов в умном доме и промышленности. При публикации приложения учитываем App Store Review Guidelines Section 4.2. Свяжитесь с нами для консультации — оценим ваш проект бесплатно. Закажите разработку сейчас.