Датчики руху — дешевий спосіб керувати освітленням, але вони сліпі: світло вмикається із затримкою, гасне, коли людина ще в приміщенні, не враховує денне світло. Результат — 30% енергії витрачається марно. Ми, команда з 5-річним досвідом у ML-автоматизації будівель (понад 50 реалізованих проектів), вирішуємо цю проблему інакше: навчаємо модель прогнозувати occupancy та плавно регулювати яскравість під реальні умови. Система окупається за 2–4 роки, а комфорт персоналу зростає — жодних різких вмикань і мерехтіння.
В одному з проектів для офісної будівлі площею 2500 м² ми впровадили систему на базі Edge ML. Встановили 12 Raspberry Pi 4, підключених до DALI-мережі. Модель Random Forest навчалася на історичних даних за 3 місяці та досягла точності occupancy 94%. Енергоспоживання знизилося на 45%.
Як AI вирішує проблему сліпого освітлення?
Класичні PIR-датчики дають бінарний сигнал: "є/немає руху". Вони не відрізняють людину від кішки, не пам'ятають історію, не знають, що о 15:00 в переговорній зазвичай люди. Наш підхід — ML-модель на часових рядах — збирає дані з датчиків (PIR, ультразвук, CO2, lux) та будує ймовірнісний прогноз. Модель Random Forest дає точність occupancy 95% — це в 1.5 рази точніше звичайного PIR (70%). Daylight harvesting на основі авторегресії дозволяє знижувати яскравість при 500 lux природного світла — економія ще 15%.
Архітектура системи
- Сенсорний шар: PIR/ультразвукові датчики присутності (точність 90–95%), датчики освітленості (lux) для daylight harvesting, CO2 датчики для непрямої оцінки occupancy, опціонально камери з people counting.
- Edge ML: на DALI-контролері або локальному Raspberry Pi: occupancy prediction (Random Forest на часових патернах), daylight model (AutoRegressive на історичних lux + погодний forecast), adaptive dimming (RL-агент підтримує target illuminance 300–500 lux).
- Control Layer: DALI (Digital Addressable Lighting Interface) — стандартний протокол керування освітленням. Групове та індивідуальне керування світильниками.
Що система робить
- Вимикає освітлення при відсутності людей через N хвилин (адаптивний timeout по зонах, що враховує ймовірність повернення).
- Знижує яскравість при достатньому денному світлі — модель прогнозує освітленість на годину вперед.
- Попередньо вмикає світло перед приходом людей (за календарем/патернами).
- Аварійне освітлення при виявленні руху в темний час — з плавним розпалюванням до 20%.
- Автоматичне калібрування: щотижня модель перенавчається на нових даних, адаптуючись до сезонності.
Чому варто обрати ML-підхід, а не прості таймери?
Таймери негнучкі: в п'ятницю ввечері офіс пустує, але світло горить до 23:00. ML-модель аналізує occupancy за останні 8 тижнів і прогнозує пусті зони з ймовірністю 0.97 — світло гасне на 40 хвилин раніше. Економія сценарію "останній пішов" — до 8% від загального споживання. Плюс модель пригнічує хибні спрацьовування від протягів і тварин — точність детекції не падає. ML-модель знижує енергоспоживання на 30–50%, що в 2–3 рази більше, ніж у таймерів (10–20%).
Метрики ефекту
| Показник | Значення | Коментар |
|---|---|---|
| Економія електроенергії | 30–50% | Залежно від зони та пори року |
| Термін окупності системи | 2–4 роки | Для об'єктів від 500 м² |
| Точність occupancy detection | 92–96% | На розмічених даних з 10 зон |
| Підвищення комфорту співробітників | – | Скарги на дискомфорт знижуються на 70% |
Порівняння підходів до керування освітленням
| Параметр | Таймери | PIR-датчики | ML-підхід |
|---|---|---|---|
| Гнучкість розкладу | Низька | Середня | Висока |
| Врахування денного світла | Ні | Ні | Так |
| Точність occupancy | – | 70% | 95% |
| Енергозбереження | 10–20% | 20–30% | 30–50% |
| Адаптація до сезону | Ні | Ні | Так |
Що входить в роботу
- Обстеження об'єкта: аудит поточної системи освітлення, схеми зон, виміри освітленості, збір історичних датчиків.
- Проектування ML-рішення: вибір моделі (Random Forest, LSTM, Prophet), налаштування hyperparams, симуляція на синтетичних даних.
- Монтаж та інтеграція: встановлення edge-контролера, підключення по DALI/Modbus, деплой моделі через ONNX Runtime. Можлива інтеграція з BMS через BACnet, Modbus, KNX.
- Калібрування та A/B-тест: 2–3 тижні паралельної роботи, порівняння з існуючою логікою.
- Навчання персоналу та документація: передача дашборда (Grafana), API для інтеграції з BMS.
Готові оцінити економію для вашої будівлі? Зв'яжіться з нами для попереднього розрахунку.
Терміни: 4–8 тижнів
Залиште заявку на розрахунок економії — оцінимо ваш об'єкт за 2 дні та розрахуємо окупність. Ми гарантуємо зниження енергоспоживання не менше ніж 30%.
DALI — стандарт IEC 62386 для цифрового керування освітленням.