Розумний дім клієнта споживав на 30% більше, ніж треба. Кондиціонер працював у порожній кімнаті, бойлер грів воду в піковий тариф, освітлення не гасло за розкладом. Типова ситуація: IoT-пристрої є, але керування ними хаотичне. Рішення — AI-система, яка аналізує дані з датчиків, прогнозує споживання та автоматично вмикає/вимикає пристрої. Ми впроваджуємо такі системи під ключ за 6–10 тижнів. Зв'яжіться для оцінки вашого проекту — розберемо поточну схему.
Проблема: чому пристрої споживають зайве
Без оптимізації кожен прилад живе сам по собі. Кондиціонер не знає, що в кімнаті нікого немає. Бойлер вмикається в годину пік, коли тариф максимальний. Насос підтримує тиск вночі, хоча можна вимкнути. AI вирішує це автоматично: модель на основі LSTM вчиться на історії споживання та погодних даних, передбачає профіль на 24-48 годин і дає рекомендації або виконує команди.
Як ми збираємо дані: розумні лічильники та датчики
Для точної картини використовуємо пристрої з потоковою передачею даних через MQTT. Дані читаємо з частотою 1-10 секунд залежно від завдання.
| Пристрій | Інтерфейс | Точність | Застосування |
|---|---|---|---|
| Sonoff POWR316 | MQTT | ±1% | Домашні розетки |
| Shelly EM | HTTP REST | ±2% | Однофазні навантаження |
| Tuya Smart Plug | Cloud API | ±1.5% | Розумний дім |
Для промислових ліній — струмові трансформатори SCT-013 або PZEM-004T. Дані читає ESP32 через АЦП та публікує в MQTT топік. Всі пристрої калібруються під конкретну проводку.
// Android: підписка на дані потужності 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, накопичений лічильник
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")
}
}
}Як AI аналізує патерни споживання?
Сервер отримує потік даних і будує профіль кожного пристрою. Кластеризація часових рядів (K-Means на MFCC-подібних ознаках) виявляє типові патерни: робочий день, вихідний, порожній дім. Потім LSTM-модель прогнозує споживання на 24-48 годин з точністю 85-90% — це на 20% краще за традиційні ARIMA. Вхідні ознаки: 7 днів історії, день тижня, година, зовнішня температура, присутність людей.
# Сервер: підготовка ознак для прогнозу споживання
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), # тиждень тому
})
return dfЯкі автосценарії можна налаштувати?
На основі прогнозу додаток пропонує конкретні автоматизації. Наприклад: "Кондиціонер працював 3 години в порожній кімнаті — створити правило вимкнення при відсутності руху?", "Пральна машина запускається в піковий тариф — перенести на 23:00 і економити X гривень на місяць". Користувач підтверджує рекомендацію, і сценарій створюється на бекенді (Node-RED, Home Assistant) або надсилається безпосередньо на пристрій через MQTT.
// iOS: створення розкладу пристрою
struct DeviceSchedule: Codable {
let deviceId: String
let actions: [ScheduledAction]
}
struct ScheduledAction: Codable {
let cronExpression: String // "0 1 * * *" — щодня о 01:00
let command: DeviceCommand // ON, OFF, SET_TEMPERATURE, SET_MODE
let payload: [String: AnyCodable]?
let tariffProfile: String? // "night" — тільки при нічному тарифі
let conditions: [ScheduleCondition]? // presence_detected: false
}Що входить в роботу
- ML-модель прогнозування з документуванням
- Мобільний додаток (iOS на SwiftUI, Android на Jetpack Compose)
- Бекенд на Kotlin/Spring Boot з REST API та WebSocket
- Інтеграція з Home Assistant або Node-RED
- Встановлення та налаштування обладнання (розумні розетки, ESP32)
- Документація та навчання вашої команди
Процес розробки
Аналіз — збір вимог, аудит поточних пристроїв, вибір стеку. Проектування — архітектура ML-моделі, бази даних, API. Реалізація — навчання моделі, розробка мобільного та серверного коду, налаштування MQTT. Тестування — навантажувальні тести, налагодження сценаріїв, інтеграційне тестування. Деплой — публікація в App Store та Google Play, налаштування CI/CD. Отримайте консультацію — ми оцінимо ваш проект протягом дня.
Тарифні розрахунки та економія
Двотарифні лічильники — дані з API енергозбуту або ручне налаштування. Додаток відображає вартість споживання в реальному часі: поточний тариф × потужність. Графіки з накладеною тарифною сіткою на Swift Charts або MPAndroidChart. Користувач бачить, скільки коштує вечірній пік, і може налаштувати автосценарії для зниження витрат.
Терміни та вартість
Розробка модуля AI-оптимізації: 6–10 тижнів. Вартість розраховується індивідуально — напишіть нам для оцінки.
Приклад розрахунку економії на типовому будинку
Будинок 150 м², 15 пристроїв. Середня економія 25-30% на опаленні та освітленні. Окупність — 8-12 місяців.Гарантія та досвід
Ми гарантуємо стабільну роботу рішення. Досвід наших інженерів — понад 7 років в IoT та машинному навчанні. За більш ніж 5 років на ринку реалізували 20+ проектів у розумному домі та промисловості. При публікації додатку враховуємо App Store Review Guidelines Section 4.2. Зв'яжіться з нами для консультації — оцінимо ваш проект. Замовте розробку зараз.
