Energetický management v rezidenčních budovách s využitím strojového učení
| Název práce: | Energy management in residential buildings using Machine Learning |
|---|---|
| Autor(ka) práce: | Knotková, Sára |
| Typ práce: | Bachelor thesis |
| Vedoucí práce: | Feuerlicht, Jiří |
| Oponenti práce: | Maryška, Miloš |
| Jazyk práce: | English |
| Abstrakt: | This bachelor’s thesis focuses on predictive energy-flow optimization in residential households equipped with photovoltaic (PV) systems. The main challenge in maximizing PV efficiency is the temporal mismatch between solar generation and household consumption. To address this issue, this thesis proposes a data-driven approach to Demand-Side Management that uses machine learning to forecast and shift high-intensity thermal loads. The core of the implementation is an architecture inspired by a Multi-Head Temporal Convolutional Network (TCN), designed to predict a 24-hour horizon for three critical energy-flow variables: occupancy patterns, space heating demand, and domestic hot water temperature. These variables represent the significant flexible loads in a residential environment. An accurate prediction of these demands allows for the system to schedule heating cycles to align with peak solar production, thereby increasing the household’s self-consumption ratio and reducing reliance on the external grid. The prototype is developed as a Node.js model that is integrated with the Home Assistant ecosystem. It uses a high-frequency dataset of over 2.5 million historical telemetry rows, collected from January 1 to March 8, 2026. Technical contributions include a streaming generator, a branch-free Huber Loss function for sensor-noise resilience, and an MQTT-based actuation loop. Following this data collection, during a 14-day operational training and testing phase (March 8 to March 22), the model executed 259 continuous inference cycles successfully, and it did so directly on edge hardware. In the end, the system achieved a 93.4% reduction in Mean Absolute Error for thermal demand prediction following a 72-hour stabilization period. Furthermore, the model accurately identified unoccupied periods, yielding 178 hours of preserved energy by correctly disabling heating systems. While a strict 0.5 confidence threshold introduced a conservative bias that favored energy savings over optimal user comfort, the results demonstrate that predictive TCN-inspired modeling is a highly viable and scalable framework for reducing operating costs and improving residential energy self-sufficiency. |
| Klíčová slova: | energy optimization; smart home; machine learning |
| Název práce: | Energetický management v rezidenčních budovách s využitím strojového učení |
|---|---|
| Autor(ka) práce: | Knotková, Sára |
| Typ práce: | Bakalářská práce |
| Vedoucí práce: | Feuerlicht, Jiří |
| Oponenti práce: | Maryška, Miloš |
| Jazyk práce: | English |
| Abstrakt: | Tato bakalářská práce se zaměřuje na prediktivní optimalizaci toku energie v rezidenčních domácnostech vybavených fotovoltaickými (FV) systémy. Hlavní výzvou při maximalizaci účinnosti FV je časový nesoulad mezi solární výrobou a spotřebou domácnosti. K vyřešení tohoto problému práce navrhuje datově orientovaný přístup k řízení na straně spotřeby, který využívá strojové učení k předpovídání a přesouvání tepelné zátěže o vysoké intenzitě. Jádrem implementace je architektura inspirovaná vícehlavou temporální konvoluční sítí (Multi-Head TCN), navržená k predikci 24hodinového horizontu pro tři klíčové proměnné toku energie: vzorce přítomnosti osob, poptávku po vytápění prostoru a teplotu teplé užitkové vody. Tyto proměnné představují nejvýznamnější flexibilní zátěže v rezidenčním prostředí. Díky přesné predikci těchto požadavků může systém proaktivně plánovat topné cykly tak, aby se shodovaly s maximální solární produkcí, čímž se zvyšuje poměr vlastní spotřeby domácnosti a snižuje se závislost na vnější síti. Prototyp je vyvinut jako Node.js model integrovaný do ekosystému Home Assistant. Využívá vysokofrekvenční dataset s více než 2,5 miliony záznamů historické telemetrie, posbírané v období od 1. ledna do 8. března 2026. Mezi technické přínosy patří pamětově efektivní streamovací generátor, funkce Huber Loss bez větvení pro odolnost vůči šumu senzorů a aktuační smyčka založená na protokolu MQTT. Během následného 14denního trénovacího a testovacího provozu (od 8. do 22. března) model úspěšně provedl 259 kontinuálních inferenčních cyklů na edge hardwaru. Po 72hodinové stabilizační fázi systém dosáhl 93,4% snížení střední absolutní chyby (MAE) v predikci poptávky po teple. Model rovněž dokázal přesně identifikovat neobsazené časové úseky, což přineslo úsporu energie v délce 178 hodin včasným vypnutím topných systémů. Přestože striktní práh spolehlivosti 0,5 vnesl do rozhodování konzervativní zkreslení, které upřednostnilo úspory energie před uživatelským komfortem, výsledky prokazují, že prediktivní modelování pomocí sítě inspirované TCN představuje vysoce životaschopný a škálovatelný rámec pro snižování provozních nákladů a zvyšování energetické soběstačnosti rezidenčních budov. |
| Klíčová slova: | chytrá domácnost; optimalizace energie; strojové učení |
Informace o studiu
| Studijní program / obor: | Aplikovaná informatika |
|---|---|
| Typ studijního programu: | Bakalářský studijní program |
| Přidělovaná hodnost: | Bc. |
| Instituce přidělující hodnost: | Vysoká škola ekonomická v Praze |
| Fakulta: | Fakulta informatiky a statistiky |
| Katedra: | Katedra informačních technologií |
Informace o odevzdání a obhajobě
| Datum zadání práce: | 25. 11. 2025 |
|---|---|
| Datum podání práce: | 10. 5. 2026 |
| Datum obhajoby: | 26. 6. 2026 |
| Identifikátor v systému InSIS: | https://insis.vse.cz/zp/94637/podrobnosti |