Το κόστος για τη θέρμανση των κτιρίων προβλημάτισε και ανησύχησε έντονα το μεγαλύτερο μέρος της ελληνικής κοινωνίας το χειμώνα που πέρασε. Έτσι σκεφτήκαμε να χρησιμοποιήσουμε τις νέες τεχνολογίες για τη μείωση των ενεργειακών δαπανών. Για το σκοπό αυτό, με τη βοήθεια της τεχνολογίας IoT και τη χρήση οικονομικών αισθητήρων αποφασίσαμε να συγκεντρώσουμε πραγματικά δεδομένα που σχετίζονται με τις συνθήκες θέρμανσης του σχολικού μας κτιρίου και πιο συγκεκριμένα του εργαστηρίου πληροφορικής. Έπειτα με τη βοήθεια της Μηχανικής Μάθησης να αποκτήσουμε τη δυνατότητα πρόβλεψης των μελλοντικών αναγκών σε θερμική ενέργεια. Αξιοποιώντας αυτή τη γνώση δίνεται η δυνατότητα εντοπισμού οικονομικότερων τρόπων λειτουργίας της θέρμανσης, που σχετίζονται με τις ώρες λειτουργίας και τη ρύθμιση της θερμοκρασίας του vερού στα σώματα. Επιπλέον γνωρίζοντας τις μελλοντικές ανάγκες σε πετρέλαιο, και χρησιμοποιώντας τις προβλέψεις των καιρικών συνθηκών, η λήψη της απόφασης για την αγορά του, μπορεί να γίνεται σύμφωνα με τις πιο συμφέρουσες οικονομικά συνθήκες.
Η Υλοποίηση
Έτσι τοποθετήσαμε ένα αισθητήρα θερμοκρασίας και υγρασίας DHT11 στο χώρο του εργαστηρίου πληροφορικής και ένα αισθητήρα DHT22 στον εξωτερικό χώρο. Οι αισθητήρες συνδέθηκαν σε δύο Raspberry Pi Pico w αντίστοιχα με τη βοήθεια των οποίων στείλαμε τις μετρήσεις σε δύο κανάλια στην πλατφόρμα ThingSpeak για ένα διάστημα περίπου 30 ημερών. Για την τροφοδοσία του κυκλώματος του εξωτερικού χώρου αποφασίσαμε να χρησιμοποιήσουμε ένα σύστημα επαναφορτιζόμενων μπαταριών τα οποία τοποθετήσαμε σε ένα κουτί κατάλληλων διαστάσεων για την προστασία των κυκλωμάτων. Ο προγραμματισμός και των δύο κυκλωμάτων έγινε στο Arduino IDE.
Παράλληλα υπολογίσαμε την παραγόμενη θερμική ενέργεια από τα θερμαντικά σώματα που βρίσκονται στον υπό μελέτη χώρο, σύμφωνα με τη λειτουργία του Συστήματος Κεντρικής Θέρμανσης του σχολικού κτιρίου. Τα δεδομένα αυτά τα συγκεντρώσαμε σε ένα αρχείο csv. Χωρίσαμε το σύνολο των δεδομένων σε δύο υποσύνολα dataset και test set και τροφοδοτήσαμε με αυτά δύο πολύ γνωστούς αλγορίθμους Μηχανικής Μάθησης τους K-Nearest Neighbors και Random Forest, προκειμένου να τους εκπαιδεύσουμε και να διαπιστώσουμε το ποσοστό σφάλματος στις προβλέψεις τους. Για τα παραπάνω χρησιμοποιήθηκε το περιβάλλον Google Colab και η γλώσσα προγραμματισμού python με τη βιβλιοθήκη Μηχανικής Μάθησης scikit-learn.
Τα υλικά που χρησιμοποιήσαμε είναι τα παρακάτω:
Δύο μικροελεγκτές Raspberry Pi Pico w
Voltage Meter
Φορτιστής και Li-ion Battery Charger Protection
Τρεις μπαταρίες λιθίου 18650 3100mAh
Μπαταριοθήκη τριών στοιχείων
Αισθητήρας θερμοκρασίας DHT11
Αισθητήρας θερμοκρασίας DHT22
Καλώδια και breadboard
Διαγράμματα
To διάγραμμα των συνδέσεων Raspberry Pi Pico w με DHT11 και DHT22 αντίστοιχα, φαίνεται στις παρακάτω εικόνες:
To σχεδιάγραμμα για το σύστημα των επαναφορτιζόμενων μπαταριών φαίνεται στο παρακάτω σκαρίφημα και ακολουθούν φωτογραφίες από την κατασκευή του:
Δυσκολίες που συναντήσαμε:
Ο αισθητήρας DHT22 έστελνε ανορθόδοξες μετρήσεις κατά τα μεγαλύτερα διαστήματα λειτουργίας του. Για την αντιμετώπιση του προβλήματος χρησιμοποιούνταν πολύ συχνά άλλος αισθητήρας, συνήθως DHT11.
Η δεύτερη και μεγαλύτερη δυσκολία ήταν η τροφοδοσία του κυκλώματος εξωτερικού χώρου. Αφού κατασκευάστηκε το κύκλωμα, δεν λειτούργησε παρά τους επανειλημμένους ελέγχους και την αντικατάσταση των πλακετών του με άλλες. Τελικά τις μετρήσεις τις πήραμε χρησιμοποιώντας άλλες πηγές ενέργειας, συνήθως Power Banks.
Τα αρχεία του έργου στο GitHub:
https://github.com/4peirlyk/The4thExperiment
Το video του έργου εδώ: