| dc.contributor.advisor |
Córdova García, José,, Director |
|
| dc.contributor.author |
Noboa Véliz, Andrés Marcelo |
|
| dc.contributor.author |
Chica Zambrano, Diana Saray |
|
| dc.creator |
ESPOL |
|
| dc.date.accessioned |
2023-09-26T18:41:40Z |
|
| dc.date.available |
2023-09-26T18:41:40Z |
|
| dc.date.issued |
2023 |
|
| dc.identifier.citation |
Noboa Véliz, A. M. y Chica Zambrano, D. S. (2023). Integración de ocupación para optimización del confort. [Proyecto integrador]. ESPOL. FIEC. . |
|
| dc.identifier.uri |
http://www.dspace.espol.edu.ec/handle/123456789/58171 |
|
| dc.description |
Este proyecto tiene como objetivo mejorar la gestión autónoma de sistemas de aire acondicionado en entornos interiores mediante la aplicación de aprendizaje automático y dispositivos IoT (Internet de las cosas). El proyecto aprovecha técnicas como el aprendizaje por refuerzo, en particular, Q-learning, para optimizar el control del aire acondicionado en función de las preferencias de comodidad de los ocupantes. Para la recopilación de datos y la toma de decisiones, se utilizan dispositivos IoT que incluyen una Raspberry Picon cámara, una estación meteorológica y un control remoto Broad link RM4. El proyecto comienza con la adquisición de datos de dispositivos IoT y una página web de votación para usuarios, capturando información sobre ocupación, temperatura y preferencias de comodidad. Los datos recopilados se utilizan para entrenar el modelo de Q-learning, lo que le permite predecir acciones óptimas de control del aire acondicionado en tiempo real. La determinación de la política del modelo implica un equilibrio entre exploración y explotación, esencial para un aprendizaje y toma de decisiones efectivas. Escenarios experimentales llevados a cabo en un entorno de laboratorio validan el rendimiento del sistema. Se analizan patrones de ocupación, preferencias de temperatura y percepciones de comodidad utilizando datos recopilados, lo que demuestra la capacidad del modelo de Q-learning para adaptar el aire acondicionado en función de observaciones en tiempo real. Los resultados indican que el sistema autónomo mantiene eficazmente la comodidad de los ocupantes, superando los ajustes manuales en términos de satisfacción térmica constante. Este proyecto resalta la importancia de combinar tecnología IoT y algoritmos de aprendizaje automático para optimizar sistemas de aire acondicionado. La exitosa aplicación de Q-learning en un contexto real subraya su potencial para lograr una comodidadtérmicaprecisayuncontroleficienteentérminosenergéticos, contribuyendo a un entorno interior más sostenible y confortable. |
|
| dc.format |
application/pdf |
|
| dc.format.extent |
75 páginas |
|
| dc.language.iso |
spa |
|
| dc.publisher |
ESPOL |
|
| dc.rights |
openAccess |
|
| dc.subject |
Q-Learning |
|
| dc.subject |
Edificios inteligentes |
|
| dc.subject |
Control del aire acondicionado |
|
| dc.subject |
Dispositivos IoT |
|
| dc.title |
Integración de ocupación para optimización del confort |
|
| dc.type |
Ingeniero en Telemática |
|
| dc.identifier.codigoespol |
T-113539 |
|
| dc.description.city |
Guayaquil |
|
| dc.description.degree |
Escuela Superior Politécnica del Litoral |
|
| dc.identifier.codigoproyectointegrador |
INGE-2105 |
|
| dc.description.abstractenglish |
This project aims to enhance the autonomous management of air conditioning systems in indoor environments through the application of machine learning and IoT devices. The project leverages techniques such as Q-learning, a form of reinforcement learning, to optimize the control of air conditioning based on occupant comfort preferences. IoT devices including a Raspberry Pi with a camera, a weather station, and a Broadlink RM4 remote controller are utilized for data collection and decision-making. TheprojectbeginswithdataacquisitionfromIoTdevicesandauservotingwebpage, capturing occupancy, temperature, and comfort preferences. The collected data is then used to train a Q-learning model, enabling it to predict optimal air conditioning actions in real-time. The model?s policy determination involves a balance between exploration and exploitation, essential for effective learning and decision-making. Experimental scenarios conducted within a laboratory setting validate the system?s performance. Occupancy patterns, temperature preferences, and comfort perceptions areanalyzedusingcollecteddata,showcasingtheabilityoftheQ-learningmodeltoadapt air conditioning based on real-time observations. Results indicate that the autonomous systemefficientlymaintainsoccupantcomfort,outperformingmanualadjustmentsinterms of consistent thermal satisfaction. This project underscores the significance of merging IoT technology and machine learning algorithms to optimize air conditioning systems. The successful application of Q-learning in a real-world context highlights its potential in achieving precise thermal comfort and energy-efficient control, contributing to a more sustainable and comfortable indoor environment. |
|