An efficient and scalable software for the IoT management of multiple smart houses

Abstract

Denne avhandlingen presenterer utviklingen av en allsidig og skalerbar infrastruktur for overvåkning og kontroll av forskjellige internettkoblede Tingenes Internett (IoT)-enheter. Hovedmålet er å redusere energiforbruket og kostnadene gjennom kostnadseffektiv termisk responskontroll i norske hjem og kontorer. Infrastrukturen, som er bygget på Kubernetes, Django og InfluxDB, tillater sømløs integrasjon av nye enheter, logger effektivt deres data og gir en brukervennlig plattform for datahenting. Brukere kan melde seg inn i systemet og deretter logge sensordata fra sine hjem, noe som tillater omfattende dataanalyse for forskning og gir brukerne tilgang til avanserte kontrollalgoritmer.

Historisk har integrasjonen av diverse IoT-enheter vært utfordrende grunnet varierte kommunikasjonsmetoder. Men ankomsten av flere brukervennlige IoTenheter har gjort fjerntilgang av data og kontroll til en realitet. Systemet utviklet i denne avhandlingen har lykkes med å logge data fra et utvalg av IoT-enheter fra forskjellige leverandører og hjem, og dermed etablert grunnlaget for den nødvendige datainnsamling for fremtidig forskning på feltet. Denne mangelen på forskningsdata som omhandler etterspørselsrespons i vanlige hus er den største motivasjonen bak dette systemet. Til tross for tilstedeværelsen av lignende kommersielle løsninger, er behovet for dette systemet begrunnet med flere faktorer. Disse inkluderer systemets overensstemmelse med GDPR-retningslinjer, det faktum at det utelukkende vil bli brukt til forskningsformål, og fordelen ved å ha et dedikert, internt verktøy for datainnsamling innen forskningsgruppen.

Den innsamlede dataen har blitt brukt til å fullføre kontrollsløyfen ved å sende kontroll tilbake til noen av disse enhetene, noe som har blitt demonstrert med både Proporsjonal-Integrasjon (PI) kontroll og Modellprediktiv Styring (MPC). Det unike med dette systemet er dets evne til å skalere opp uten behov for en sentral kontroll-hub innad i huset, ved å bruke kostnadseffektive IoT enheter som forbrukere enkelt kan anskaffe. Effektive kontrollalgoritmer betyr også at brukerne kan oppnå betydelige energi- og kostnadsbesparelser. Forbedret ytelse kan oppnås ved å integrere sensordata med sanntids spotmarkedspriser og værprognoser. Systemets tilpasningsevne strekker seg også utover termisk responskontroll. Det kan tilpasses for å samhandle med andre systemer som ventilasjon og innebygde batterisystemer. Den innsamlede dataen vil også støtte utviklingen av læringsbaserte prediktive kontrollalgoritmer, noe som vil bidra til videre forskning på dette feltet.

This thesis presents the development of a versatile and scalable infrastructure for the monitoring and control of various Internet-enabled Internet of Things (IoT) devices. The primary objective is to reduce energy consumption and costs through cost-effective thermal-response control in Norwegian homes and offices. The infrastructure, constructed using Kubernetes, Django, and InfluxDB, permits seamless integration of new devices, effectively logging their data and providing an easy-to-use platform for data retrieval. Users can engage with the system by logging device data from their homes, allowing comprehensive data analysis for researchers and providing users access to advanced control algorithms.

Historically, the integration of IoT devices from different vendors has been challenging due to diverse communication methods. However, the recent surge in user-friendly IoT devices has made remote data access and device control a reality. The system presented in this thesis has effectively collected data from a variety of IoT devices across multiple vendors and homes, thereby laying a robust foundation for the essential data gathering required for future research. The lack of data on domestic demand response for research is one of the main motivations for the system. While commercial vendors providing similar services exist, the drive to create this system is reinforced by factors including GDPR compliance, its intended sole use for research, and the advantageous prospect of the research group having its own dedicated tool.

The retrieved data has been used to complete the control loop by sending inputs back to some of these devices, and this has been successfully demonstrated with both Proportional-Integral (PI) control and Model Predictive Control (MPC). This accomplishment, a system made to be scalable using affordable, off-the-shelf hardware without an in-house central hub, is what sets it apart. Effective control algorithms also mean that users can realize substantial energy and cost savings. Enhanced performance can be achieved by integrating sensor data with real-time spot market prices and weather forecasts. Importantly, the system’s adaptability extends beyond thermal-response control; it can be tailored to interact with other systems, such as ventilation and in-house battery systems. The collected data will also support the development of learning-based predictive control algorithms, contributing to further advancements in this field.