A predictive control system for indoor lighting

Abstract

Modern lighting solutions have become smart due to saving more energy and advancing technology like introducing light-emitting diodes (LEDs). LEDs offer many new possibilities on how to interact with lighting in order to provide the opportunity for smart lighting systems. Smart lighting systems combined with sensors automate the lighting process and can go beyond illumination, affect productivity, well-being, and emotions. Multiple applications exist in smart cities, warehouses, and even residentials. This Bachelor Thesis aims to examine current methods and to create a predictive control system for indoor lighting using smart lights from Philips Hue in combination with a Raspberry Pi and multiple sensors (motion, temperature, and lighting). We will also take a look at the technical and methodical background. For the experiment, we will collect user data and use it with a machine learning algorithm (Very Fast Decision Tree) to predict lighting in a real-life environment. At the end of the research, we are going to evaluate the system’s accuracy by measuring the decisions with time metrics. After a sensitivity analysis, we can say that the evaluated system can make some inaccurate predictions due to changed environmental values like longer daytime and different weather status (e.g., less cloudy weather).

Neue Lösungen von Licht wurden schlauer, indem sie mehr Energie gespart haben und wegen der Einführung von Technologien wie der Leuchtdiode (LED). LEDs bieten viele neue Möglichkeiten an wie man mit dem Licht interagieren kann. Dies öffnet die Tür zu Smart Lighting Systemen. Diese Systeme können mit Sensoren kombiniert werden und automatisieren den Beleuchtungsprozess. Dabei geht es nicht nur um die Beleuchtung, sondern das Licht kann auch eine Wirkung auf die Produktivität, das Wohlbefinden und auf Gefühle haben. Es existieren bereits mehrere Anwendungsfälle wie in Smart Cities, in Lagerhallen und sogar beim Wohnen. Das Ziel dieser Bachelorarbeit ist, die aktuellen Methoden zu analysieren und ein prädiktives Kontrollsystem für Innenbeleuchtung zu erstellen. Dabei werden Smart Lights von Philips Hue in Kombination mit einem Raspberry Pu und mehreren Sensoren (Bewegungssensor. Temperatursensor und Lichtsensor) verwendet. Wir werden auch auf den technischen und methodischen Hintergrund dieser Thesis schauen. Für das Experiment verwenden wir Benutzerdaten die wir selber sammeln. Anschließend verwenden wir diese für einen Machine Learning Algorithmus (Very Fast Decision Tree) um die Beleuchtung in einem realen Umfeld vorherzusagen. Anschließend werden wir das entstehende System mit Zeitmetriken nach der Genauigkeit bewerten. Mit einer Sensitivitätsanalyse können wir sagen, dass das System falsche Vorhersagen gemacht hat, aufgrund von Änderungen des Umfelds wie längere Tageszeiten oder auch veränderte Wetterzustände (weniger bewölkt, mehr Sonnenlicht).