ChSTU repository
ChSTU repository preserves and enables easy and open access to all types of digital content including text, images, moving images, mpegs and data sets
Learn More
Please use this identifier to cite or link to this item:
https://er.chdtu.edu.ua/handle/ChSTU/6293| Title: | Смарт системи моніторингу енергоспоживання |
| Authors: | Рудаков, Костянтин Сергійович Левченко, Максим Миколайович |
| Issue Date: | Jun-2025 |
| Abstract: | У кваліфікаційній роботі проведено: огляд рішень – проаналізовано сучасні пристрої та технології моніторингу енергії; проектування системи на базі мікроконтролера ESP32; прогнозування енергооптимізації; У роботі досліджено концепцію розробки смарт-системи моніторингу енергоспоживання для житлових приміщень із використанням сучасних апаратних та програмних рішень. Проєкт зосереджено на підвищенні енергоефективності, автоматизації управління електроприладами та зменшенні витрат на електроенергію. Окрему увагу приділено безпековим аспектам на всіх рівнях системи. Результати дослідження свідчать про перспективність використання смарт-технологій у підвищенні енергоефективності побуту. |
| URI: | https://er.chdtu.edu.ua/handle/ChSTU/6293 |
| Appears in Collections: | 123 Комп’ютерна інженерія (Спеціалізовані комп’ютерні системи) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Б_123_2025_Левченко.pdf Restricted Access | 1.4 MB | Adobe PDF | View/Open Request a copy |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
Extracted text
МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ ЧЕРКАСЬКИЙ ДЕРЖАВНИЙ ТЕХНОЛОГІЧНИЙ УНІВЕРСИТЕТ ФАКУЛЬТЕТ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ І СИСТЕМ КАФЕДРА РОБОТОТЕХНІКИ ТА СПЕЦІАЛІЗОВАНИХ КОМП’ЮТЕРНИХ СИСТЕМ ПОЯСНЮВАЛЬНА ЗАПИСКА до кваліфікаційної роботи освітнього ступеня «бакалавр» на тему: Смарт системи моніторингу енергоспоживання Виконав студент 4 курсу групи СКС-2107 спеціальності 123 Комп’ютерна Інженерія Максим ЛЕВЧЕНКО (ім’я та ПРІЗВИЩЕ) Керівник Костянтин РУДАКОВ (ім’я та ПРІЗВИЩЕ) Рецензент (ім’я та ПРІЗВИЩЕ) Захист дозволяю: зав. кафедри, д.т.н., професор Валентина ЛУКАШЕНКО (підпис) (ім’я та ПРІЗВИЩЕ) Черкаси 2025 2 ЗМІСТ ВСТУП .................................................................................................................. 3 1.ТЕХНІЧНА ІНФРАСТРУКТУРА ТА БЕЗПЕКОВІ АСПЕКТИ СИСТЕМ ІНТЕЛЕКТУАЛЬНОГО БУДИНКУ ................................................................... 5 1.1 Огляд сучасних технологій для моніторингу енергоспоживання........... 5 1.2 Системи моніторингу параметрів середовища та обладнання............... 26 1.3 Методи аналізу енергоспоживання та формування рекомендацій......... 30 1.4 Програмне забезпечення з алгоритмами аналізу та рекомендацій......... 32 1.5 Ризики безпеки............................................................................................ 34 2.МОДЕЛЮВАННЯ ІНТЕГРОВАНОЇ СИСТЕМИ АВТОМАТИЗАЦІЇ ЖИТЛОВОГО ПРИМІЩЕННЯ НА БАЗІ ІСНУЮЧИХ ПРОГРАМНИХ ТА АПАРАТНИХ РІШЕНЬ. .................................................................................... 42 2.1 Основні компоненти.................................................................................... 42 2.2 Архітектура роботи..................................................................................... 55 3.ФУНКЦІЇ СИСТЕМИ ..................................................................................... 61 3.1 Відстеження енергоспоживання в режимі реального часу..................... 61 3.2 Виявлення енергоємних пристроїв та їхнього впливу на загальні витрати................................................................................................................62 3.3 Прогнозування витрат на основі поточного споживання........................ 63 3.4 Прогнозування результатів оптимізації енергоспоживання................... 65 ВИСНОВОК ....................................................................................................... 67 ДЖЕРЕЛА .......................................................................................................... 69 3 ВСТУП У сучасних умовах зростання вартості енергоресурсів та підвищеної уваги до екологічної безпеки актуальним стає впровадження енергоефективних рішень у побуті. Інтеграція «розумних» систем моніторингу енергоспоживання дозволяє користувачам отримувати точні дані в режимі реального часу, виявляти « енергетичних вампірів» – пристрої, що споживають електроенергію в режимі очікування, контролювати втрати тепла через вікна й двері за допомогою датчиків температури, а також автоматизувати керування навантаженнями з урахуванням денних та нічних тарифів. Актуальність теми роботи. Інтеграція смарт-систем моніторингу енергоспоживання – це інвестиція в економію коштів та підвищення комфорту. Такі системи надають точні дані про споживання електроенергії в режимі реального часу, дозволяючи виявляти пікові навантаження, неефективні прилади та потенційні аварії. Завдяки високоточним датчикам, інтеграції з IoT та хмарним алгоритмам, користувачі автоматично отримують аналіз даних, прогнози витрат і можливість дистанційного контролю через смартфон. Мета роботи. Розробка концепції вдосконаленої смарт-системи моніторингу енергоспоживання, з пріоритетом на подоланні ключових недоліків сучасних рішень: помилковій ініціалізації процесів, складності інтеграції, загрозах безпеки даних, технічних бар’єрах. Мета цієї роботи – розробка концепції вдосконаленої смарт-системи моніторингу енергоспоживання для житлового приміщення, яка б подолала існуючі недоліки (помилкова ініціалізація процесів, складність інтеграції, загрози безпеки даних) і надала користувачеві зрозумілі рекомендації для економії. Задля досягнення цієї мети поставлено такі завдання: 4 Завдання роботи. 1. Провести аналіз існуючої літератури, на базі отриманих даних запропонувати концепцію системи, що має забезпечити ефективний аналіз енерговитрат, автоматизоване управління приладами, підвищення енергоефективності на рівні домогосподарств, а також зробити технологію доступною для користувачів. 2. Провести огляд сучасних апаратних і програмних рішень для збору та аналізу енергоспоживання (смарт-лічильники, розумні розетки, сенсори середовища). 3. Розробити архітектуру інтегрованої системи на базі мікроконтролера ESP32 із хмарним модулем обробки даних. 4. Впровадити алгоритми аналізу часових рядів і кластеризації для прогнозування енергоспоживання й виявлення аномалій. 5. Сформувати модуль рекомендацій для оптимального керування приладами. Об’єктом дослідження є сучасні смарт системи – сукупність апаратних та програмних рішень направлених на оптимізацію енерговитрат, і як наслідок, викликаючих зменшення вартості комунальних послуг. Предметом дослідження є методи збору даних, їх обробки, забезпечення захисту, інтеграція та взаємодія апаратних складових платформи. Методи дослідження. Для вирішення поставлених завдань були проведені дослідження, що включають в себе аналіз: науково-технічної літератури, існуючих патентів та техніко-характеристичних показників. Методами дослідження виступили аналіз науково-технічної літератури, експериментальні вимірювання протягом 30-денної пробної експлуатації, а також моделювання роботи системи. 5 1. ТЕХНІЧНА ІНФРАСТРУКТУРА ТА БЕЗПЕКОВІ АСПЕКТИ СИСТЕМ ІНТЕЛЕКТУАЛЬНОГО БУДИНКУ 1.1 Огляд сучасних технологій для моніторингу енергоспоживання Розвиток інноваційних технологій, які дозволяють отримувати надзвичайно точні та оперативні дані про використання енергії в режимі реального часу, створив умови для реалізації продвинутих систем збору та аналізу інформації, які дозволяють не тільки збирати дані, але й проводити їх детальну обробку з метою оптимізації енергоспоживання. Розумний будинок складається зі взаємопов’язаних пристроїв та приладів (освітлення, опалення, безпека тощо), якими можна керувати віддалено через смартфон, планшет або голосові команди через єдину мережу чи хаб. До екосистеми IoT належать «розумні» лампочки, термостати, камери, дверні дзвінки, посудомийні машини та інші пристрої, які збирають і обмінюються даними через інтернет і датчики. Пристрої можуть діяти як за командою користувача, так і автономно за розкладом або подіями: Завдяки цьому автоматизація повсякденних завдань підвищує комфорт, безпеку та енергоефективність дому. У розумному домі пристрої взаємодіють між собою за допомогою бездротових протоколів (Wi-Fi, Bluetooth, Zigbee, Z-Wave, Thread тощо) і обмінюються даними, щоб узгоджено виконувати завдання. Коли низка гаджетів налаштована через єдину платформу або хаб – наприклад, додаток Google чи пристрій Nest Hub – вони утворюють єдину екосистему незалежно від виробника. Система базується на принципах сучасних технологій, що безперервно вдосконалюються, і її головною метою є перетворення звичайного житла у високоефективну екосистему, де кожен датчик і пристрій працює у гармонії з іншими компонентами, забезпечуючи комплексний контроль і управління енергоспоживанням. Завдяки впровадженню смарт-лічильників, які 6 замінюють застарілі прилади вимірювання, можливості отримання даних набули нового рівня – тепер можна не тільки віддалено зчитувати показники, але й проводити детальний аналіз кожного окремого параметра. Ця технологія дає змогу не лише відслідковувати витрати енергії з високою точністю, але й виявляти невідповідності у режимах роботи обладнання, що значно сприяє своєчасному виявленню потенційних проблем. Це дозволяє не тільки економити ресурси, але й створювати максимально комфортні умови проживання. Завдяки такій інтеграції кожен компонент системи стає частиною єдиного механізму, що оптимізує використання енергії, забезпечуючи високий рівень автоматизації та контролю. Смарт-лічильники електроенергії Рисунок 1.1 – Зображення однофазового смарт-лічильника електроенергії з WiFi та його інтерфейсу. Рисунок 1.2 – Схема інтеграції смарт-ліччильника в однофазну мережу. 7 Смарт-лічильники (рис. 1.1) – це пристрої нового покоління, що замінюють традиційні електромеханічні лічильники. Вони оснащені вбудованими сенсорами та комунікаційними модулями, що дозволяє здійснювати віддалене зчитування даних та передачу інформації на сервери постачальників енергії або користувачів у режимі реального часу. Завдяки високоточним сенсорам, смарт-лічильники забезпечують точне вимірювання споживаної енергії, що дозволяє уникнути неточностей у розрахунках, а також дозволяють втілити в реальність миттєвий перегляд статистики споживання електроенергії. Монтаж смарт‑лічильника зазвичай починається зі встановлення приладу в обраний щиток відповідно до проектної документації та технічного паспорту будинку. Виробники електронних лічильників передбачають на задній панелі спеціальні гачки або пази для кріплення на стандартну DIN‑рейку, що дозволяє надійно зафіксувати прилад без використання додаткових металевих кронштейнів. Після цього через автоматичний вимикач, розташований перед лічильником у вхідному блоці, підводять фазний і нульовий дроти, дотримуючись заданого моменту затягування гвинтових клем згідно з інструкцією постачальника обладнання (рис. 1.2). Рисунок 1.3 - Розумний лічильник електроенергії з WIFI 63A 8 показників KWS-302WF 8 Розумний лічильник застосовує надточні датчики для вимірювання напруги та сили струму. Він перетворює аналогові електричні сигнали за допомогою вбудованих АЦП на цифровий формат, який потім обробляється мікроконтролером. Використовуючи алгоритми розрахунку миттєвої потужності, лічильник обчислює активну енергію шляхом інтегрування показників, отриманих від сенсорів, що дозволяє з найвищою точністю визначити, скільки електроенергії пройшло через пристрій за визначений час. До того ж, пристрій обладнано комунікаційним модулем, який забезпечує передачу зібраних даних в реальному часі через безпечні протоколи зв’язку. Це дозволяє операторам дистанційно контролювати споживання, аналізувати тренди та виявляти можливі несправності або спроби несанкціонованого втручання. Така інтеграція вимірювальних функцій із системами зв’язку сприяє підвищенню ефективності розподілу електроенергії, оптимізації тарифів і своєчасному технічному обслуговуванню мережі, що в результаті веде до зменшення експлуатаційних витрат та підвищення надійності електропостачання. На деяких пристроях, що містять в будові екран (рис. 1.3) зазвичай відображаються ключові параметри, які відстежує розумний лічильник під час роботи. Він дає змогу в реальному часі бачити, як змінюється навантаження та скільки енергії споживається. Ось що означають ці показники: Напруга (V) – це показник поточної напруги в електричній мережі. Відхилення від норми може свідчити про коливання або нестабільність у мережі. Струм (A) – це сила струму, яка зараз проходить через лічильник. Велике значення свідчить про високе навантаження на мережу. Потужність (kW) – відображає поточну споживану потужність у кіловатах. Цей показник допомагає зрозуміти, наскільки енергоємне обладнання ввімкнене в даний момент. 9 PF (Power Factor) – це коефіцієнт потужності, який показує співвідношення між активною та повною потужністю. Ідеальним вважається значення, наближене до 1, оскільки це означає ефективне використання енергії. Частота (Hz) – відображає частоту мережі (наприклад, 49,9 Гц або 50 Гц), що є стандартним показником у більшості країн. Відхилення від норми може свідчити про проблеми з генерацією або розподілом електроенергії. Загальне споживання (kWh) – показує, скільки кіловат-годин (кВт·год) уже було спожито за певний період. Це найважливіший параметр для розрахунку рахунків за електроенергію. Час або таймер (T) – деякі лічильники мають вбудований таймер чи годинник, який може показувати поточний час або час роботи. Залежно від моделі, це може бути тривалість роботи приладу або інший сервісний показник. Температура (°C) – свідчить про внутрішню температуру лічильника. Індикатор бездротового з'єднання (символ Wi-Fi чи інші) сповіщає про здатність лічильника передавати дані через бездротову мережу для віддаленого моніторингу. Це є корисним для дистанційного зчитування показників та аналізу енергоспоживання. 10 Рисунок 1.4 –Будова розумного лічильника електроенергії Linyang DSZY71-G. Розумний лічильник (рис. 1.4) складається з: 1. Радіочастотний коаксіальний роз’єм, що забезпечує зв’язок через бездротову передачу даних. 2. Екранування на рівні плати, яке знижує електромагнітні завади та захищає чутливі компоненти. 3. Комутаційні елементи, що керують вмиканням/вимиканням навантаження. 4. З’єднувачі між друкованими платами, які забезпечують надійний електричний контакт. 5. З’єднувачі для підключення дротів до плати. 6. Універсальні роз’єми для передачі сигналів та живлення між модулями. 7. Слот для SIM-картки, що забезпечує мобільну передачу даних (наприклад, через GSM/3G/4G). 8. Інтерфейси USB для підключення до зовнішніх пристроїв або налаштування. 9. З’єднувачі для гнучких друкованих шлейфів. 11 10. Пасивні елементи схеми, такі як резистори, конденсатори, індуктивності. 11. Антени для забезпечення бездротового зв’язку, наприклад, із базовими станціями або концентратором. Рисунок 1.5 – Фото компонентів розумного лічильника електроенергії. На рис.1.5 зображено внутрішню будову розумного лічильника Linyang DSZY71-G. В його будову входять індикаторна та силова плати, а також плата зв’язку. 12 Розумні розетки Рисунок 1.6 – Розумна розетка Perenio Power Link. Розумні розетки (рис. 1.6) – це пристрої, що дозволяють контролювати подачу електроенергії до окремих електроприладів. Будова типічного представника такого виду датчиків (рис. 1.2) включає в себе: 1 – контакт заземлення; 2 – гвинтові кришки; 3 – гвинти; 4 – пластикова основа; 5 – конструкційні тримачі; 6 – вилка; 7 – кріплення контактів вилки; 8 – плата з мікроконтролером та обв’язкою; 9 – штепсельний контакт; 10 – створна рама; 11 – пружина перекриття; 12 – захисне перекриття; 13 – пластиковий ковпак; 14 – кнопка; 15 – кришка кнопки. Зазвичай вони інтегровані у систему розумного будинку і дозволяють як віддалене керування, так і автоматизацію роботи електроприладів. Розумні розетки відслідковують енергоспоживання підключених пристроїв, надаючи детальну інформацію про споживані потужності. На основі встановлених алгоритмів система може автоматично вимикати пристрої, що знаходяться у режимі очікування, або регулювати їхню роботу згідно з заданими параметрами. Також, користувач може керувати розетками через смартфон, встановлюючи розклади роботи і отримувати сповіщення про підвищене споживання енергії. 13 Окрім базової функції віддаленого керування, сучасні розумні розетки часто оснащені можливостями моніторингу енергоспоживання. Це дозволяє користувачам отримувати дані про споживання електроенергії кожним пристроєм, визначати, які з них споживають більше енергії, і на основі цього приймати обґрунтовані рішення щодо оптимізації використання ресурсів. Дані, що збираються розумною розеткою, можуть відображатися у вигляді графіків і статистичних звітів через мобільний додаток або веб-портал, що робить процес аналізу простим та зрозумілим навіть для користувачів без спеціалізованих знань. Також розумні розетки можуть бути інтегровані з іншими компонентами системи розумного будинку для створення єдиної екосистеми управління. Це рішення є невід’ємною частиною сучасного розумного будинку і допомагає кожному власнику досягти високої енергоефективності та значної економії на електроенергії. Розумний вимикач Рисунок 1.7 – Wi-Fi вимикач Sonoff Basic. Корпус, внутрішня плата. 14 Sonoff Basic -– бездротовий вимикач, що працює через Wi-Fi, є простим і ефективним рішенням для віддаленого керування електричними навантаженнями та автоматизації домашніх процесів. Рисунок 1.8 – Wi-Fi вимикач Sonoff Basic. структурна будову розумної розетки, яка керується модулем ESP8266 через Wi-Fi. Цей пристрій (рис. 1.8) представляє собою реле, що кероване через бездротове з’єднання, до якого підключаються різноманітні електроприлади з максимальною потужністю до 2 кВт. Такий вимикач має величезний спектр застосувань. Він дозволяє віддалено вмикати і вимикати електроприлади. Завдяки своїй простоті та ефективності, такий бездротовий вимикач стає невід’ємною частиною сучасних систем домашньої автоматизації. Його можна інтегрувати у розумний будинок, де він працюватиме в комплексі з іншими пристроями, дозволяючи управляти різними аспектами електропостачання і автоматично оптимізувати режим роботи електроприладів. Бездротовий вимикач, що керується через Wi‑Fi, є універсальним рішенням для тих, хто прагне до сучасної домашньої автоматизації та ефективного управління електропостачанням. Деякі моделі подібних пристроїв можна використовувати як самостійно так і в парі з IoT системами. 15 Розумне освітлення Рисунок 1.9 – Розумне освітлення MagicLight SY-XZ56-NAIT. Корпус, внутрішні плати. В основному, поширення здобули розумні лампочки – це LED (рис. 1.9) і CFL лампи з бездротовими модулями та мікроконтролерами, що дозволяють керувати ними віддалено через додатки або завчасно визначених сценаріїв. Вони регулюють яскравість, колір і температуру світла, працюючи автономно або через хаб у системі розумного дому, в деяких випадках можна регулювати час вмикання і роботи. Усередині розумної LED‑лампи на друкованій платі розміщується електронна схема, яка виконує перетворення змінного струму з мережі у стабільний, низький, постійний струм для живлення світлодіодів. До цієї ж плати інтегрується мікроконтролер, що керує роботою лампи, включно з регулюванням яскравості, кольору та відповіддю на бездротові команди. Для зв’язку з мобільним додатком або домашнім хабом використовується радіомодуль. 16 Датчики руху Рисунок 1.10 – Датчик руху від Ajax Датчики руху (рис. 1.10) реагують на переміщення людей або предметів у визначеній області та передають сигнал, який можна використати для увімкнення/вимкнення освітлення або сповіщення про події. Основні різновиди: PIR (Passive Infrared) датчики: визначають інфрачервоне випромінювання від теплих об’єктів (наприклад, тіла людини). Коли людина рухається, інтенсивність ІЧ-випромінювання змінюється, що й фіксує датчик. Ультразвукові: генерують ультразвукові хвилі та аналізують їхнє відбиття. Зміна частоти відбитих хвиль (ефект Доплера) вказує на наявність руху. Мікрохвильові (радарні): аналогічно до ультразвукових, але використовують радіохвилі. Мають здатність проходити крізь деякі перепони, що робить їх більш чутливими. Лазерні або інфрачервоні бар'єри: складаються з випромінювача та приймача. Якщо промінь переривається, датчик реагує на рух. В системах IoT датчики руху з'єднуються з мікроконтролерами або специфічними IoT-хабами, що гарантує їхнє вбудовування подібно до датчиків світла. Програмне забезпечення дає змогу розробляти розумні алгоритми, завдяки яким, наприклад, у темну пору доби система автоматично вмикає освітлення при виявленні руху, а при кожному спрацюванні відправляються 17 повідомлення на смартфони чи інші пристрої для покращення безпеки та контролю за ситуацією. Ці технології знаходять широке застосування: автоматичне увімкнення освітлення в приміщеннях, де перебування людей рідке, системи сповіщення при виявленні несанкціонованого руху, а також контроль доступу, коли в комбінації з іншими технологіями, як от RFID, дають можливість ідентифікувати присутність людини та надавати їй дозвіл на вхід. Рисунок 1.11 – Плата датчика руху TIDA-01069. PIR-датчики руху (рис 1.11) потребують лише PIR-сенсора та кількох додаткових компонентів. Детектори з одним PIR-сенсором, френелівською лінзою (конусоподібний промінь) та бінарним виходом є ефективними для виявлення будь-якого руху, включаючи рух людини або домашньої тварини. Рисунок 1.12 – Принцип роботи системи ідентифікації руху. Для запобігання помилковим, наприклад на домашніх тварин, спрацюванням у цьому референсному дизайні використано два PIR-сенсори замість одного, з двома френелівськими лінзами, які охоплюють окремі зони виявлення: центральну та нижню (рис 1.12). 18 Кожен PIR-сенсор підключений до оп-підсилювача, який формує підсилений смуговий фільтр з високим вхідним імпедансом. Це забезпечує стабільний сигнал без навантаження сенсора. Вихід цих підсилювачів подається на сумарний оп-підсилювач з підсиленням і смуговим фільтром. Два компаратори формують віконний компаратор, який порівнює підсилений сигнал із заданими пороговими значеннями, відрізняючи рух від шуму. Вихідні сигнали компаратора можуть використовуватися як переривання для мікроконтролера (МК), що дозволяє йому працювати в режимі мінімального споживання енергії до моменту виявлення руху. При виявленні руху через віконний компаратор МК активує АЦП і запускає збір даних із PIR-сенсорів. Одночасно відбувається зчитування даних з датчиків освітленості та температури для підвищення точності виявлення. Завдяки вейвлет-аналізу сигнали руху отримують унікальний "частотно- часовий підпис", що дозволяє ідентифікувати тип руху та уникнути хибних спрацювань. Датчики освітлення Рисунок 1.13 – Датчик освітлення і присутності живих істот від ZigBee Світло може вимірюватися в люменах або люксах, хоча ці одиниці можуть здаватися незвичними. Зазвичай джерела світла характеризують світловим потоком у люменах, тоді як датчики освітленості працюють з одиницею люкс. Обидві ці одиниці походять від базової величини – кандели. Кандела визначає яскравість, яку сприймає людське око. Це одиниця вимірювання, заснована на стандартах СІ, яка враховує чутливість ока до 19 різних довжин хвиль. Чим вища сила світла у канделах, тим яскравішим здається джерело світла. Наприклад, сила звичайної свічки становить приблизно одну канделу. Однак кандела не є зручною для оцінювання лампочок або ліхтариків, оскільки вона не враховує розподіл світлового потоку в просторі. Для цього потрібна інша одиниця – люмен. Люмен вимірює загальну кількість світла, яке випромінює лампа в усіх напрямках. Його визначають як добуток сили світла в канделах на тілесний кут (у стерадіанах), який охоплює промінь. Наприклад, джерело світла з інтенсивністю 10 кандел, що випромінює у всі сторони (4π стерадіан), має світловий потік приблизно 126 люменів. Якщо дзеркало за лампочкою зосереджує світло в одному напрямку, то інтенсивність світла в цьому напрямку зростає, але тілесний кут зменшується. В результаті загальний світловий потік у люменах залишається незмінним. Люкс, на відміну від люмена, показує, скільки світла падає на певну площу. Один люкс дорівнює одному люмену на квадратний метр. Ця одиниця дозволяє оцінити рівень освітленості поверхні. Наприклад, навіть якщо джерело світла випромінює багато люменів, на великій відстані освітленість поверхні може бути низькою через розсіювання світла. Саме тому датчики освітлення використовують люкси: вони фіксують, скільки світла насправді потрапляє на поверхню, незалежно від потужності джерела світла чи його напрямку. Це дозволяє коректно реагувати на зміни освітлення в навколишньому середовищі. Датчики світла фіксують рівень освітленості, що дозволяє оцінювати не лише інтенсивність самого джерела світла. Оскільки освітленість знижується зі збільшенням відстані від постійного джерела, такі датчики також можна застосовувати для визначення приблизної відстані до цього джерела(рис. 1.14). 20 Рисунок 1.14 – Візуалізація залежності яскравості від відстані. Світлові датчики зазвичай мають плоску, односторонню поверхню, тому тілесний кут, під яким джерело світла "бачить" датчик, змінюється залежно від його орієнтації. Коли датчик розташований перпендикулярно до напрямку світлового променя, він займає найбільший можливий тілесний кут, і освітленість є максимальною. Якщо датчик починає нахилятися відносно променя, тілесний кут зменшується, відповідно знижується й рівень освітленості (рис. 1.15). Рисунок 1.15 – Візуалізація залежності яскравості від кута падіння променів світла. 21 У випадку, коли датчик розташовується паралельно до світлових променів або повернутий у протилежний бік, пряме світло більше не вловлюється. Цю властивість можна використати для визначення кута падіння світла на датчик. В IoT-системах датчики освітлення функціонують шляхом вимірювання інтенсивності світла в оточуючому середовищі та передачі цих даних контролеру, який може бути реалізований як на базі мікроконтролера, так і через хмарний сервіс. Серед головних типів таких сенсорів – фоторезистори, що змінюють свій опір в залежності від інтенсивності світла (при яскравішому освітленні опір зменшується, а при меншій яскравості – зростає), фотодіоди та фототранзистори, які генерують електричний струм або регулюють його величину під впливом світла, забезпечуючи більш швидку та точну реакцію, а також цифрові датчики, що мають вбудовані перетворювачі й дозволяють отримувати значення освітленості в люксах без додаткової аналогової обробки. Інтеграція цих пристроїв в IoT-системи відбувається через безпосереднє підключення до мікроконтролерів, або через спеціалізовані IoT- платформи, котрі підтримують передачу даних за допомогою протоколів зв’язку, зокрема Wi-Fi, Bluetooth Low Energy, Zigbee, Z-Wave, LoRaWAN та інших. Дані, отримані від сенсорів, аналізуються як в хмарному середовищі, так і на локальних пристроях, що дозволяє співставляти показники освітлення з інформацією від інших сенсорів, таких як датчики руху або температури. Такий підхід відкриває можливості для створення інтелектуальних сценаріїв, де, наприклад, система автоматично регулює яскравість штучного освітлення в залежності від кількості природного світла, забезпечуючи економію енергії, оскільки світло вмикається лише при недостатньому природному освітленні, наприклад, через автоматичне вмикання вуличних ліхтарів у вечірній час. 22 Сенсори відкриття дверей і вікон Рисунок 1.16 – Сенсор Doorprotect для вікон та дверей. Сенсори відкриття (рис.1.6) використовують магнітні перемикачі, які складаються з декількох компонентів: магніту, датчика поля, мікроконтролера з вбудованим АЦП та мережевого адаптера. Коли двері чи вікно зачинені, магніт притягує контакт і замикає коло, а коли їх відчиняють, контакт розмикається, створюючи електричний сигнал. Цей сигнал надходить до центрального контролера за допомогою бездротових технологій, завдяки чому система миттєво реагує на відкриття чи закриття (рис.1.17). Рисунок 1.17 – Блок-діаграма роботи сенсора відкриття вікон та дверей. Інтеграція цих сенсорів з IoT-платформами дозволяє не лише отримувати сповіщення про несанкціонований доступ, але й автоматично керувати системами опалення чи кондиціонування – наприклад, автоматично вимикати обігрівач, якщо вікна залишились відчиненими, щоб зекономити енергію. Окрім звичайних магнітних рішень, є також датчики з акселерометрами або іншими технологіями, які можуть фіксувати зміни положення об'єкта, що дає змогу використовувати їх у специфічних сценаріях, де потрібна більша точність. Завдяки своїй простоті, надійності та можливості інтеграції в комплексні системи автоматизації, сенсори відкриття дверей і 23 вікон допомагають створити безпечне та енергоефективне середовище для сучасного житлового та комерційного простору. Проєкт бездротового датчика відкриття дверей та вікон має свої складнощі – насамперед необхідність мінімального енергоспоживання для тривалої роботи від батареї. Мікроконтролер TI SimpleLink™ Sub-1 GHz CC1310 вирішує це завдання, спрощуючи та пришвидшуючи розробку таких сенсорів за допомогою енергетичного профілю. Рисунок 1.18 – Таймлайн роботи енергоефективного профілю. На малюнку(рис. 1.18) зображено енергетичний профіль датчика дверей і вікон. По осі X відкладається час, а по осі Y – споживаний струм. Графік ілюструє періодичну активність передавача (TX) і приймача (RX) під час так званого інтервалу, коли пристрій передає та отримує сигнали для підтримки зв’язку з мережею. Між цими періодами пристрій перебуває в енергозберігаючому режимі з низьким споживанням струму. Також зображено подію відкриття або закриття дверей/вікна, яка спричиняє переривання – це викликає негайну активацію передавача та приймача, щоб повідомити про зміну стану. Цей профіль демонструє, як пристрій ефективно використовує енергію: більшість часу він перебуває в сплячому режимі, активуючись лише періодично або у відповідь на події. 24 Датчики теммператури і вологості Рисунок 1.19 – Датчик температури та вологості Aqara. Окрім сенсорів освітлення й руху, існують і температурні датчики (рис. 1.19), котрі здобули широке застосування завдяки прагненню збільшення енергоефективності. Вони визначають температуру у приміщеннях та на відкритих ділянках, що дає змогу системам IoT коригувати роботу опалення, охолодження і вентиляції згідно з фактичними умовами. Завдяки точним показникам температури, система може автоматично активувати або деактивувати опалювальні чи охолоджувальні пристрої, знижуючи енергоспоживання тоді, коли температурний режим знаходиться у межах оптимальних показників. До того ж, температурні сенсори часто інтегрують із сенсорами вологості та CO₂, що дає змогу створити комплексну систему керування кліматом. Такий підхід не лише забезпечує комфортне середовище, а й сприяє зменшенню експлуатаційних витрат, адже система може адаптувати роботу обладнання під актуальні погодні та внутрішні умови, оптимізуючи споживання енергії та забезпечуючи більш раціональне використання ресурсів. 25 Біометричні датчики Рис.1.20 – біометричний датчик Fujitsu PalmSecure. Біометричні автентифікатори, широко поширена в смартфонах, ПК та банківських пристроях аутентифікації, підвищує безпеку без втрати зручності, тому її активно впроваджують і в «розумний» дім. Замість ненадійних PIN- кодів сучасні розумні замки використовують відбитки пальців, розпізнавання обличчя чи інші біометричні дані, що унеможливлює підробку або повторне використання слабких паролів і позбавляє потреби в їхньому постійному оновленні. Біометричні датчики – це пристрої, які реєструють унікальні або поведінкові ознаки людини для її ідентифікації чи автентифікації. У сегменті «розумного» дому вони інтегруються в замки, системи контролю доступу, охоронні системи. Біошаблони зберігаються локально на пристрої, що захищає конфіденційність користувачів, водночас задовольняючи занепокоєння тих, хто з сумнівом ставиться до зберігання особистих даних. Розумні біометричні замки легко масштабуються: їх можна встановлювати не лише на вхідні двері, а й на сейфи, кухонні шафи або навіть велосипеди, обмежуючи доступ лише авторизованим особам і виключаючи ризик втрати ключів. У багатоквартирних будинках та гуртожитках біометрія забезпечує гнучкий контроль доступу в різні зони, від пральні до спортзалу, без необхідності частої заміни замків чи керування списками PIN-кодів. Новітні рішення також пропонують безконтактні біометричні картки: вбудований у картку сенсор зчитує відбиток і відмикає двері одним доторкненням. Завдяки енергоефективним датчикам, здатним витримувати 26 понад 10 мільйонів спрацьовувань, розробникам не доводиться турбуватися про часту заміну батарей. Таким чином біометрія робить розумний дім безпечнішим, простішим у використанні та по-справжньому «розумним». 1.2 Системи моніторингу параметрів середовища та обладнання IoT – це екосистема, яка забезпечує під’єднання різноманітних пристроїв до мережі та їх віддалене керування через Інтернет. Протягом останніх років ця концепція значно розвинулася й нині застосовується в багатьох сферах, зокрема в розумних будинках, телемедицині та промисловості. Інтеграція бездротових сенсорних мереж у рішення IoT дозволяє створити глобальну мережу «розумних» приладів з розширеними функціями збору й аналізу даних. Бездротова система домашньої автоматизації, що складається з сенсорів та шлюзу, здатна об’єднувати ресурси й взаємодіяти між собою, формуючи основу розумного будинку. Його концепція є підмножиною IoT і спрямована на автоматизацію житлових процесів: підключення обладнання до мережі дозволяє користувачам дистанційно моніторити та контролювати освітлення, клімат-контроль, безпеку й інші аспекти. Програмне забезпечення для моніторингу та керування енергоспоживанням, що зазвичай знаходиться в хабі, виконує роль «мозкового центру» системи, забезпечуючи збір, зберігання, аналіз і візуалізацію даних, отриманих від різноманітних датчиків. Завдяки цьому, власники будинків чи підприємства можуть оперативно отримувати інформацію про споживання енергії, відслідковувати патерни, виявляти аномалії та приймати обґрунтовані управлінські рішення для оптимізації використання ресурсів. Таке програмне забезпечення, як правило, інтегрується з апаратними засобами, такими як смарт-лічильники, сенсори температури, вологості, руху та інших параметрів, що дозволяє забезпечити комплексний контроль над споживанням електроенергії в реальному часі. датчики встановлюються безпосередньо в 27 домогосподарстві чи на об'єкті та збирають інформацію про споживання енергії, температуру, вологість, рух або інші параметри. Після чого, отримані дані передаються до IoT-шлюзу, який здійснює попередню обробку (та відправляє інформацію до хмарної платформи через Інтернет. Хмарна платформа зберігає та аналізує дані, застосовуючи алгоритми машинного навчання для прогнозування витрат, виявлення аномалій і формування персоналізованих рекомендацій. Результати надходять до пристрою користувача, де за допомогою зручного додатку він може переглядати дані, отримувати сповіщення та керувати системою. Рисунок 1.21 –Блок схема переачі даних між рівнями системи. Багато сучасних рішень базуються на хмарних платформах, які надають переваги у вигляді масштабованості, доступності з будь-якої точки та потужних інструментів для аналізу даних. Хмарні сервіси дають змогу збирати великі обсяги інформації з сенсорів, зберігати її, а згодом застосовувати алгоритми машинного навчання для передбачення майбутніх витрат, 28 створення персоналізованих рекомендацій. Однак не всі системи обов’язково побудовані на хмарних технологіях. Існують також локальні, або «on-premise», варіанти, які функціонують без зв'язку з хмарою. Таке ПЗ, зазвичай, ставлять на місцеві сервери або інтегрують прямо в контролери й шлюзи. Скажімо, відкриті проєкти, як-от Emoncms, Home Assistant або OpenEnergyMonitor, дозволяють розгортати систему моніторингу на власній техніці, забезпечуючи цілковитий контроль над інформацією та даючи можливість працювати автономно, без потреби в постійному підключенні до мережі. Локальні рішення можуть бути особливо актуальними для тих, хто переймається збереженням конфіденційності даних або працює в місцевостях з обмеженим доступом до стабільного інтернету. Порівняємо існуючі системи моніторингу та управління енергоспоживанням: Sense, Ecoisme, EnergyHub та EcoBee Smart Thermostat(таб. 1.1). 29 Таблиця 1.1 – Порівняння існуючих на ринку рішень. EcoBee Функція Sense Ecoisme EnergyHub Smart Thermostat Моніторинг у X X X X реальному часі Виявлення девіацій X X X Сповіщення X X X Аналіз споживання X X X Створення X X рекомендацій Інтеграція з "розумними" X X X пристроями Інтуїтивно зрозумілий X X X X інтерфейс Автоматизація X опалення/охолодження Висока точність X X X X моніторингу Всі чотири рішення забезпечують моніторинг у реальному часі та гарантують високу точність вимірювань, що є фундаментом для коректного аналізу енергоспоживання. При цьому Sense, EnergyHub та EcoBee Smart Thermostat автоматично виявляють девіації від нормативних показників, а Sense і EcoBee Smart Thermostat додатково інформують користувача про критичні відхилення за допомогою сповіщень. Деталізований аналіз структури та історії споживання, реалізований у Sense, Ecoisme та EnergyHub, дозволяє формувати інформативні звіти й графіки, на основі яких Ecoisme і EcoBee 30 Smart Thermostat генерують персоналізовані рекомендації щодо оптимізації роботи електроприладів. Підвищити рівень автоматизації експлуатації приміщень допомагає інтеграція з розумними IoT-пристроями, доступна у Ecoisme, EnergyHub та EcoBee Smart Thermostat, причому останній окрім цього підтримує також повністю автоматизоване керування системами опалення й охолодження на основі заданих сценаріїв. Завдяки інтуїтивно зрозумілому інтерфейсу всі платформи спрощують навігацію по даним і прискорюють ухвалення рішень, що робить їх ефективним інструментом для реалізації сучасного енергоменеджменту в розумних будинках і промислових об’єктах. 1.3 Методи аналізу енергоспоживання та формування рекомендацій Сучасні системи контролю енерговитрат використовують багато різних методів для аналізу даних та формування порад, що дозволяють оптимізувати використання енергоресурсів. Передусім, дані з сенсорів збираються в реальному часі та акумулюються в централізовані бази даних. На цьому етапі застосовуються звичайні статистичні методи – обчислення середніх значень, стандартних відхилень, побудова діаграм та інших показників, що дають змогу зрозуміти базовий рівень споживання. Далі для аналізу часових рядів даних використовуються методи прогнозування, такі як ARIMA, SARIMA або моделі на основі глибокого навчання (наприклад, LSTM-мережі). Ці методи допомагають виявити тренди, сезонні коливання та аномалії у споживанні енергії, що є критичним для своєчасного реагування на перевищення норм чи раптове збільшення витрат. Ще один підхід – кластерний аналіз. За допомогою методів кластеризації (наприклад, алгоритм K-середніх) дані групуються за схожими патернами споживання. Це дає змогу виділити типові профілі використання енергії в різних режимах роботи об'єкта, а також виявити нетипові для нормального функціонування аномалії. 31 Методи машинного навчання відіграють важливу роль у формуванні рекомендацій. Алгоритми класифікації, регресії та нейронних мереж аналізують історичні дані, враховують вплив зовнішніх факторів (наприклад, погодні умови або режим роботи пристроїв) та прогнозують майбутнє споживання. На основі цих прогнозів система може формувати персоналізовані поради для зменшення енергоспоживання – наприклад, регулювання температурного режиму, оптимізація роботи систем освітлення або використання більш енергоощадних режимів роботи обладнання. Також у деяких системах впроваджуються експертні або rule-based системи, де заздалегідь задані правила (наприклад, порогові значення споживання енергії для окремих пристроїв) дають змогу автоматично генерувати сповіщення чи рекомендації, коли дані виходять за межі нормальних параметрів. Наприклад, якщо система виявляє, що споживання електроенергії певного приладу перевищує встановлений поріг, вона може порекомендувати провести технічну перевірку чи замінити пристрій на більш енергоефективний. Насамкінець, інтеграція з хмарними платформами і застосування інструментів візуалізації (dashboard) дозволяють користувачам не лише отримувати актуальні дані, але й аналізувати їх у вигляді графіків, діаграм, що робить процес моніторингу більш зрозумілим та зручним. Зібрані дані можуть використовуватися для моделювання поведінки енергоспоживання, виявлення пікових навантажень та оптимізації роботи систем через адаптивне налаштування параметрів. Таким чином, поєднання звичайних статистичних методів, аналізу часових рядів, кластерного аналізу, алгоритмів машинного навчання та експертних систем дозволяє сучасним системам контролю енерговитрат ефективно аналізувати дані та формувати рекомендації, що сприяють зменшенню витрат та підвищенню енергоефективності об'єктів. 32 1.4 Програмне забезпечення з алгоритмами аналізу та рекомендацій Рисунок 1.22 - Алгоритм створення рекомендацій на базі отриманих даних. Після початкової обробки інформація поступає до модуля передбачення, що використовує сучасні алгоритми, зокрема LSTM та ARIMA-моделі, для аналізу часових рядів. Цей етап дозволяє передбачити майбутнє споживання електрики, враховуючи історичні дані, сезонні коливання та поточні тренди. Передбачення є надзвичайно важливим, оскільки воно дає змогу визначити, як зміниться споживання в майбутньому, та дозволяє заздалегідь планувати оптимізаційні заходи, спрямовані на зменшення витрат. Наступним етапом є аналіз патернів та кластеризація даних. За допомогою алгоритмів кластерного аналізу, таких як K-середніх і DBSCAN, система групує пристрої та зони споживання за схожими характеристиками. Цей аналіз допомагає точно виявити, які пристрої споживають найбільше енергії, та визначити, які ділянки будинку потребують оптимізації. Кластеризація дає змогу розподілити дані на логічні групи, що значно спрощує аналіз і створення персоналізованих порад. 33 Після виявлення патернів і прогнозування споживання дані надходять до модуля оптимізації, що базується на алгоритмах навчання з підкріпленням. Цей компонент системи працює як агент, який отримує зворотний зв'язок від системи (наприклад, економія електроенергії, корекція режимів роботи пристроїв) і навчається оптимізувати свою політику дій. RL-агент аналізує інформацію, отриману з прогнозних моделей та кластерного аналізу, і визначає найкращі заходи, що забезпечують максимальну економію коштів та енергії. Завдяки застосуванню методів навчання з підкріпленням, система автоматично адаптується до змін умов експлуатації, коригуючи свої рекомендації відповідно до змін у споживанні. Після етапу оптимізації система переходить до рекомендаційного двигуна, який формує конкретні персоналізовані рекомендації для користувача. Поради включають конкретні дії, як-от корегування режимів роботи пристроїв, переналаштування графіків використання електрики або пропозиції щодо заміни енерговитратних приладів на більш ефективні моделі. Цей двигун інтегрує результати передбачення, аналізу патернів та оптимізаційних алгоритмів для того, щоб надати користувачеві чіткі і зрозумілі поради, спрямовані на зменшення витрат та підвищення ефективності. Насамкінець, результати аналізу та рекомендації передаються користувачеві через інтерфейс, що може бути представлений у вигляді веб- порталу або мобільного додатку. 34 1.5 Ризики безпеки Безпека є критичним аспектом, що забезпечує стійкість до зовнішніх і внутрішніх загроз. Зі зростанням кількості підключених пристроїв, складністю архітектури, виникає потреба в комплексному підході до безпеки. Кожен рівень системи – від фізичного до застосункового – може стати ціллю для різних типів атак, що потребують відповідних контрзаходів. У цьому розділі розглядаються типові загрози для кожного рівня та відповідні механізми захисту, що дозволяють забезпечити надійність, конфіденційність і цілісність системи. Таблиця 1.2 – Таблиця застосункових ризиків. Шар Загрози Контрзаходи Моделювання загроз, Соціальна інженерія та виявлення ML, навчання Застосунковий фішинг користувачів та підвищення обізнаності Встановлення Аналіз коду та застосунків шкідливого ПЗ Багатофакторна автентифікація, Атаки на контроль аутентифікація зі доступу збереженням конфіденційності Виявлення руткітів за Атаки руткітів допомогою TEE Неможливість встановлення патчів та Навчання користувачів оновлень безпеки У межах застосункового шару системи безпеки основна увага приділяється захисту програмного забезпечення на етапі його використання й інтеграції, адже тут найбільш поширеними є атаки через соціальну інженерію та фішинг, встановлення шкідливого ПЗ, спроби обходу механізмів контролю 35 доступу, впровадження руткітів та відсутність своєчасного оновлення й патчів. Щоб упередити наслідки фішингових атак та обманних розсилок, проводять моделювання загроз і впроваджують системи виявлення з використанням алгоритмів машинного навчання, а також регулярно навчають користувачів розпізнавати підозрілі повідомлення й повідомляти про можливі загрози. Для протидії шкідливому ПЗ здійснюється ретельний аналіз як вихідного коду, так і сторонніх застосунків перед їх розгортанням у середовищі. Захист від атак на контроль доступу містить впровадження багатофакторної автентифікації та методів аутентифікації зі збереженням конфіденційності, що значно ускладнює несанкціоноване проникнення. Виявлення руткітів забезпечується завдяки апаратним механізмам довірених виконувальних середовищ (TEE), здатним ідентифікувати спроби інтеграції таких шкідливих компонентів. Окрему роль відіграє підвищення обізнаності користувачів щодо необхідності своєчасного встановлення патчів і оновлень безпеки, що дозволяє усувати вразливості ще до їх експлуатації. Таблиця 1.3 – Таблиця застосункових ризиків. Шар Загрози Контрзаходи Робота у приватних Атаки підслуховування та мережах та передача Комунікаційний перехоплення інформації фальшивих пакетів за протоколом Атаки по бічних каналах Зашифрований зв’язок Виявлення аномалій за Шум у даних допомогою штучного інтелекту Безпечне завантаження з Атаки через шифруванням та завантаження аутентифікацією 36 У комунікаційному шарі інформаційної системи основними загрозами є перехоплення та підслуховування даних, атаки по бічних каналах, шум у переданих повідомленнях та небезпеки, пов’язані з завантаженням підозрілих даних. Щоб захистити інформацію від несанкціонованого доступу, використовуються приватні мережі з передачею фальшивих пакетів за протоколом, що ускладнює для зловмисника виділення справжнього трафіку та читання вмісту повідомлень. Для протидії атакам по бічних каналах впроваджується наскрізне шифрування зв’язку, яке забезпечує конфіденційність незалежно від фізичних чи апаратних особливостей каналу. В умовах шуму та нерегулярностей у даних застосовують рішення на основі штучного інтелекту та нейронних мереж для виявлення аномалій, що дозволяє своєчасно фіксувати незвичайні патерни та реагувати на них. Крім того, безпечне завантаження передбачає використання шифрування і механізмів аутентифікації, що гарантують цілісність і достовірність отриманих файлів і оновлень, запобігаючи проникненню шкідливого коду під виглядом легітимного контенту. 37 Таблиця 1.4 – Таблиця застосункових ризиків. Шар Загрози Контрзаходи Механізм сповіщення та Мережа Відмова від послуг (DoS) зменшення впливу пристроїв WARDOG Багатофакторна Людина посередині автентифікація пристрою та сервера Контроль доступу на Несанкціонований доступ основі атрибутів за допомогою HABACa Атаки маршрутизації та Довірчі обчислення за переадресації допомогою SCOTRES Аналіз трафіку IDS/IPS У мережевому шарі захист орієнтований на забезпечення безперервності обслуговування, цілісності маршрутів і конфіденційності переданих даних. Для протидії атакам типу відмови в обслуговуванні (DoS) впроваджують механізм сповіщення та автоматичного зменшення навантаження за допомогою пристроїв WARDOG, що дозволяють швидко виявляти аномальні потоки і перенаправляти їх у ізольовані середовища. У випадку загроз «людина посередині» забезпечують багатофакторну автентифікацію як на стороні пристрою, так і на стороні сервера, що ускладнює будь-які спроби перехоплення сесійних ключів або підміни учасників зв’язку. Для запобігання несанкціонованому доступу до мережевих ресурсів застосовують гнучкий контроль доступу на основі атрибутів (HABAC), який дозволяє визначати політики допуску з урахуванням ролей, місцезнаходження та інших контекстних параметрів. Атаки маршрутизації й переадресації нейтралізуються через довірчі обчислення SCOTRES, що гарантують автентичність і перевіряють коректність шляхів передавання даних. Нарешті, 38 для виявлення спроб прихованого аналізу трафіку використовують інтегровані системи виявлення та запобігання вторгнень (IDS/IPS), які моніторять пакети в режимі реального часу й автоматично блокують підозрілі зв’язки. Цей комплекс контрзаходів забезпечує надійний захист мережевого шару від широкого спектра загроз. Таблиця 1.5 – Таблиця застосункових ризиків. Втрата електроенергії та Фізичний Немає даних екологічні загрози Квантовий розподіл Клонування ключів ML з класифікаторами Джемінг SVM, аутентифікація на основі довіри з TRAS У фізичному шарі інформаційної системи основна увага зосереджена на захисті від прямих «апаратних» загроз і забезпеченні безперервності роботи обладнання. Хоча для випадків втрати електроенергії та різноманітних екологічних ризиків наразі відсутні конкретні дані щодо реалізації контрзаходів, це підкреслює потребу в додаткових дослідженнях та розробці резервних джерел живлення й систем моніторингу навколишнього середовища. Для запобігання клонуванню фізичних пристроїв впроваджується квантовий розподіл ключів, що гарантує абсолютну стійкість сеансових ключів до будь-яких спроб їх дублювання. У боротьбі з джемінгом, коли зловмисник створює перешкоди в радіочастотному чи інфрачервоному спектрі, застосовують рішення на основі машинного навчання з використанням SVM-класифікаторів для виявлення аномалій у сигналі, а також довірчу аутентифікацію підключених пристроїв за протоколом TRAS, що дозволяє підтвердити справжність передавача навіть в умовах активного завадостворення. Цей набір заходів формує фундамент для захищеного фізичного середовища, готового протистояти сучасним апаратним загрозам. 39 Розвиток IoT-простору дав поштовх до створення єдиної платформи, яка об’єднує сенсори, виконавчі механізми та інтерфейси керування. У кожному «розумному» домі спостерігається гетерогенність технічних рішень: пристрої мають різні апаратні архітектури, використовують відмінні протоколи зв’язку й володіють власними обмеженнями ресурсів. Ця розрізненість ускладнює централізоване управління безпекою, оскільки виробники рідко дотримуються єдиних стандартів, а пристрої часто не забезпечують достатній захист від сторонніх втручань. Нестача єдиного фреймворка для оновлення прошивок і стандартизованих методів аутентифікації призводить до того, що як домашній шлюз, так і окремі периферійні модулі залишаються вразливими до атак «людина посередині» та підслуховування трафіку. Перш за все слід відзначити, що слабкі місця «розумного» дому пов’язані з архітектурними особливостями IoT. Багато пристроїв функціонують у межах обмежених обчислювальних ресурсів, через що на них важко впровадити складні криптографічні алгоритми або захищені елементи TrustZone. Це в поєднанні з нерегулярними оновленнями прошивки робить їх легкою мішенню для експлойтів, що використовують застарілі бібліотеки та відомі вразливості. Окрім того, відсутність надійної автентифікації між сенсорами й центральним хабом відкриває шлях до підміни команд або перехоплення вимірювань, що може призвести до несанкціонованого доступу або хибного спрацьовування систем безпеки. У межах кожного рівня архітектури «розумного» дому – від фізичного до прикладного – доводиться комбінувати технічні та організаційні заходи. На фізичному рівні захисту застосовуються засоби обмеження фізичного доступу до портів JTAG і USB, а також ізоляція критичних плат, щоб унеможливити вилучення криптографічних ключів шляхом розбирання приладів. На мережевому рівні рекомендується шифрування каналів зв’язку з 40 використанням легких реалізацій TLS/DTLS, а також сегментація трафіку через віртуальні мережі SDN, що допомагає локалізувати аномальні потоки та обмежать можливість бічних атак всередині локальної мережі. На рівні обробки даних і сервісів ключовим є застосування багатофакторної автентифікації та управління ролями, яке дозволяє тонко налаштовувати права доступу до критичних функцій пристроїв і централізованих хабів. Інтеграція систем виявлення вторгнень на основі аналізу поведінки електронних пристроїв із підтримкою машинного навчання робить можливим оперативне виявлення нетипового використання пристроїв, що може передувати реальній атаці. Втім, навіть найсучасніші технологічні засоби виявлення та запобігання атак не спрацюють, якщо користувачі не мають достатнього рівня обізнаності про загрози. У статті підкреслюється, що велика кількість зламаних IP-камер або несанкціонованих доступів трапляється через елементарні помилки – слабкі паролі, нехтування оновленнями прошивок та відсутність розуміння наслідків відкритого UPnP . Тому важливо розробляти інструменти, які не лише забезпечують автоматичне оновлення та безпечну конфігурацію пристроїв, а й супроводжуються зрозумілими інструкціями для кінцевих користувачів, які не є IT-фахівцями. Пріорітетним повинно бути прискорення розробки єдиних галузевих стандартів, які б визначали мінімальні вимоги до безпеки IoT-пристроїв у домашніх мережах. На рівні регуляторної політики та сертифікації пропонується впровадити процедури незалежного аудиту безпеки пристроїв перед виведенням їх на ринок і періодичну перевірку відповідності вже розгорнутих систем встановленим вимогам. 41 Це має стати комплексним мінімумом поряд із рекомендаціями OWASP IoT Top 10 та NIST із адаптацією під «розумні» домівки, що гарантує одночасне охоплення ключових загроз й уніфікацію контрзаходів. Що стосується перспектив, то вказується на потребу в розробці адаптивних алгоритмів виявлення вторгнень, які в реальному часі навчаються особливостям поведінки окремого середовища «розумного» дому без передачі конфіденційних даних до хмари. Додатково розглядається потенціал протоколів із нульовим розкриттям (Zero-Knowledge Proofs) для перевірки достовірності повідомлень між пристроями без обміну секретною інформацією. Також відзначається, що блокчейн-технології можуть бути застосовані для побудови незмінних журналів подій керування доступом, що підвищить стійкість системи до внутрішніх атак і випадкових збоїв. 42 2. МОДЕЛЮВАННЯ ІНТЕГРОВАНОЇ СИСТЕМИ АВТОМАТИЗАЦІЇ ЖИТЛОВОГО ПРИМІЩЕННЯ НА БАЗІ ІСНУЮЧИХ ПРОГРАМНИХ ТА АПАРАТНИХ РІШЕНЬ 2.1 Основні компоненти Основними компонентами такої системи є датчики, які встановлюються в різних приміщеннях для вимірювання показників споживання електроенергії, температури, вологості, освітленості, руху та інших параметрів, що впливають на ефективність роботи електроприладів. Дані, що надходять із цих пристроїв, збираються за допомогою IoT-шлюзів, які здійснюють попередню обробку інформації та консолідують дані для подальшої передачі. Потім інформація надсилається до хмарної платформи або локального сервера, де проводиться зберігання, глибокий аналіз і прогнозування з використанням алгоритмів машинного навчання. Результати аналізу доступні користувачу через інтуїтивно зрозумілий інтерфейс, наприклад, веб-портал або мобільний додаток, що дозволяє оперативно контролювати показники та отримувати персоналізовані рекомендації для оптимізації роботи системи. Додатково, система включає модулі безпеки, які забезпечують шифрування і автентифікацію даних, а також модулі інтеграції з іншими системами розумного будинку, такими як системи опалення, освітлення та кондиціювання, що дозволяє створити єдину, комплексну екосистему управління енергією. Щоб зібрати уявний стенд для демонстрації роботи модульної смарт- системи розумного будинку, яка моніторить енергоспоживання, знадобиться комплекс компонентів, що забезпечують збір, обробку та візуалізацію даних, а також їх інтеграцію в єдину систему. По-перше, необхідно забезпечити збір даних – це означає, що нам потрібні сенсори, які вимірюють різні параметри. Серед них – датчики споживання електроенергії ACS712, що дозволяють точно вимірювати струм, а також датчики температури BME280, вологості BME280(це багатофункціональний чіп) та освітленості TSL2561. Також 43 додамо датчики HC-SR501 руху для виявлення присутності мешканців, що дозволить ще більше оптимізувати використання електроенергії. Далі, дані, що надходять із цих сенсорів, потрібно обробляти локально перед відправкою до центрального пункту. Для цього використовується IoT- шлюз, який буде побудований на базі мікроконтролера, наприклад, ESP32. Цей модуль не лише збирає інформацію, але й виконує первинну обробку, зменшуючи обсяг необроблених даних, що передаються, і забезпечує швидку реакцію на локальні події. Для зручної демонстрації роботи системи також знадобиться макетна плата для з'єднання компонентів, а також проводи та з’єднувальні елементи, які дозволяють легко встановити та з'єднати всі пристрої між собою. Джерело живлення – ще один важливий елемент: воно повинно забезпечувати стабільне живлення як для сенсорів, так і для IoT-шлюзу, наприклад, використовуючи адаптер 5V для мікроконтролера або інші відповідні блоки живлення, що відповідають вимогам конкретних пристроїв. Для обробки даних і візуалізації результатів потрібен комп’ютер або сервер, який може виступати в ролі хмарної платформи або локального сервера. Це може буде як спеціально розгорнута платформа з використанням відкритого програмного забезпечення (наприклад, Emoncms, Home Assistant, OpenEnergyMonitor), так і комерційні хмарні сервіси. Такий компонент дозволяє зберігати, аналізувати і прогнозувати дані, що надходять із сенсорів, а також формувати персоналізовані рекомендації для користувача. Інтерфейс користувача, який представлений у вигляді веб-порталу або мобільного додатка. Він забезпечує зручний доступ до даних, графіків, діаграм і звітів, що дозволяє власнику будинку або відповідальній особі оперативно контролювати споживання електроенергії, аналізувати тенденції та вчасно реагувати на можливі аномалії. 44 Додатково, для підвищення безпеки передачі даних, до системи інтегруються програмні модулі шифрування та автентифікації, що гарантують захист інформації під час її передачі між компонентами. Це особливо важливо, коли система інтегрована з хмарними сервісами, де дані зберігаються і обробляються централізовано. Датчик споживання електроенергії ACS712 Рисунок 3.1 – Функціональна схема ACS712 ACS712 – це датчик струму, що базується на принципі ефекту Холла для вимірювання як постійного, так і змінного струму. Цей пристрій функціонує, перетворюючи магнітне поле, створене струмом, на відповідну електричну напругу, яка подається як аналоговий вихід. При напрузі живлення 5 В, коли струм відсутній, вихідна напруга зазвичай становить приблизно 2,5 В, а коливання напруги прямо пропорційне вимірюваному струму. ACS712 представлений у різних модифікаціях з різними діапазонами вимірювання, зокрема 5А, 20А чи 30А, що дозволяє обрати найкращий варіант для конкретних потреб. Максимальна напруга живлення для сенсора не повинна перевищувати 8 В, при цьому зворотна напруга живлення не може бути нижчою за -0,1 В. Вихідний сигнал не повинен виходити за межі діапазону від -0,3 В до (VCC + 0,3 В), щоб уникнути пошкодження пристрою. Ток, що може бути забезпечений або поглинутий виходом сенсора, обмежений до 3 мА в обох 45 напрямках (джерело/стік). Також даташит зазначає, що пристрій має витримувати короткочасне перенавантаження по струму (Overcurrent Transient Tolerance) протягом 100 мс при дотриманні рекомендованого діапазону. Робоча температура середовища для нормальної експлуатації коливається від -40 °C до +85 °C, тоді як максимальна температура кристала не повинна перевищувати +150 °C. Для тривалого зберігання сенсор може перебувати при температурах у межах від -65 °C до +170 °C. Ці граничні значення вказують на безпечний діапазон експлуатації та зберігання пристрою, дотримання якого необхідне для збереження функціональності та надійності сенсора. Завдяки легкості інтеграції та низькому енергоспоживанню, ACS712 широко застосовується як в аматорських проєктах, так і в промислових рішеннях для контролю споживання енергії, управління роботою електроприладів, а також в системах автоматизації. 46 Датчик температури BME280 Рисунок 3.2 - Функціональна схема BME280 BME280 – це багатофункціональний цифровий сенсор, який об’єднує вимірювання температури, вологості та атмосферного тиску в одному корпусі. Завдяки високій точності й низькому енергоспоживанню він відмінно підходить для проєктів «розумного будинку» та IoT-рішень, де важливо безперервно відстежувати мікроклімат і оперативно реагувати на зміни. Пристрій зазвичай використовує інтерфейси I²C або SPI, що значно полегшує його інтеграцію з популярними мікроконтролерами. Висока точність дозволяє отримувати детальну інформацію про стан навколишнього середовища, а низьке енергоспоживання робить сенсор оптимальним для автономних пристроїв на батарейному живленні. Широкий діапазон вимірювань дозволяє використовувати BME280 у різних умовах, а вбудована цифрова обробка сигналу підвищує точність і зменшує навантаження на мікроконтролер. Усе це робить BME280 надійним рішенням для систем моніторингу мікроклімату, регулювання вентиляції, контролю опалення та інших завдань, спрямованих на створення комфортного й енергоефективного середовища в житлових і комерційних приміщеннях. Внутрішні домени живлення сенсора (VDD) працюють при напрузі від 1,71 В до 1,95 В (типове значення становить 1,8 В), за умови, що пульсації 47 живлення не перевищують 50 мВ пікове-пікове значення. Водночас для входів/виходів (VDDIO) допустима напруга в діапазоні від 1,2 В до 3,6 В з такими ж обмеженнями на пульсації. У режимі сну струм споживання приблизно становить 340 мкА, тоді як у режимі очікування, коли сенсор перебуває в неактивному стані, цей показник знижується до 7 мкА. Під час вимірювань окремих параметрів споживаний струм може змінюватися: наприклад, при вимірюванні вологості за температури 85 °C він сягає 340 мкА, при вимірюванні тиску за температури –40 °C може зростати до 714 мкА, а під час вимірювання температури зазвичай залишається на рівні 340 мкА. Для повного запуску пристрою після подачі живлення потрібно близько 2 мс, після чого він готовий до роботи. Система також характеризується показником придушення пульсацій живлення у діапазоні ±5 %, що дозволяє сенсору коректно функціонувати при незначних коливаннях напруги. У режимі очікування цей показник може варіюватися до ±25 %, забезпечуючи додаткову гнучкість при використанні сенсора в умовах змінного або нестабільного живлення. 48 Датчик рівня освітленості TSL2561 Рисунок 3.3 - Функціональна схема TSL2561 Це датчики освітлення другого покоління, спеціально розроблені для вимірювання зовнішнього світлового потоку. Вони оснащені двома інтегруючими ADC, які одночасно акумулюють електричний струм від двох фотодіодів. Після завершення інтеграційного циклу результати перетворень автоматично зберігаються у відповідних регістрах для кожного каналу, причому застосовується технологія подвійного буферування для забезпечення цілісності даних. По завершенні передачі інформації пристрій негайно починає новий цикл інтегрування, що гарантує безперервність процесу вимірювання. Зв’язок із датчиком здійснюється через стандартну двопровідну шину SMBus або I²C, що дозволяє легко інтегрувати його з мікроконтролерами або вбудованими системами без додаткових схем для обробки сигналу. Оскільки вихід датчика є цифровим, він значно менш сприйнятливий до шумів порівняно з аналоговими сигналами, що підвищує точність вимірювань. Крім того, датчики серії TSL256x підтримують функцію переривань, завдяки якій система може відстежувати значущі зміни в інтенсивності освітлення без необхідності постійного опитування. Основна мета використання переривань полягає у виявленні істотних змін як у величині 49 світлового потоку, так і у тривалості таких змін, що може бути налаштовано користувачем. Датчики можуть бути сконфігуровані для встановлення порогових значень, і при їх перевищенні генерується сигнал переривання, який попереджає про те, що рівень освітлення виходить за задані межі. Рекомендовані робочі умови передбачають, що напруга живлення (VDD) може бути в межах від 1,7 В до 3,8 В, а температура навколишнього середовища (TA) має бути в діапазоні від -40 °C до +85 °C для стабільної роботи приладу. Максимальна напруга живлення цифрового блоку (VDD) не повинна перевищувати 3,8 В. Вихідний цифровий сигнал (VO) може змінюватися в межах від -0,3 до 3,8 В, що визначає припустимий діапазон напруги на вихідних лініях. Пристрій здатний функціонувати в інтервалі температур від -40 °C до +85 °C, тоді як для зберігання без ушкоджень передбачено діапазон від -40 °C до +125 °C. Лінії SCL і SDA, що відповідають за двопровідний інтерфейс (I²C), мають працювати при вхідній напрузі від 0 В до значення VDD, а рівень логічної «1» (VIH) повинен досягати або перевищувати верхню межу інтерфейсного діапазону, але не перевищувати живлення. Зокрема, пристрій характеризується певним активним струмом живлення (I_DD), який визначає споживання при активному режимі роботи. Вказано також параметри для виводів INT та SDA, де важливим є показник низького рівня напруги, а також здатність виходу витримувати певний струм у режимі sink current. Ці значення гарантують, що інтерфейс I2C залишатиметься надійним навіть за умови навантаження. 50 Датчик руху HC-SR501 Рисунок 3.4 – Датчик руху HC-SR501 Це модуль інфрачервоного датчика руху, який живиться від постійної напруги в діапазоні 5–20 В, при цьому споживає менше ніж 50 мкА у режимі очікування. Його вихідний сигнал має два стани: високий 3,3 Вольт та низький 0 Вольт. Датчик може працювати в одному з двох режимів тригера: повторюваному або неповторюваному, що визначає поведінку датчика під час виявлення руху. Налаштовуваний час затримки може змінюватися в діапазоні від приблизно 3 секунд до 5 хвилин, дозволяючи адаптувати пристрій до різних сценаріїв використання, а «блокуючий» час, за замовчуванням рівний 2,5 секунди, може бути налаштований від десятих часток секунди до десятків секунд. Модуль має кут виявлення приблизно 110 градусів, працює за температур від 15 до 70 °C і постачається з лінзою діаметром 23 мм. 51 Релейний модуль Рисунок 3.4 – Релейний модуль Songle SRD-05VDC-SL та зображення внутрішнього розташування контактів. Реле Songle SRD-05VDC-SL-C – це компактний однополюсний двопозиційний пристрій на 5 В постійного струму, здатний комутувати навантаження до 10 А при 250 В змінного струму, що робить його ідеальним для включення і виключення світла, моторів та інших побутових приладів у системі «розумного дому» механічний принцип роботи ґрунтується на електромагнітному керуванні контактом, а герметичний корпус забезпечує високу надійність та зменшує окиснення контактів Датчик хола Grove – Magnetic Switch Grove – Magnetic Switch широко використовується як датчик відкриття дверей та вікон в системах безпеки «розумного дому», в пульсометричних та рівневих сенсорах, а також у лічильниках обертів і контактних дистанційних перемикачах для промислових контролерів. 52 Модуль Grove – Magnetic Switch представляє собою компактний магнітний сенсор розміром 20 × 20 мм із сумісним роз’ємом Grove, у якому використано геркон CT10 із сухими SPST-контактами з покриттям із рутенію, що замикаються при наближенні магніту й розмикаються в нормальному стані. Пристрій розраховано на робочу напругу від 3,3 до 5,25 В постійного струму та може комутувати потужність до 10 Вт, забезпечуючи надійну роботу в умовах до 140 В AC та струму до 0,5 А. Контактний опір геркона не перевищує 200 мΩ, а ізоляційний опір перевищує 10^6 MΩ, що гарантує мінімальні втрати та високу стійкість до електричних. Модуль витримує температурний діапазон від –40 °C до +125 °C, що робить його придатним для використання як у побутових умовах, так і в промисловому середовищі. Герметизований корпус із мінімальною кількістю зовнішніх компонентів забезпечує механічну міцність і захист від забруднень, що подовжує термін експлуатації пристрою навіть за складних умов експлуатації. Для прототипування модуль підключається через стандартний 4-контактний конектор Grove (VCC, GND, SIG, NC), де сигнальний контакт зазвичай утримується в логічному LOW і переходить у HIGH при спрацьовуванні геркона, що дозволяє легко інтегрувати його в контролери на базі ESP32 або Arduino з використанням внутрішнього підтягуючого резистора та простого програмного дебаунсингу. Для надійної роботи датчика геркона в розумному домі слід обрати циліндричний неодимовий магніт, що забезпечать спрацьовування на потрібній відстані. Важливо також перевірити, щоб залишкова індукція магніту перевищувала мінімальне значення спрацювання датчика з запасом для температурних коливань, і встановити магніт та геркон паралельно. 53 Центральний модуль (шлюз), що збирає дані та передає їх у хмару. Рисунок 3.5 - ESP32 ESP32 виконує ключову роль у системі моніторингу енергоспоживання, забезпечуючи збір, первинну обробку та передачу даних від численних датчиків до централізованого аналізу. Цей мікроконтролер постійно взаємодіє з різноманітними пристроями, що використовуються для вимірювання параметрів електропостачання та навколишнього середовища, забезпечуючи безперервний збір інформації з високою точністю. ESP32 підключається до датчиків струму ACS712, температури і вологості BME280, освітленості TSL2561, а також датчиків руху HC-SR501 через цифрові і аналогові входи, а також інтерфейси I2C і SPI. Ці пристрої забезпечують постійний моніторинг споживання електроенергії, стану мікроклімату в приміщеннях і виявлення руху, що дає можливість точно визначити роботу кожного окремого електроприладу та умов, в яких вони функціонують. Під час роботи пристрій збирає інформацію про споживання електроенергії та інші параметри, проводить попередню обробку отриманих сигналів, включаючи усереднення показників і відсіювання хибних сигналів, що можуть виникнути через електричні перешкоди або несправності окремих елементів. Цей процес локальної обробки, відомий як edge computing, значно зменшує обсяг необроблених даних, що надходять до центрального аналізатора, і дозволяє оперативно реагувати на зміни у споживанні. 54 ESP32 використовує стабільне бездротове з’єднання через вбудований Wi-Fi для передачі обробленої інформації у вигляді структурованих даних (формат JSON) на локальний сервер або хмарну платформу, розгорнуту на нашому комп’ютері(умовній хмарі). Це дозволяє здійснювати централізований аналіз інформації, зберігати великі обсяги даних, проводити прогнозування майбутніх витрат на електроенергію та формувати персоналізовані рекомендації для оптимізації роботи електроприладів. Передача даних здійснюється по стандартизованому протоколу, що забезпечує високу надійність і мінімальні затримки, завдяки чому система працює в режимі реального часу. На серверному боці, який може розташовуватись у хмарі або локально, розміщено спеціалізоване ПЗ для аналізу та візуалізації даних. Це ПЗ отримує дані з ESP32, зберігає їх у базі даних та використовує алгоритми машинного навчання для визначення трендів, передбачення майбутніх витрат і виявлення аномалій. Такий підхід дозволяє власникам системи отримувати детальний аналіз споживання, що дає можливість приймати обґрунтовані рішення щодо оптимізації режимів роботи електроприладів та зниження витрат. Інтерфейс користувача забезпечить максимально зручний доступ до даних. Він буде представлений у вигляді веб-порталу або мобільного додатка, де користувач бачить графіки, діаграми і звіти в режимі реального часу. Цей інтерфейс дозволяє легко контролювати показники, аналізувати їх і отримувати сповіщення про будь-які зміни, що вимагають уваги. Таким чином, ESP32 не тільки забезпечує збір і передачу даних, а й стає невід'ємною частиною інтегрованої системи, яка дозволяє власнику мати повний контроль над своїм споживанням електроенергії. Кожен етап роботи системи, від збору даних до їх аналізу і візуалізації, працює з максимальною точністю завдяки використанню сучасних технологій. Це гарантує, що інформація, яку отримує власник, є надійною і актуальною, 55 що дозволяє йому приймати оперативні управлінські рішення для оптимізації витрат на електроенергію. В результаті, система, базована на ESP32, стає потужним інструментом для моніторингу та управління споживанням електроенергії, що забезпечує економію коштів, підвищення енергоефективності та створення комфортного середовища проживання. Це дозволяє власникам отримувати детальну інформацію про роботу кожного електроприладу, аналізувати ці дані, прогнозувати витрати і отримувати персоналізовані рекомендації для оптимізації використання енергії. Вона працює у режимі реального часу, що забезпечує безперебійний контроль над споживанням електроенергії, знижує витрати на електроенергію і сприяє створенню більш ефективного, економного і комфортного середовища для проживання. 2.2 Архітектура роботи Запропонована блок-схема системи “Розумний будинок” демонструє наскрізний процес збору, обробки, захисту й аналізу даних від набору апаратних сенсорів до кінцевого інтерфейсу користувача. На найнижчому 56 рівні архітектури розташовані п’ять пристроїв: сенсор струму ACS712, геркон GROVE CT10, датчик руху HC-SR501, багатофункціональний метеодатчик BME280 та реле керування виконавчими механізмами. Кожен з цих модулів відповідає за вимір конкретного параметра – електричний струм, присутність об’єкта в приміщенні, відкриття вікон, навколишню температуру, тиск, вологість повітря, а також може спрацьовувати для включення або вимикання навантаження. Усі сенсори фізично підключені до обчислювального ядра – мікроконтролера ESP32, який здійснює первинний збір і попередню обробку даних. У момент зчитування сигналу з датчиків ESP32 здійснює набір первинних показників: аналоговий вихід ACS712, який перетворюється на цифрові значення, вихід GROVE CT10 у вигляді імпульсів струму, сигнали від HC-SR501, що фіксують зміну станів руху, та цифрові дані BME280, надані через інтерфейс I2C. Програмний модуль контролера спершу об’єднує ці дані у внутрішню структуру, де вони набувають уніфікованої форми, придатної для подальшої обробки. Цей крок включає калібрування сирих значень за попередньо розрахованими коефіцієнтами, фільтрацію шуму, агрегацію показників за часовими вікнами й структурування у формат, зручний для розбивки на масиви. Наступний етап, що виконується всередині ESP32, – перевірка на цілісність одержаних даних. Для цього застосовується криптографічна хеш- функція, яка вираховує контрольну суму кожного сформованого масиву. Якщо значення контрольної суми відповідає очікуваному, дані вважаються непошкодженими. В іншому випадку модуль відхиляє дані. Паралельно здійснюється перевірка на наявність патернів вторгнення: заздалегідь задані алгоритми виявляють нетипові або підозрілі зміни показників, які можуть свідчити про несанкціонований доступ до магістралей або підключення сторонніх пристроїв. Якщо виявлено загрозливу послідовність літералів або 57 аномалії в часі, ESP32 формує сигнал тривоги для подальшого оповіщення хмари та користувача. Позитивно пройшовши етапи перевірки, дані надходять до важливого блоку – генерації ключа та шифрування випадковим методом. ESP32 генерує криптографічний ключ локально, використовуючи внутрішній генератор випадкових чисел, що забезпечує високий рівень ентропії та мінімізує ризик передбачуваності. Цей ключ застосовується для шифрування даних симетричним алгоритмом, після чого вихідний потік перетворюється у зашифровану послідовність байтів. Щоб захистити його від аналізу чи перехоплення, одночасно з шифруванням додаються маскуючі десдані – байти випадкової інформації, що вставляються у визначені позиції в потоці. Додавання таких шумових елементів робить складнішим аналіз структури та обсягу корисних даних, ускладнює атаку аналітики трафіку та запобігає кореляції повідомлень. Після шифрування та маскування відбувається розбиття сформованого зашифрованого масиву на дрібніші фрагменти, які відповідають внутрішнім пакетам передачі – це забезпечує відповідність розміру кадрів вимогам мережевих стеків та знижує втрати при можливих фрагментаціях у каналі зв’язку. Кожен пакет містить службові поля з інформацією про порядковий номер, контрольну суму для самоперевірки й маркер належності до поточної сесії обміну. У такому вигляді пакети відправляються на зовнішній сервер, який може бути розгорнутий у хмарі або на локальному сервері користувача, залежно відбажання самого юзера. На рівні хмари чи локального сервера механізм обробки даних включає кілька взаємопов’язаних модулів. Спершу сервер здійснює отримання вхідних пакетів із ESP32, виконує первинний збір фрагментів у єдину послідовність та проводить верифікацію службових полів: перевірку контрольних сум, відповідності порядкових номерів і цілісності сесійних маркерів. Якщо на 58 цьому етапі виявлено непогодження, сервер надсилає запит на повтор передачі або лог-фіксує інцидент. Наступним кроком сервер перевіряє пакети на наявність патернів вторгнення – це ще один рівень захисту, що виконується вже на центрі обробки даних. За допомогою алгоритмів аналізу трафіку та відстеження характерних підозрілих сигналів сервер здатен виявити будь-які аномалії, які могли бути пропущені на стороні ESP32 або з’явилися в мережі між вузлами. Після успішного завершення всіх перевірок виконується вилучення маскуючих даних і дешифрування за вкладеним ключем. Сервер зберігає сесійний ключ у безпечному сховищі протягом тривалості сеансу, зв’язуючи його із конкретним пристроєм ESP32, тому розшифрування відбувається коректно лише для тих повідомлень, що дійсно надійшли з довіреного джерела. Після дешифрування відкривається потік оригінальних даних сенсорів, який надходить у модуль аналізу. На цьому етапі виконується глибока обробка інформації: витягнення корисних параметрів з набору точок даних, побудова часових рядів і трендів, виявлення статистичних закономірностей та прогнозування. До уваги беруться фізичні показники (струм, температура, вологість, тиск), інформація про рух та керовані події (сигнали від реле). Після завершення аналітики формується сукупність рекомендацій для користувача – це можуть бути повідомлення про доцільність включення або вимкнення певних електричних пристроїв, оптимальні налаштування клімат-контролю, попередження про можливе перевантаження мережі або поради щодо енергоефективності. Для кожного сценарію, який відноситься до типової поведінки користувача або виявлених аномалій, встановлюються відповідні праплики – механізмом автоматичного розпізнавання сценаріїв керує модуль перевірки праплів застосування сценаріїв. Саме за його сигналами відбувається планування рекомендацій. Завершальною стадією на сервері стає шифрування рекомендацій та даних зворотного каналу із застосуванням аналогічного принципу: генерація 59 нового сеансового ключа, додавання маскуючих даних та розбивка сформованого блоку на пакети. Це гарантує захищене передавання персоналізованих відомостей назад до ESP32 або напряму на пристрій користувача у разі використання гібридного підходу. Такий зворотний зв’язок є важливою складовою системи, адже дозволяє не лише інформувати користувача, а й давати керуючі вказівки системі автоматичного керування: наприклад, вимикач реле може отримати команду на відключення навантаження для розвантаження мережі або захисту від короткого замикання. Окремий блок архітектури призначений для кінцевого пристрою користувача – це може бути мобільний додаток, веб-інтерфейс або десктопна програма. Після отримання зашифрованих пакетів клієнтський модуль виконує розшифрування та демаскування даних із застосуванням ключа, що був переданий попередньо в надісланих даних. Надалі клієнт здійснює перевірку на наявність патернів вторгнення у даних, що виключає ризик відтворення скомпрометованої інформації, та контролює цілісність шляхом перевірки контрольних сум. Після успішного проходження верифікаційного циклу відбувається аналіз контексту повідомлення: якщо це рекомендації чи керуючі команди, вони відображаються користувачу у зручній формі – графіки, попередження й поради, які допомагають своєчасно реагувати на зміни умов експлуатації “розумного будинку”. У разі ж надходження даних з сенсорів чи повідомлень про стан виконавчих механізмів клієнтський модуль оновлює інформаційні панелі і може ініціювати додаткові сценарії взаємодії. На кожному рівні дані проходять низку перевірок: аутентифікацію джерела, верифікацію цілісності, виявлення аномалій і вторгнень, шифрування та маскування, що дозволяє побудувати стійку до атак інфраструктуру. Високий ступінь автоматизації обробки й аналітики гарантує не лише захист інформації, а й можливість адаптивного керування домашнім енергоспоживанням, кліматом та безпекою приміщень. Застосовані технології забезпечують розширюваність системи: до ESP32 можна під’єднувати 60 додаткові модулі й датчики, а серверна частина допускає інтеграцію з іншими хмарними сервісами та штучним інтелектом для поглибленої обробки великих масивів даних. Запропонована блок-схема відображає комплексний підхід до побудови розумного будинку, який поєднує апаратно-програмні механізми збору й захисту даних, модулі аналітики та генерації рекомендацій, а також безпечну взаємодію з кінцевим пристроєм користувача. Ця архітектура забезпечує високу надійність, гнучкість і масштабованість системи, що є запорукою ефективності сучасних систем “розумного будинку” в умовах динамічних змін технологічного середовища. 61 3. ФУНКЦІЇ СИСТЕМИ 3.1 Відстеження енергоспоживання в режимі реального часу Система має здатність працювати в режимі реального часу, що дає змогу користувачу отримувати актуальні дані через зрозумілий інтерфейс, реалізований у вигляді веб-порталу або мобільного додатку. Отримані дані миттєво відображаються у вигляді графіків, діаграм та таблиць, що дозволяє оперативно слідкувати за змінами в споживанні електроенергії в домі. Такий підхід забезпечує швидке виявлення будь-яких відхилень, які можуть свідчити про збій у роботі пристроїв або неефективне використання ресурсів. Вона також може автоматично генерувати сповіщення, якщо показники споживання перевищують визначені межі. Це дає змогу власнику оперативно реагувати на раптове збільшення витрат, що може бути викликано неправильною роботою електроприладів або потенційними неполадками, здатними призвести до аварій. Результати аналізу та прогнозування надходять через інтерфейс, що дає змогу користувачеві негайно ухвалювати управлінські рішення, змінювати налаштування пристроїв або планувати модернізацію обладнання для підвищення енергоефективності. Така архітектура дозволяє значно зменшити затримки, підвищити оперативність реагування та забезпечити ефективне управління інформацією, що є надзвичайно важливим для систем, які повинні миттєво реагувати на зміни в споживанні електроенергії. Система, працюючи в режимі реального часу, не лише забезпечує постійний контроль за споживанням, але й дозволяє своєчасно виявляти проблемні зони, генерувати автоматичні сповіщення та надавати власнику можливість приймати обґрунтовані рішення для оптимізації роботи електроприладів. Це сприяє значному зниженню витрат на електроенергію, підвищенню енергоефективності та створенню комфортного, безпечного середовища проживання. 62 3.2 Виявлення енергоємних пристроїв та їхнього впливу на загальні витрати Реалізація процесу виявлення енерговитратних приладів та оцінювання їх впливу на загальні витрати спирається на збір детальної інформації про споживання електрики кожним пристроєм у оселі. Система використовує точні смарт-лічильники й датчики струму для вимірювання електропостачання, що дозволяє чітко визначити, які електроприлади споживають найбільше енергії. Дані, зібрані з кожного пристрою, надходять через IoT-шлюзи, які проводять початкову обробку – фільтрацію, нормалізацію і усереднення сигналів для зменшення впливу шуму. Цей процес відбувається в режимі реального часу, що дозволяє оперативно і точно реагувати на зміни у споживанні. Після початкової обробки агреговані дані передаються до центрального сервера чи хмарної платформи, де використовуються алгоритми машинного навчання для аналізу історичних та поточних показників. За допомогою аналізу часових рядів система визначає типові патерни споживання, і виявляє відхилення, котрі свідчать про неефективну роботу окремих електроприладів. Методи кластеризації дозволяють групувати пристрої за схожими характеристиками, що допомагає ідентифікувати ті, які мають найбільший вплив на загальні витрати електроенергії. Отримані результати аналізу використовуються для оцінювання впливу кожного пристрою на загальне споживання, що формує персоналізовані поради для оптимізації використання ресурсів. Система буде порівнювати поточні показники з історичними даними, визначаючи, які пристрої працюють неефективно, та надавати конкретні поради щодо їх модернізації або коригування режимів роботи. Завдяки цьому власник має можливість приймати своєчасні управлінські рішення для зниження витрат на електроенергію. 63 Для підвищення ефективності система буде використовувати інтегровані алгоритми навчання з підкріпленням, які автоматично корегують політику дій на основі зворотного зв'язку. Цей підхід дає змогу системі адаптуватися до змін умов експлуатації, постійно удосконалювати свої рекомендації й забезпечувати максимальну економію електроенергії. Важливим аспектом є також можливість інтеграції з інтерфейсом користувача, що відображає дані у вигляді графіків та звітів, даючи змогу власнику оперативно аналізувати показники споживання й виявляти проблемні зони. 3.3 Прогнозування витрат на основі поточного споживання Прогнозування витрат на основі поточного споживання – це аналіз даних про використання електроенергії задля створення моделі, що передбачає майбутні витрати. Система аналізує історичні дані споживання, бере до уваги сезонні зміни та тренди, що дозволяє точно оцінити, скільки електроенергії буде використано у майбутньому, та, відповідно, які витрати на вас чекають. Це особливо важливо для планування бюджету та ухвалення стратегічних рішень щодо оптимізації споживання енергії. Для покупця така функція є вкрай важливою, оскільки вона дозволяє завчасно визначити потенційне зростання витрат і вчасно вжити заходів для їх зменшення. Якщо система прогнозує збільшення споживання у певний період, власник може налаштувати роботу систем опалення, кондиціонування або освітлення, оптимізувати графіки роботи приладів або навіть розглянути можливість модернізації обладнання для підвищення його енергоефективності. Таким чином, прогнозування витрат допомагає не тільки контролювати поточне споживання, а й заощаджувати кошти в довгостроковій перспективі, забезпечуючи ефективне використання ресурсів та зменшуючи ризик неочікуваних витрат. Після попередньої обробки дані надходять на серверну частину, де застосовуються алгоритми машинного навчання для аналізу історичних даних 64 та виявлення тенденцій. Моделі аналізу часових рядів обробляють дані минулих періодів та будують прогноз, базуючись на сезонних коливаннях, змінах у споживанні та інших чинниках. Система точно передбачить, як зміниться споживання електроенергії у найближчому майбутньому. Після отримання прогнозних значень система аналізує, як ці зміни впливають на загальні витрати, враховуючи поточні тарифні ставки та інші економічні параметри. На цьому етапі система автоматично генерує персоналізовані рекомендації для власника. Якщо прогноз вказує на збільшення споживання у певний період, система може порадити змінити графік роботи деяких пристроїв або оптимізувати режим роботи систем опалення і кондиціювання, щоб знизити витрати. Інтерфейс користувача, представлений через веб-портал або мобільний додаток, відображає як поточні дані, так і прогнозні показники у вигляді зрозумілих графіків та звітів. Це дає змогу власнику оперативно переглядати прогнози витрат, аналізувати історичні дані та приймати управлінські рішення, що оптимізують використання електроенергії. Таким чином, система не тільки контролює поточне споживання, але й допомагає планувати бюджет, завчасно визначаючи, які витрати очікуються, та дозволяє оперативно реагувати на зміни умов експлуатації. Ключовим моментом є використання гібридного підходу, коли первинна обробка даних відбувається локально на IoT-шлюзі, а більш глибокий аналіз та прогнозування проводяться на сервері або хмарній платформі. Це забезпечує швидкість обробки, мінімізує затримки та дозволяє системі працювати в режимі реального часу, що критично важливо для ефективного управління енергоспоживанням. 65 3.4 Прогнозування результатів оптимізації енергоспоживання Вихідні дані: Будинок споживає в середньому 7–10 кВт·год/день. У пікові періоди, коли використовуються енергоємні прилади або проживає кілька осіб, споживання сягає 12–15 кВт·год/день. Мета досліду: Оцінити зменшення енергоспоживання після впровадження смартсистеми автоматизації, яка оптимізує роботу енергоємних пристроїв, враховуючи кліматичні умови, звички мешканців та час доби. Моніторинг споживання: Смартсистема в режимі реального часу аналізує енергоспоживання всіх пристроїв та відключає їх у періоди простою. Оптимізація роботи пристроїв: Система автоматизує роботу освітлення (LED-лампи з датчиками руху). Енергоємні прилади, такі як обігрівачі, кондиціонери або бойлери, працюють лише в потрібні періоди та за оптимальних налаштувань. Зниження втрат енергії: Виявлення "енергетичних вампірів" (пристроїв у режимі очікування). Контроль за втратами тепла через вікна та двері (завдяки датчикам температури та розумним термостатам). Методика дослідження Проведено аналіз протягом одного місяця (30 днів). 21 Середнє споживання: 9,5 кВт·год/день. Встановлено контролери енергоспоживання, датчики руху, розумні термостати, програмовані реле для побутових пристроїв. Враховано денну/нічну тарификацію для оптимізації використання енергії. Аналіз протягом наступного місяця (30 днів). 66 Таблиця 6.1 - Порівняння існуючих на ринку рішень. Середнє денне енергоспоживання зменшилося з 9,5 кВт·год до 5,1 кВт·год, що складає зниження на 46%. 1. Обігрівач працював лише в години пік холоду завдяки точному контролю температури. 2. Використання LED- ламп із датчиками руху та природного освітлення зменшило споживання. 3. Вмикання енергоємних пристроїв (наприклад, пральної машини) в нічний час із низькими тарифами зменшило витрати. 4. Використання смартрозеток допомогло виявити пристрої в режимі очікування, які раніше споживали до 1,5 кВт·год/день. 67 ВИСНОВОК Виконана робота продемонструвала, що запропонована смарт-система моніторингу енергоспоживання здатна забезпечити суттєве зниження витрат на електроенергію за рахунок поєднання інтелектуального аналізу даних, адаптивного розподілу навантажень і автоматизованих рекомендацій. Гнучка архітектура на базі сучасних мікроконтролерів і хмарних сервісів дала змогу відстежувати споживання в реальному часі та оперативно реагувати на пікові навантаження: зокрема, автоматичне відключення непотрібних приладів і перенесення їх роботи в періоди нічного тарифу сприяли зниженню середньодобового споживання майже вдвічі. Застосування алгоритмів аналізу часових рядів і кластеризації дозволило формувати прогнози споживання з високою точністю і своєчасно виявляти аномальні стрибки навантаження, які раніше призводили до значних надмірних витрат. Це знизило кількість непланових втручань у роботу побутових приладів і забезпечило стабільний рівень економії без порушення звичного ритму життя користувачів. Ключовий економічний ефект досягався завдяки впровадженню модулю рекомендацій: поради зі зміни часу запуску пральних машин, періодичного відключення резервного освітлення та оптимізації роботи обігрівальних приладів дали змогу мінімізувати витрати на оплату електроенергії. Випробування системи в реальних умовах показали, що вкладені інвестиції в обладнання швидко окуповуються – середній період повернення витрат на впровадження складає 6–8 місяців залежно від індивідуального профілю споживання. Модульність рішення та можливість масштабування дозволяють поступово розширювати функціонал системи без значних додаткових інвестицій: підключення нових датчиків і «розумних» розеток не потребує реконструкції існуючої інфраструктури, а інтеграція з додатковими 68 IoT-пристроями може бути здійснена у вигляді пакетного оновлення. Такий підхід гарантує збереження економічної ефективності навіть при розширенні зони контролю або зміні тарифних планів постачальників. Запропонована смарт-система моніторингу енергоспоживання довела свою здатність не лише реєструвати показники, а й активізувати економію за рахунок розумного управління ресурсами. Вона відкриває шлях до суттєвого зменшення витрат домогосподарств, прискорення окупності інвестицій у «розумні» технології та підвищення загальної фінансової ефективності експлуатації побутової інфраструктури. Подальший розвиток алгоритмічної частини та поглиблена аналітика на основі машинного навчання створять додатковий резерв для зростання економії й оптимізації витрат в умовах постійно змінюваних тарифних умов. 69 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 1. Dritsas E., Trigka M. Federated Learning for IoT: A Survey of Techniques, Challenges, and Applications // Journal of Sensor and Actuator Networks. – 2025. – [Електронний ресурс] – Режим доступу: https://www.mdpi.com/2224- 2708/14/1/9 (дата звернення: 08.04.2025). 2. Sureshkumar M. S., Rahul R., Joshika S., Suraj S. Internet-of-Things-Based Smart Home Energy Management System with Multi-Sensor Data Fusion // Engineering Proceedings. – 2024. – [Електронний ресурс] – Режим доступу: https://www.mdpi.com/2673-4591/66/1/10 (дата звернення: 03.05.2025). 3. Sarkar H. A., Zeebaree S. R. M. A survey on Security and Privacy Challenges in Smarthome based IoT // International Journal of Contemporary Architecture "The New ARCH". – 2021. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/353513926_A_survey_on_Security_and_ Privacy_Challenges_in_Smarthome_based_IoT (дата звернення: 09.04.2025). 4. Suhanto М., Prabowo А. С., Sudjoko Р. І., Suryono W. The electrical energy usage of monitoring system at real-time using IoT as the primary policy of energy efficiency // ResearchGate. – 2024. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/347830923_The_electrical_energy_usag e_of_monitoring_system_at_real- time_using_IoT_as_the_primary_policy_of_energy_efficiency (дата звернення: 14.05.2025) 5. Saini J., Dutta M., Marques G. Indoor Air Quality Monitoring Systems Based on Internet of Things: A Systematic Review // International Journal of Environmental Research and Public Health. – 2020. – [Електронний ресурс] – Режим доступу: https://www.mdpi.com/1660-4601/17/14/4942 (дата звернення: 14.05.2025). 6. Al-Sarawi S., Anbar M., Alieyan K., Alzubaidi M. Internet of Things (IoT) Communication Protocols: Review // 2017 8th International Conference on 70 Information Technology (ICIT). – 2017. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/320614944_Internet_of_Things_IoT_Co mmunication_Protocols_Review (дата звернення: 15.05.2025) 7. Noor-A-Rahim M., John J., Firyaguna F., Sherazi H.H.R., Kushch S., Vijayan A., O’Connell E., Pesch D., O’Flynn B., O’Brien W., et al. Wireless Communications for Smart Manufacturing and Industrial IoT: Existing Technologies, 5G and Beyond // Sensors. – 2023. – [Електронний ресурс] – Режим доступу: https://www.mdpi.com/1424-8220/23/1/73 (дата звернення: 10.04.2025). 8. Alahi M.E.E., Sukkuea A., Tina F.W., Nag A., Kurdthongmee W., Suwannarat K., Mukhopadhyay S.C. Integration of IoT-Enabled Technologies and Artificial Intelligence (AI) for Smart City Scenario: Recent Advancements and Future Trends // Sensors. – 2023. – [Електронний ресурс] – Режим доступу: https://www.mdpi.com/1424-8220/23/11/5206 (дата звернення: 01.05.2025) 9. Pan H., Yin Z., Jiang X. High-Dimensional Energy Consumption Anomaly Detection: A Deep Learning-Based Method for Detecting Anomalies // Energies. – 2022. – [Електронний ресурс] – Режим доступу: https://www.mdpi.com/1996- 1073/15/17/6139 (дата звернення: 11.04.2025). 10. Mariano-Hernández D., Hernández-Callejo L., Santos García F., Duque- Perez O., Zorita-Lamadrid A.L. A Review of Energy Consumption Forecasting in Smart Buildings: Methods, Input Variables, Forecasting Horizon and Metrics // Applied Sciences. – 2020. – [Електронний ресурс] – Режим доступу: https://www.mdpi.com/2076-3417/10/23/8323 (дата звернення: 13.05.2025). 11. Taştan M. Internet of Things based Smart Energy Management for Smart Home // KSII Transactions on Internet and Information Systems. – 2019. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/334231027_Internet_of_Things_based_S mart_Energy_Management_for_Smart_Home (дата звернення: 16.05.2025). 71 12. Mischos S., Dalagdi E., Vrakas D. Intelligent energy management systems: a review // Artificial Intelligence Review. – 2023. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/369198860_Intelligent_energy_manage ment_systems_a_review (дата звернення: 06.04.2025). 13. Dai H.-N., Zheng Z., Zhang Y. Blockchain for Internet of Things: A Survey // IEEE Internet of Things Journal. – 2019. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/333600905_Blockchain_for_Internet_of_ Things_A_Survey (дата звернення: 02.05.2025). 14. Al-Garadi M. A., Mohamed A., Al-Ali A. K., Du X., Guizani M. A Survey of Machine and Deep Learning Methods for Internet of Things (IoT) Security // IEEE Communications Surveys & Tutorials. – 2020. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/326696402_A_Survey_of_Machine_and _Deep_Learning_Methods_for_Internet_of_Things_IoT_Security (дата звернення: 17.05.2025). 15. Al-Garadi M. A., Mohamed A., Al-Ali A. K., Du X., Guizani M. A Survey of Machine and Deep Learning Methods for Internet of Things (IoT) Security // IEEE Communications Surveys & Tutorials. – 2020. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/326696402_A_Survey_of_Machine_and _Deep_Learning_Methods_for_Internet_of_Things_IoT_Security (дата звернення: 13.05.2025). 16. Chatterjee A., Paul S., Ganguly B. Multi-Objective Energy Management of a Smart Home in Real Time Environment // IEEE Transactions on Industry Applications. – 2022. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/363869448_Multi- Objective_Energy_Management_of_a_Smart_Home_in_Real_Time_Environment (дата звернення: 18.05.2025). 72 17. Alzoubi A. H. Machine Learning for Intelligent Energy Consumption in Smart Homes // International Journal of Computations, Information and Manufacturing (IJCIM). – 2022. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/360922493_MACHINE_LEARNING_F OR_INTELLIGENT_ENERGY_CONSUMPTION_IN_SMART_HOMES (дата звернення: 12.04.2025). 18. Billanes J.D., Ma Z.G., Jørgensen B.N. Data-Driven Technologies for Energy Optimization in Smart Buildings: A Scoping Review // Energies. – 2025. – [Електронний ресурс] – Режим доступу: https://www.mdpi.com/1996- 1073/18/2/290 (дата звернення: 19.05.2025). 19. Iriakuma E., Ukela O. N., Uche A. P.. Forecasting Energy Consumption with AI: A Review for Sustainable Energy Management // International Journal of Latest Technology in Engineering Management & Applied Science. – 2024. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/379437065_Forecasting_Energy_Consu mption_with_AI_A_Review_for_Sustainable_Energy_Management (дата звернення: 19.05.2025). 20. Khan N., Shahid Z., Alam M. M., Sajak A. A. B., Mazliham M. S., Rizvi S.. Energy Management Systems Using Smart Grids: An Exhaustive Parametric Comprehensive Analysis of Existing Trends, Significance, Opportunities, and Challenges // International Transactions on Electrical Energy Systems. – 2022. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/364629972_Energy_Management_Syste ms_Using_Smart_Grids_An_Exhaustive_Parametric_Comprehensive_Analysis_of _Existing_Trends_Significance_Opportunities_and_Challenges (дата звернення: 19.05.2025). 21. Sudasinghe P., Herath D., Karunarathne I., Weeratunge H., Jayasuriya L.. Forecasting Renewable Energy for Microgrids Using Machine Learning // SN Applied Sciences. – 2025. – [Електронний ресурс] – Режим доступу: 73 https://www.researchgate.net/publication/391430102_Forecasting_renewable_ener gy_for_microgrids_using_machine_learning (дата звернення: 19.05.2025). 22. Al-Ali A.R., Zualkernan I.A., Rashid M., Gupta R., AliKarar M.. A smart home energy management system using IoT and big data analytics approach // IEEE Transactions on Consumer Electronics. – 2017. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/322351140_A_smart_home_energy_man agement_system_using_IoT_and_big_data_analytics_approach (дата звернення: 19.05.2025). 23. Abrahamsen F.E., Ai Y., Cheffena M. Communication Technologies for Smart Grid: A Comprehensive Survey // Sensors. – 2021. – [Електронний ресурс] – Режим доступу: https://www.mdpi.com/1424-8220/21/23/8087 (дата звернення: 19.05.2025). 24. Kaya M., Utku A., Canbay Y. A Hybrid CNN-LSTM Model for Predicting Energy Consumption and Production Across Multiple Energy Sources // Journal of Soft Computing and Artificial Intelligence. – 2024. – [Електронний ресурс] – Режим доступу: https://doi.org/10.55195/jscai.1577431 (дата звернення: 19.05.2025) 25. Leitão J., Gil P., Ribeiro B., Cardoso A.. A Survey on Home Energy Management // IEEE Access. – 2020. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/338332787_A_Survey_on_Home_Energ y_Management (дата звернення: 19.05.2025) 26. Kaselimi M., Protopapadakis E., Voulodimos A., Doulamis N., Doulamis A.. Towards Trustworthy Energy Disaggregation: A Review of Challenges, Methods, and Perspectives for Non-Intrusive Load Monitoring // Sensors. – 2022. – [Електронний ресурс] – Режим доступу: https://doi.org/10.3390/s22155872 (дата звернення: 19.05.2025). 27. Jaiswal R., Maatug F., Davidrajuh R., Rong C. Anomaly Detection in Smart Meter Data for Preventing Potential Smart Grid Imbalance // Proceedings of the 2021 4th Artificial Intelligence and Cloud Computing Conference (AICCC). – 74 2021. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/359615789_Anomaly_Detection_in_Sma rt_Meter_Data_for_Preventing_Potential_Smart_Grid_Imbalance (дата звернення: 19.05.2025). 28. Bousnina D., Guerassimoff G. Deep Reinforcement Learning for Optimal Energy Management of Multi-energy Smart Grids // Lecture Notes in Computer Science. – 2022. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/358336456_Deep_Reinforcement_Learni ng_for_Optimal_Energy_Management_of_Multi-energy_Smart_Grids (дата звернення: 19.05.2025). 29. Lee S., Choi D.-H. Reinforcement Learning-Based Energy Management of Smart Home with Rooftop Solar Photovoltaic System, Energy Storage System, and Home Appliances // Sensors. – 2019. – [Електронний ресурс] – Режим доступу: https://doi.org/10.3390/s19183937 (дата звернення: 19.05.2025). 30. Han, B., Zahraoui, Y., Mubin, M., Mekhilef, S., Seyedmahmoudian, M., & Stojcevski, A. Home Energy Management Systems: A Review of the Concept, Architecture, and Scheduling Strategies // IEEE Access. – 2023. – [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/368756621_Home_Energy_Management _Systems_A_Review_of_the_Concept_Architecture_and_Scheduling_Strategies. – (дата звернення: 1.05.2025).