Gå til innhold
  • Bli medlem
Støtt hjemmeautomasjon.no!

Vinnerliste

  1. Moskus

    Moskus

    Administrator


    • Poeng

      5

    • Innlegg

      16 801


  2. LenothX90

    LenothX90

    Medlemmer


    • Poeng

      4

    • Innlegg

      73


  3. Frankis78

    Frankis78

    Medlemmer


    • Poeng

      3

    • Innlegg

      310


  4. Odd

    Odd

    Medlemmer


    • Poeng

      3

    • Innlegg

      324


Populært innhold

Viser innholdet med mest poeng fra 12. mars 2018 i alle områder

  1. Endelig, etter uker med fomling og gjerde-sitting, har jeg fått montert avlesning hos meg. Største bøygen har vært å vri hodet fra "høyspent" kabling til elektronikk-spenninger. SMD-lodding er noe dritt, brant gjennom en del kort/komponenter, før det ble en kombinasjon av Huzzah med breadboard ttl-level shifter - denne skal loddes når kretskort kommer, kan da slenge på en DHT sensor for tavla også, før det kommer en 3d printet "pocket" å sette suliamitten i. Brukte "simple-han-reader-to-mqtt" ino'en fra github, men blir nok å endre denne, siden kun power ligger i mqtt stringen. Egentlig godt gjort for lille ESP'en å snakke gjennom tavla, da den nesten kan betegnes som et faraday-bur? (fra blidet kan man lese at samkjøring/nattsenk ikke er optimal, vi venter på nye termostater. ( gamle termostater er veldig, veldig dumme idag ?)
    4 poeng
  2. Dette fungerer glimrende. Jeg har de batterifrie 4 kontakts bryterene, og det er kjempe bra. Bare kjøp en enocean dongle, last ned plugin og installer. Når du inkluderer, så tar du en og en knapp, men første gangen du trykker på en knapp, så generes root device. Veldig enkelt:)
    2 poeng
  3. Popp 004001. Støtter serie, og en kan utløse alarm fra HS3. Jeg har ikke testet med brann ? men håper da at den virker i tilfelle .. Batteri status i HS3, bytter en gang i året.
    2 poeng
  4. En kombinasjon av HAL9000 og Alexa... vi vet jo hvordan det går allerede nå:
    2 poeng
  5. Jeg laget for to uker siden en liten(?) kode for å optimalisere strømforbruket med tanke på strømutgifter (ikke strømforbruk) for å ta hensyn til varierende pris gjennom døgnet (og siden jeg for et par uker siden fikk timesavlesning gjennom ny måler fra BKK og strømregning hos Tibber). Grunntanken er å forvarme huset når prisen er billig. For å kunne gjøre dette må man ha en modell av huset som beskriver strømforbruk som funksjon av husets tilstand (temperatur) og hvilken temperatur man ønsker. Jeg har i et halvt år samlet strømforbruk hvert 5. minutt og samtidig logget temperatur. Ved å se på midlere strømforbruk for hver time og sammenligne det med temperaturer og temperaturendring over hver time så kan man bygge en modell på dette (hvis jeg gjentar denne analysebiten kontinuerlig, så kan det kalles maskinlæring). Jeg bruker da sklearn i Python til å lage en (multi)lineær modell som predikerer strømforbruk utifra temperaturendring og differanse mellom ute og innetemperatur. Det er betydelig med støy i denne modellen, se plott av alle dataene mine her: Som en bilineær modell i Python, så implementerer jeg den slik, dette blir nesten analogt med de rette linjene i plottet over: def hourly_power_usage(tmpincrease, insideoutsidediff): """This function could do multlinear regression on the dataset or use finished regression coefficients. It answers what power (in KwH) is needed for the whole house to reach the delta temperature in one hour. """ # from sklearn import linear_model # model = lm.fit(X, y) # X = [inne_diff, inne_diff_ute], y=Smappee5minavg(hour)] coef = [2.150, 0.189] # beware W vs KW intercept = 0.5735 return coef[0] * tmpincrease + coef[1] * insideoutsidediff + intercept Her er det tallene 2.150 og 0.189 kW som man kan tolke: 2150 er ekstraeffekten som kreves for å øke temperaturen med en grad i løpet av en time, samt at man må legge på 189W for hver grad differanse det er på ute og inne, og blir et mål på hvor godt huset er isolert. Kaldere utetemperatur gir høyere pådrag på 189-koeffisienten. I tillegg passer det modellen å legge på 573 watt uansett hvordan temperaturforholdene er. Når denne modellen er på plass, så kan man ved å kjenne framtidas strømpris, framtidas temperaturbehov (ønsket termostatinnstilling) og framtidas utetemperatur (yr) estimere strømforbruk og tilhørende kostnad. I tillegg kan man få tilpasset start av oppvarming for å møte et framtid temperaturønske. Jeg har delt "optimaliseringen" i to deler. Først en kodesnutt som flytter oppvarming tidligere i tid i tilfelle estimert effektpådrag blir for stort. Hvis man skal hoppe fra 18 grader til 25 grader i ett jafs, så tilsier modellen et effektuttak på omtrent 14KW. Jeg har ikke nok variabel effekt (Multireg x 5 (snart 10) + varmepumpe) til å klare dette, så det betyr at jeg må starte en eller to timer tidligere. Koden er enkel brute-force som øker termostatverdien timen forut for høyt estimert effektuttak og gjør dette omigjen helt til effektuttaket går under en viss grenseverdi. Resultatet av det steget ligger i den blåe linja i plottene lenger nede, kalt 'Kwh-adjusted'. Neste steg er optimalisering - her gjør jeg det med hjemmelaget brute-force (jeg tror optimaliseringsteknikken kalles 'simulated annealing'). Jeg øker temperaturen med 0.5 grader på tilfeldige tidspunkt (untatt i nedkjøliingsperioder) og rekalkulerer kostnad. Hvis en viss temperaturøkning resulterer i redusert kostnad, bevares forslaget, ellers forkastes det. Dette gjøres iterativt, og endel ganger omigjen for å øke sannsynligheten for at man ender opp på et globalt minimum. Resultatet blir som man kan se i plottet under. Optimaliseringen gjentas hver time, og jeg har justert antall iterasjoner slik at det tar ca 1 minutt å kjøre. Her kan man se blå kurve som startpunkt, og rød kurve som ferdig produkt. I natt har altså huset tenkt å begynne med forsiktig oppvarming allerede klokka ett for å på billigst mulige måte klare holde 25 grader mellom 7 og 8 i morgen tidlig når prisen er 80 øre (25 grader er 'master-termostat', faktiske termostater har en viss delta i forhold til denne utifra rommets behov). Det regnes også ut hvor mye man sparer på optimaliseringen, akkurat i denne perioden er det hele 2.37 kr (det er mye i forhold til det jeg har sett de i ukene dette har vært i drift..). (i plottet ser man at jeg også skrur av varmtvannstank i døgnets tre-fire dyreste timer) Så, virker det? Vel, jeg har ikke kontroll på alt effektuttak ennå (venter på 5 stk multireg som skal monteres av elektriker), men jeg er ihvertfall i stand til å observere historisk strømforbruk og pris som ser slik ut: og gjetter på at akkurat her har jeg spart noen titalls øre
    1 poeng
  6. ... fordi? Bare fordi jeg så at man kan grupere sensorer og bruke de i event. Muligens ikke den store fordelen, men jeg så bare en tråd om dette. (Bilde)
    1 poeng
  7. Nei, den er for [trommevirvel]... winnere. OK, jeg går nå...
    1 poeng
  8. Nå er det mars, og klipper og kort er på plass. Greit, det er en meter med snø i hagen enda, men det er på tide å poke mr @Moskus!
    1 poeng
  9. Skjønner. Jeg har tatt inspirasjon fra et annet innlegg her på forumet. Har en lampe med to stk hue pærer som har forskjellig farge på lys etter hva prisen er: Pris mindre en "Price statistic low" -> Blått lys Pris mellom "price statistic low" og "Price statistic average" -> Grønt lys Pris mellom "price statistic average" og "price statistic high" -> Gult/oragane lys Pris over "price statistic high" -> Rødt lys Det jeg ønsker er å ha pære #2 skifte farge etter hva strømprisen er neste time. Kanskje eventuelt en pære #3 for prisen om 2 timer. Hovedfokus er egentlig bare bevisstgjøring av strømforbruk og strømkost for alle familiemedlemmer, men kanskje spare noen små kroner på å f.eks. vente en ekstra time med å sette på vaskemaskinen etc.
    1 poeng
  10. Forstår tanken, men det er vel ikke så rart at de ikke tillater det, egentlig...
    1 poeng
  11. Tror du kan begynne å lese dette: https://homeseer.com/support/homeseer/HS3/SDK/updater_packaging_introduction.htm
    1 poeng
  12. Jeg synes også at HSTouch ikke er spesielt selvforklarende eller enkel for sånn som meg som elsker nydelig design, men er elendig på å lage det. Jeg er programmerer ikke designer. Jeg skal være litt forsiktig med å være bastant, men jeg har så vidt fått opp standard løsningen og den er ikke spesielt pen. Litt 90 talls og det er ikke spesielt enkelt å få til det samme som enkelte andre her klarer med litt hjelp fra PowerPoint HSTouch er rett og slett ikke bra nok etter mitt syn, men selve HS3 er kjempebra. Jeg har ikke funnet noe godt alternativ.
    1 poeng
  13. Jøss, kjører du hele dekodingen i ESP8266? Selv tenkte jeg å sende de mottatte dataene (alle 228 bytene inkludert 0x7e i begge ender) rått på MQTT, og la abonnenten gjøre jobben med dekodingen. Abonnenten blir etter hvert openHAB, men jeg har ikke kommet til det ennå. Jeg tenkte at det da blir lettere å endre koden senere dersom det blir endringer i protokollen, og også lettere å debugge når det meste av koden ikke kjører på ESP8266. Men siden du kjørerer alt dette i ESP8266, har du sjekket at det er nok plass til både program, stack og heap. Kanskje du er på grensen, og derfor får problemer. En "long shot", kanskje.
    1 poeng
  14. Jeg har gjort det på vaskerommet. Brukte da ekstern romføler (termostat er på utsiden av rommet). Den legger ut og inn begge sløyfene.
    1 poeng
  15. Kodesnutten som lager strømforbruksmodellen kan kanskje brukes av flere, hvis man har influxdb som datalager, eller har en annen måte å få dataene over til Pandas. def analyse_history(): """Extract historical data from InfluxDB and build bilinear model for power usage as a function of indoor and outdoor temperature returns a sklearn model. """ from influxdb import DataFrameClient from sklearn import linear_model pdclient = DataFrameClient('influxservernavn', influx_port, '', '', 'openhab_db') indoormeasurename = u'Sensor_fraluft_temperatur' outdoormeasurename = u'Netatmo_ute_temperatur' powermeasurename = u'Smappee_avgW_5min' outdoor = pdclient.query("select mean(value) from " + outdoormeasurename + " group by time(1h)")[outdoormeasurename] outdoor.columns = [outdoormeasurename] indoor = pdclient.query("select mean(value) from " + indoormeasurename + " group by time(1h)")[indoormeasurename] indoor.columns = [indoormeasurename] power = pdclient.query("select mean(value) from " + powermeasurename + " group by time(1h)")[powermeasurename] power.columns = [powermeasurename] dataset = pandas.concat([indoor, outdoor, power], axis=1).dropna() dataset['indoorvsoutdoor'] = dataset[indoormeasurename] - dataset[outdoormeasurename] dataset['indoorderivative'] = dataset[indoormeasurename].diff() dataset.dropna(inplace=True) # Drop edge NaN due to diff() # Linear regression: lm = linear_model.LinearRegression() X = dataset[['indoorderivative', 'indoorvsoutdoor']] y = dataset[[powermeasurename]] model = lm.fit(X, y) print("How much can we explain? %.2f" % model.score(X, y)) print("Coefficients %s" % str(model.coef_)) return model Hos meg blir 'score' på modellen bare 26%, som ikke er særlig høyt. Ved å ha ute og innetemperatur som uavhengige variabler klarer jeg oppnå 38% forklaringsgrad, men etter noe tenking, så har jeg kommet til at det bare beskriver gamle data og er ikke like interessant når man skal predikere (det betyr f.eks. at når innetemperatur er høy, så er vi hjemme og bruker varmtvann og komfyr samtidig, og den effekten har du ikke lyst å ha inn i forvarmingsregnestykket). Fysikk tilsier at strømforbruket skal være lineært i de to størrelsene jeg bruker, og det trumfer støyen i dataene. Denne snutten kjører nå hver time for meg, og strømoptimaliseringen vil således hele tiden oppdatere seg (om enn marginalt). Maskinlæring!
    1 poeng
  16. Ganske sikker på at den kjører stabilt nå
    1 poeng
  17. Vi får kjøre i gang en powerbuy til våren! [emoji3]
    1 poeng
Vinnerlisten er satt til Oslo/GMT+01:00
×
×
  • Opprett ny...

Viktig informasjon

Vi har plassert informasjonskapsler/cookies på din enhet for å gjøre denne siden bedre. Du kan justere dine innstillinger for informasjonskapsler, ellers vil vi anta at dette er ok for deg.