Modular Energy Monitoring System Design for Sustainable Buildings

Energy Monitoring Systems (EMS) are essential for optimizing energy use and promoting sustainability in modern buildings. However, current EMS solutions often face challenges such as high deployment costs, difficulties in integrating with existing infrastructure, and limitations in flexibility and scalability. This study aims to address these challenges by proposing and implementing a Modular Energy Monitoring System (EMS) designed for various building environments. The proposed system combines indoor sensor data, external weather information, and machine learning techniques to enable comprehensive monitoring and predictive energy management. It includes modular sensor units equipped with temperature, humidity, light, and sound sensors, along with a camera-based occupancy detection module using YOLOv8 for real-time person counting. These components are managed by a central control hub, based on Jetson Orin AGX, which processes and analyzes data to predict energy consumption and provide actionable insights. The EMS was tested for its ability to collect data, predict energy usage, and ensure usability. Results show that the system reliably collects environmental data every two seconds, achieves low-latency person detection using YOLOv8, and provides accurate energy consumption forecasts. Nonetheless, challenges such as limited sensor deployment in real-world settings, overlapping camera fields, and restricted access to real-time meter readings were observed, highlighting areas for improvement in future work. This research contributes to the development of a scalable and adaptable EMS that supports energy optimization and sustainable building management. It offers a practical framework for integrating IoT devices and predictive analytics, paving the way for more efficient energy practices in both commercial and residential settings.

Energiemonitoringsysteme (EMS) spielen eine zentrale Rolle bei der Optimierung des Energieverbrauchs und der Förderung von Nachhaltigkeit in modernen Gebäuden. Allerdings stehen bestehende EMS-Lösungen vor Herausforderungen wie hohen Implementierungskosten, Schwierigkeiten bei der Integration in bestehende Infrastrukturen sowie begrenzter Flexibilität und Skalierbarkeit. Diese Arbeit zielt darauf ab, diese Herausforderungen durch die Entwicklung und Implementierung eines modularen Energiemonitoringsystems (EMS) für verschiedene Gebäudetypen zu adressieren. Das vorgeschlagene System kombiniert Sensordaten aus dem Innenbereich, externe Wetterinformationen und maschinelle Lernverfahren, um umfassendes Monitoring und prädiktives Energiemanagement zu ermöglichen. Es umfasst modulare Sensoreinheiten, die mit Temperatur-, Feuchtigkeits-, Licht- und Schallsensoren ausgestattet sind, sowie ein kamerabasiertes Modul zur Personenerkennung, das YOLOv8 für die Echtzeitzählung von Personen nutzt. Diese Komponenten werden von einer zentralen Steuerungseinheit, basierend auf Jetson Orin AGX, verwaltet, die die Daten verarbeitet und analysiert, um den Energieverbrauch vorherzusagen und umsetzbare Erkenntnisse zu liefern. Das EMS wurde hinsichtlich seiner Datenaufnahme, Vorhersagegenauigkeit und Benutzerfreundlichkeit evaluiert. Die Ergebnisse zeigen, dass das System Umweltdaten zuverlässig alle zwei Sekunden erfasst, eine latenzarme Personenerkennung mit YOLOv8 ermöglicht und präzise Energieverbrauchsprognosen liefert. Dennoch wurden Herausforderungen wie begrenzte Sensoreinsätze in realen Umgebungen, überlappende Kameraperspektiven und eingeschränkter Zugang zu Echtzeit-Zählerständen festgestellt, was auf Verbesserungspotenziale in zukünftigen Arbeiten hinweist. Diese Forschung leistet einen Beitrag zur Entwicklung eines skalierbaren und anpassungs- fähigen EMS, das die Energieoptimierung und das nachhaltige Gebäudemanagement unterstützt. Es bietet ein praktikables Framework zur Integration von IoT-Geräten und prädiktiver Analytik und schafft eine Grundlage für effizientere Energiepraktiken in kommerziellen und privaten Bereichen.