Persönliches ProjektN/AN/A

Smart Building Wärmeautomatisierung

Ein Ein-Zonen-Smart-Thermostat-Simulationssystem zur Demonstration von IoT-Architekturmustern mit Python, MQTT-Messaging und Echtzeit-Web-Dashboards. Das System simuliert Temperatursensoren, implementiert wetterbewusste Heizungssteuerungslogik und bietet eine Live-Monitoring-Oberfläche mit historischer Datenvisualisierung. Dieses Projekt zeigt entkoppelte Microservices-Architektur, Event-Driven-Kommunikation und Cloud-ready IoT-Deployment-Muster. (GitHub)

Architekturübersicht

Das System folgt einer Publish-Subscribe-Architektur mit drei unabhängigen Python-Komponenten, die über MQTT kommunizieren:

1. Sensor-Simulator (`sensor/sensor.py`)

Zweck: Generiert realistische Raumtemperaturdaten mit einem Random-Walk-Algorithmus
Funktionalität:
- Simuliert Temperaturschwankungen (z.B. 18-24°C Bereich)
- Veröffentlicht JSON-Temperaturwerte zum MQTT-Topic home/1/temperature
- Konfigurierbares Veröffentlichungsintervall (Standard: alle paar Sekunden)
- Verwendet Python-Logging für Debugging und Monitoring
MQTT-Client: Eclipse Paho MQTT Python-Client-Bibliothek
Ausgabeformat: {"temperature": 21.5} JSON-Nachrichten

2. Controller-Service (`controller/controller.py`)

Zweck: Intelligente Heizungssteuerung mit wetterbasierter Sollwert-Anpassung
Funktionalität:
- Abonniert Command-Topic smart_thermostat/controller/command für Standort-Updates
- Ruft Echtzeit-Wetterdaten von WeatherAPI.com für angegebenen Standort ab
- Adaptive Sollwert-Logik:
  - Wenn Außentemperatur < 5°C: Verringert Heizungssollwert (Energieeinsparung)
  - Wenn Außentemperatur > 18°C: Erhöht Sollwert (Komfortoptimierung)
  - Standard-Sollwert: 20°C
- Veröffentlicht umfassenden Status zu smart_thermostat/controller/status_feed:
  - Aktueller Wetterstandort
  - Aktueller Sollwert-Temperatur
  - Zuletzt abgerufene Außentemperatur
  - Zeitstempel
Wetter-Integration: WeatherAPI.com REST API (erfordert API-Schlüssel)
Update-Frequenz: Periodische Wetterabrufe und Status-Updates (konfigurierbares Intervall)

3. Web-Dashboard & Data Hub (`app.py`)

Framework: Flask-Webanwendung als zentraler Datenaggregationspunkt
MQTT-Subscriber:
- Abonniert Sensor-Temperaturdaten (home/1/temperature)
- Abonniert Controller-Status-Feed (smart_thermostat/controller/status_feed)
Datenverarbeitungslogik:
- Vergleicht Innentemperatur mit neuestem Sollwert vom Controller
- Bestimmt Heizungsaktion: "HEATER ON" wenn Temp < Sollwert, "HEATER OFF" sonst
- Protokolliert alle Events (Sensorwerte, Controller-Status, Heizungsaktionen) in SQLite
Echtzeit-Dashboard (templates/index.html):
- Server-Sent Events (SSE): Live-Updates ohne Seitenaktualisierung
- Angezeigte Metriken:
  - Aktuelle Innentemperatur (vom Sensor)
  - Aktueller Sollwert (vom Controller)
  - Heizungsaktionsstatus (ON/OFF)
  - Außentemperatur und Wetterstandort
- Interaktives Diagramm: Plotly-Zeitreihen-Visualisierung täglicher Temperaturtrends
- Standort-Update-Formular: Ermöglicht Benutzern, Wetterstandort zu ändern, was MQTT-Befehl an Controller auslöst
Datenpersistenz:
- Tägliche SQLite-Datenbanken: database/temperature_log_YYYY-MM-DD.db
- Speichert: Zeitstempel, Innentemp, Sollwert, Heizungsaktion, Außentemp, Standort
- Ermöglicht historische Analyse und Trendvisualisierung
MQTT-Publisher: Veröffentlicht Standort-Update-Befehle an Controller

4. MQTT-Broker

Implementierung: Eclipse Mosquitto (branchenüblicher MQTT-Broker)
Rolle: Zentraler Message-Bus für alle Komponentenkommunikation
Standard-Port: 1883 (Standard-MQTT-Port)
Verwendete Topics:
- home/1/temperature - Sensor-Temperaturwerte
- smart_thermostat/controller/status_feed - Controller-Status-Updates
- smart_thermostat/controller/command - Befehle an Controller

Technologie-Stack

Kern-Technologien

Python 3: Primäre Programmiersprache für alle Komponenten
MQTT-Protokoll: Leichtgewichtiges Messaging-Protokoll für IoT-Kommunikation
Eclipse Paho MQTT Client: Python-Bibliothek für MQTT-Publish/Subscribe-Operationen
Eclipse Mosquitto: MQTT-Message-Broker (kann lokal oder in der Cloud laufen)

Web-Framework & Echtzeit

Flask: Leichtgewichtiges Python-Web-Framework für Dashboard und API
Server-Sent Events (SSE): Einseitiges Echtzeit-Datenstreaming vom Server zum Browser
Jinja2 Templates: Server-seitiges Templating für HTML-Rendering

Datenvisualisierung

Plotly Python: Interaktive Charting-Bibliothek für Zeitreihen-Temperaturdiagramme
JavaScript: Client-seitige Interaktivität und SSE-Event-Handling

Datenspeicherung

SQLite: Eingebettete Datenbank für tägliche Temperaturprotokolle
Dateibasiertes Logging: Python-Logging-Modul für Komponenten-Level-Debugging

Externe Services

WeatherAPI.com: REST API für Echtzeit-Wetterdaten (kostenloser Tier verfügbar)
Requests Library: HTTP-Client für Wetter-API-Aufrufe

Konfigurationsverwaltung

python-dotenv: Umgebungsvariablen-Verwaltung via .env-Dateien
Sichere API-Schlüssel-Speicherung: Wetter-API-Schlüssel in .env gespeichert (gitignored)

System-Workflow

1. Initialisierungsphase

MQTT-Broker (Mosquitto) startet und lauscht auf Port 1883
Sensor-Simulator startet, beginnt Temperaturwerte zu veröffentlichen
Controller-Service startet, abonniert Befehle, ruft initiales Wetter ab
Flask-App startet, abonniert Sensor- und Controller-Topics

2. Kontinuierlicher Betrieb

Sensor-Loop: Veröffentlicht Temperatur alle N Sekunden
Controller-Loop:
- Ruft periodisch Wetter ab (z.B. jede Minute)
- Passt Sollwert basierend auf Außentemperatur an
- Veröffentlicht Status-Update
Dashboard-Loop:
- Empfängt Sensor- und Controller-Nachrichten via MQTT
- Bestimmt Heizungsaktion (ON/OFF)
- Protokolliert in SQLite-Datenbank
- Pusht Updates an verbundene Browser via SSE

3. Benutzerinteraktion

Benutzer öffnet Dashboard bei http://127.0.0.1:5001
Dashboard zeigt Live-Daten via SSE an
Benutzer aktualisiert Wetterstandort via Formular
Flask-App veröffentlicht Standortbefehl zu MQTT
Controller empfängt Befehl, aktualisiert Standort, ruft neues Wetter ab

Setup & Konfiguration

Voraussetzungen

Python 3.x und pip
Git zum Klonen des Repositories
MQTT-Broker (Mosquitto) - kann via Homebrew (macOS) oder Paketmanager installiert werden

Installationsschritte

# Repository klonen
git clone https://github.com/padawanabhi/smart_heat_automation.git
cd smart_heat_automation

# Virtuelle Umgebung erstellen
python3 -m venv my_env
source my_env/bin/activate  # Windows: my_env\Scripts\activate

# Abhängigkeiten installieren
pip install -r requirements.txt

# Mosquitto MQTT-Broker installieren und starten
# macOS (Homebrew):
brew install mosquitto
brew services start mosquitto

# .env-Datei mit WeatherAPI-Schlüssel erstellen
echo "WEATHER_API_KEY=your_api_key_here" > .env

System ausführen

Jede Komponente in einem separaten Terminal ausführen:

# Terminal 1: Sensor-Simulator
python sensor/sensor.py

# Terminal 2: Controller-Service
python controller/controller.py

# Terminal 3: Flask-Dashboard
python app.py

Dashboard aufrufen bei: http://127.0.0.1:5001

Potenzielle Verbesserungen & Erweiterungen

1. Hardware-Integration

Echte Sensoren: Simulation durch tatsächliche Temperatursensoren ersetzen (DS18B20, DHT22)
Raspberry Pi Deployment: Sensor und Controller auf Edge-Geräten deployen
GPIO-Steuerung: Direkte Hardware-Steuerung für tatsächliche Heizungssysteme
Sensor-Fusion: Mehrere Sensortypen kombinieren (Temperatur, Luftfeuchtigkeit, Anwesenheit)

2. Erweiterte Steuerungsalgorithmen

PID-Steuerung: Proportional-Integral-Derivative-Controller für sanftere Temperaturregelung implementieren
Maschinelles Lernen: Modelle trainieren, um optimale Sollwerte basierend auf historischen Mustern vorherzusagen
Reinforcement Learning: Optimale Heizungsstrategien durch Versuch und Irrtum lernen
Zeitplanbasierte Steuerung: Tageszeit- und Wochentag-Planung
Anwesenheitserkennung: Heizung basierend auf Raumbelegung anpassen (PIR-Sensoren, Smart-Home-Integration)

3. Multi-Zonen-Unterstützung

Zonen-Management: Auf mehrere Räume/Zonen mit unabhängiger Steuerung erweitern
Zonen-Koordination: Heizung über Zonen hinweg optimieren, um Energieverbrauch zu minimieren
Zonen-Priorisierung: Belegte Zonen zuerst heizen, Heizung in unbelegten Bereichen reduzieren

4. Erweiterte Dashboard-Features

Benutzerauthentifizierung: Sicheren Zugang mit Login-System
Mobile Responsive Design: Für Smartphone/Tablet-Ansicht optimieren
Historische Analyse: Mehr-Tage/Woche/Monat-Trend-Analyse
Energieverbrauchs-Tracking: Geschätzten Energieverbrauch berechnen und anzeigen
Alert-System: Benachrichtigungen für Temperaturanomalien oder Systemausfälle
Export-Funktionalität: Historische Daten als CSV/JSON herunterladen

5. Cloud-Integration

Cloud-MQTT-Broker: AWS IoT Core, Azure IoT Hub oder Google Cloud IoT verwenden
Time-Series-Datenbank: Von SQLite zu InfluxDB oder TimescaleDB migrieren für bessere Skalierbarkeit
Cloud-Dashboard: Flask-App in Cloud deployen (Heroku, AWS, Azure)
Remote-Zugang: Sichere Remote-Überwachung und -Steuerung ermöglichen
Backup & Sync: Cloud-Backup historischer Daten

6. Erweiterte Protokolle & Standards

MQTT über TLS: Sichere MQTT-Kommunikation mit SSL/TLS-Verschlüsselung
MQTT 5.0: Auf neueste MQTT-Protokollversion für erweiterte Features upgraden
CoAP-Alternative: Constrained Application Protocol für ressourcenbeschränkte Geräte implementieren
OPC UA-Integration: Industrielles Protokoll-Support für Gebäudeautomatisierungssysteme

7. Energieoptimierung

Demand Response: Integration in Versorgungsunternehmen-Demand-Response-Programme
Time-of-Use-Optimierung: Heizung basierend auf Strompreisen anpassen
Prädiktive Vorheizung: Räume vor Belegung basierend auf Zeitplänen vorheizen
Energiekosten-Tracking: Echtzeit-Kostenberechnung und Budget-Alerts

8. Integration & Interoperabilität

Home Assistant-Integration: Verbindung zu beliebten Home-Automation-Plattformen
IFTTT/Zapier: Aktionen basierend auf Temperatur-Events auslösen
Smart Home APIs: Integration mit Google Home, Amazon Alexa
REST API: Steuerungs-Endpoints für Drittanbieter-Integrationen bereitstellen

9. Monitoring & Observability

Strukturiertes Logging: JSON-formatierte Logs für besseres Parsing
Metriken-Sammlung: Prometheus-Metriken für System-Gesundheits-Monitoring
Distributed Tracing: Requests über Komponenten hinweg verfolgen
Alerting: E-Mail/SMS-Alerts für Systemausfälle oder Anomalien
Health Checks: Automatisiertes System-Gesundheits-Monitoring

10. Sicherheitsverbesserungen

MQTT-Authentifizierung: Benutzername/Passwort oder zertifikatbasierte Authentifizierung
API-Sicherheit: JWT-Tokens für Dashboard-Zugang
Netzwerksicherheit: VPN oder sicherer Tunnel für Remote-Zugang
Datenverschlüsselung: Sensible Daten im Ruhezustand verschlüsseln
Rate Limiting: Missbrauch und DoS-Angriffe verhindern

Anwendungsfälle

IoT-Lernprojekt: Verständnis von MQTT, Event-Driven-Architektur und IoT-Mustern
Home-Automation-Prototyp: Grundlage für Smart-Home-Heizungssystem
Energiemanagement: Heizungsenergieverbrauch überwachen und optimieren
Gebäudeautomatisierung: Erweiterbar auf kommerzielle Gebäude-HVAC-Systeme
Bildungstool: Unterrichten von IoT-Konzepten, MQTT und Microservices
Forschungsplattform: Testen von Steuerungsalgorithmen und Optimierungsstrategien

Wichtige Erkenntnisse & Ergebnisse

Entkoppelte Architektur: Demonstriert Microservices-Muster mit unabhängigen, skalierbaren Komponenten
Event-Driven-Design: MQTT-Pub/Sub ermöglicht lose Kopplung und Echtzeit-Kommunikation
Echtzeit-UX: SSE bietet nahtlose Live-Updates ohne Polling
Datengetriebene Einblicke: Historisches Logging ermöglicht Trendanalyse und Optimierung
Cloud-Ready-Design: Umgebungsbasierte Konfiguration und Standardprotokolle ermöglichen einfache Cloud-Migration
Produktionsmuster: Logging, Fehlerbehandlung und Konfigurationsverwaltung folgen Best Practices

(View on GitHub)

Back to Portfolio