Domotización de un edificio mediante tecnología SIGFOX

Abstract

La sensorización de edificios constituye uno de los pilares fundamentales de la domótica y de las denominadas Smart Cities. Dado que las personas pasan la mayor parte de su tiempo en espacios interiores, el control y la monitorización de las condiciones ambientales adquieren una relevancia clave para la salud, el bienestar y la eficiencia energética. Entre los distintos parámetros que permiten evaluar la calidad del aire interior, la concentración de dióxido de carbono (CO₂) y la temperatura destacan por ser indicadores ampliamente utilizados en entornos docentes, laborales y técnicos.

En este Trabajo Fin de Máster se desarrolla una plataforma IoT orientada a la monitorización de la calidad del aire en distintas salas de un edificio universitario. Para ello, se emplean sensores inalámbricos basados en la tecnología Sigfox, perteneciente a la familia de redes de área amplia y bajo consumo (LPWAN), especialmente adecuada para este tipo de aplicaciones debido a su largo alcance en interiores, bajo consumo energético y capacidad de operar sin saturar infraestructuras de red locales, a diferencia de tecnologías tradicionales como WiFi.

Los datos adquiridos por los sensores se integran en una plataforma IoT construida sobre Node-RED, desde donde se gestionan los flujos de procesamiento, el almacenamiento en una base de datos de series temporales y la visualización mediante paneles de control personalizados.

Adicionalmente, se implementa un modelo de análisis y predicción de datos basado en técnicas de Machine Learning, concretamente árboles de decisión, con el objetivo de estimar la evolución futura de las variables ambientales en función de los valores actuales, el día de la semana y el uso específico de cada sala. Este modelo permite anticipar situaciones de riesgo relacionadas con una mala calidad del aire y generar alertas preventivas para los ocupantes del edificio. Los resultados obtenidos muestran que, aunque el comportamiento de las variables ambientales difiere en función del tipo de sala analizada, el modelo de predicción mejora su precisión a medida que aumenta el volumen de datos disponibles para el entrenamiento. Asimismo, la plataforma desarrollada demuestra ser flexible, escalable y fácilmente replicable, permitiendo la incorporación de nuevos sensores y espacios de manera sencilla gracias a las capacidades de integración de Node-RED.Building sensorization is a fundamental pillar of domotics and so-called Smart Cities. Since people spend most of their time indoors, monitoring and controlling indoor environmental conditions is essential for ensuring health, comfort, and energy efficiency. Among the different parameters used to assess indoor air quality, carbon dioxide concentration (CO₂) and temperature stand out as widely adopted indicators in educational, professional, and technical environments.

This Master’s Thesis presents the development of an IoT platform aimed at monitoring indoor air quality in different rooms of a university building. For this purpose, wireless sensors based on Sigfox technology, belonging to the family of Low Power Wide Area Networks (LPWAN), are deployed in classrooms, offices, and technical rooms. This technology is particularly suitable for such applications due to its long-range indoor coverage, low energy consumption, and its ability to operate without overloading local network infrastructures, in contrast to traditional technologies such as WiFi.

The data collected by the sensors are integrated into an IoT platform built on Node-RED, where data processing flows, time-series database storage, and visualization through customized dashboards are managed.

Additionally, a data analysis and prediction model based on Machine Learning techniques, specifically decision trees, is implemented to estimate the future evolution of environmental variables based on current measurements, the day of the week, and the specific use of each room. This approach enables the anticipation of potential risk situations related to poor air quality and the generation of preventive alerts for building occupants.

The results show that, although the behavior of environmental variables differs depending on the type of room analyzed, the prediction model improves its accuracy as the amount of training data increases. Furthermore, the developed platform proves to be flexible, scalable, and easily replicable, allowing new sensors and monitored spaces to be incorporated in a simple and intuitive manner thanks to the integration capabilities of Node-RED.