Ett mötesrum för tolv personer, fullt ventilerat och uppvärmt klockan 07:30, tomt fram till 10:15, används av tre personer i fyrtio minuter och står sedan tomt igen. Den som har grävt i energidata från en kontorsfastighet känner igen mönstret. Home Assistant kan lösa exakt det här problemet – men bara om beläggningsdatan som matas in faktiskt speglar hur många som är i rummet, inte bara att någon rörde sig för sju minuter sedan.
Den här guiden går igenom hur du bygger en Home Assistant beläggningsintegration som håller i produktion: val av datakälla, transportlager, entitetsdesign och de automationsmönster som skiljer en fungerande installation från en som teamet stänger av efter tre veckor.
De flesta som börjar med Home Assistant i en kommersiell miljö gör samma misstag: de behandlar en PIR-sensor som en beläggningskälla. En PIR svarar på frågan "rörde sig någon nyss?" – inte "hur många personer finns här?". Skillnaden är avgörande så fort du vill göra mer än att tända en lampa.
Det är därför professionella installationer använder AI-baserade räknesensorer i entréer och zoner. En viktig detalj för kontors- och campusmiljöer: sensorer med personalexkludering gör att städpersonal och vaktrundor inte triggar ventilation och belysning på natten – en felkälla som annars äter upp en stor del av besparingen.
Oavsett sensorleverantör landar du i praktiken i ett av tre integrationsmönster:
För styrning av HVAC och belysning: välj MQTT. För rapportering och veckovisa utnyttjandebeslut räcker REST. Många installationer kör båda parallellt – realtidsantal via MQTT och verifierade dygnssummor via API.
Bygg en sensor-entitet per zon med aktuellt antal som state, inte en binary_sensor. Lägg sedan template-sensorer ovanpå för det automationerna faktiskt behöver: "zon upptagen" (antal > 0), "zon över 80 % av kapacitet", "våning total". Att skilja rådata från härledda tillstånd gör att du kan byta sensorleverantör eller justera trösklar utan att skriva om trettio automationer.
Två saker som erfarna implementatörer alltid gör:
När datan väl finns i Home Assistant är det här mönstren som brukar motivera investeringen:
All automationslogik ärver datakvaliteten. En löpande räkning driftar om varje in/ut-passage har fel på några procent – felen ackumuleras under dagen. Professionella räknesystem hanterar detta med hög grundnoggrannhet och nollställningslogik. Som riktmärke arbetar Vemco med en kontraktuell miniminivå på 96 % noggrannhet, och typiskt 98–99 % när förhållandena – belysning, entréutformning och besöksbeteende – tillåter. Lova aldrig en fast siffra i ett projekt innan platsen är verifierad; en bred entré med mottrafik och barnvagnar beter sig inte som en kontorskorridor.
Home Assistant är utmärkt som integrationsnav i en byggnad eller ett pilotprojekt. Men för en portfölj med flera fastigheter, ett befintligt BMS och krav på revisionsbar data vill de flesta fastighetsteam ha ett dedikerat lager mellan sensorerna och styrsystemen. Här sitter plattformar som VemFusion, som kopplar beläggningsdata direkt mot HVAC, BMS och säkerhetssystem, medan VemSpace hanterar utnyttjandeanalysen – vilka ytor som faktiskt används och vilka som kan konsolideras. Ett vanligt upplägg: VemFusion mot huvudsystemen, Home Assistant för den lokala logiken som BMS:et är för trögt eller för dyrt att programmera om för. Mönstret används redan i kontor, universitet och offentliga byggnader för att komma bort från alltid-på-drift.
Praktisk tumregel för integratörer: låt räkneplattformen äga sanningen om antalet, och låt Home Assistant äga besluten. Blandar du ansvaren – med lokal räknelogik i templates ovanpå råa passageevent – får du två system som är oense om hur många som är i huset, och felsökningen blir därefter.
Bygger ni beläggningsstyrd automation – i Home Assistant, mot ett BMS eller båda? Vemco har sedan 2005 levererat räknedata som styrsystem kan lita på, med AI-sensorer, personalexkludering och färdiga integrationsvägar via MQTT och API. Boka en teknisk genomgång med vårt team på vemcogroup.com/contact-us så går vi igenom er zonindelning, val av transportlager och hur ni verifierar noggrannheten innan automationerna går live.