Säästöjä koneoppimisen avulla kiinteistön energiankulutukseen?

Säästöjä koneoppimisen avulla kiinteistön energiankulutukseen?

Tekoälystä ja koneoppimisesta puhuttaessa saattaa moni yhdistää ne tieteiselokuvien kehittyneisiin maailmanvalloitusrobotteihin, vaikka tosiasiassa ne ovat monella käytössä päivittäin. Elokuvissa nähtävää vahvaa tekoälyä ei vielä ole pystytty luomaan, mutta koneoppimista hyödynnetään nykyään monessa eri sovellutuksessa, kuten kohdennetussa markkinoinnissa, roskapostin suodattimissa sekä monimutkaisempana esimerkkinä itseohjautuvissa autoissa. Ihmisten arkipäivää helpottavien sovellutusten lisäksi tekoälyllä ja koneoppimisella on paljon potentiaalia monella eri osa-alueella niin energiansäästön kuin terveyspalveluiden saralla.

Rakennuksien sisälämpötilaan vaikuttavat kiinteistöissä olevien jäähdytys- ja lämmityslaitteistojen lisäksi monet ulkoiset tekijät, kuten tuuli, ulkolämpötila sekä auringon säteily. Yleisesti rakennuksen tavoiteltu sisälämpötila on noin 22 astetta, mutta koska nykypäivän rakennukset ovat hitaita reagoimaan asetettuun lämpötilan asetusarvoon, on sisälämpötila usein liian korkea tai matala vallitsevaan säätilaan nähden.

Koneoppimisen avulla voitaisiin ohjata rakennuksen sisälämpötilaa ennakoivasti yhdistämällä siihen sääennustetietoja. Sääennusteiden ja koneoppimisen yhdistelmällä olisi mahdollista säätää sisätilojen lämmitystä ja jäähdytystä siten, että ulkoisiin tekijöihin olisi varauduttu ennalta. Esimerkiksi, jos ennusteiden mukaan tulevasta päivästä on tulossa lämmin tai kylmä, voitaisiin tiloja jäähdyttää taikka lämmittää ennakoivasti. Yhdistämällä koneoppimista ja sääennustetietoja kiinteistöautomaatioon olisi mahdollista säästää jopa 15 % energiankulutuksessa.

Yksinkertaisimmillaan muutaman huoneen tai jopa pienen kiinteistön ohjaaminen on mahdollista esimerkiksi Raspberry Pi -tietokoneella. Ne ovat pieniä, luottokortin kokoisia tietokoneita, joihin voi kirjoittaa ohjelmakoodia mm. Pythonilla. Pienestä koostaan huolimatta niistä löytyy paljon potkua ohjausohjelman suorittamiseen.

Ihanteellisessa järjestelmässä jokaista tilaa voitaisiin ohjata yksilöllisesti, sillä eri puolilla rakennusta oleviin tiloihin vaikuttavat sekä tuuli että auringon säteily eri tavoin. Myös energiankulutuksen piikkien vähentäminen olisi mahdollista ennakoivalla lämmityksellä. Rankennuksiin voitaisiin myös ”varastoida” lämpöä tulevia kylmiä päiviä varten ennakkoon pienentäen siten sähköverkkoon kohdistuvaa rasitusta kiivaimman lämmitysjakson ajaksi.

Testejä Myllypuron kampuksella

Keväällä 2021 tutkin koneoppimisen hyödyntämistä osana kiinteistöautomaatiota. Työ oli jatkoa syksyllä aloitetulle innovaatioprojektille. Syksyn projektissa opiskelijaryhmä teki ohjelman, joka ohjasi simulaattorissa huoneen asetusarvoa samalla noutaen sääennustetietoa Ilmatieteen laitoksen avoimesta rajapinnasta.

Keväällä päätettiin viedä ohjelma kokeiltavaksi oikeisiin tiloihin. Testit suoritettiin Metropolian Myllypuron-kampuksella, josta valittiin kaksi huoneparia ohjauksen testaamiseksi. Huoneparien toista tilaa ohjattiin koneoppimisen avulla ja toinen jätettiin vertailutilaksi. Huoneiden ohjaukseen käytettiin Raspberry-tietokonetta. Huhtikuun aikana valituissa tiloissa suoritettiin useita testiajoja ja tehtiin samalla tarvittavia muokkauksia käytettyyn koneoppimisalgoritmiin. Lopuksi laskettiin kaikkien huoneiden lämmitykseen ja jäähdytykseen käytetty energia.

Vaikka tällä hetkellä koneoppiminen ei ole kovinkaan yleinen kiinteistöjen ohjauksessa, voi sen hyödyntäminen lisääntyä tulevaisuudessa nopeastikin.