Tämä kirjoitus on tehty osana Euroopan aluekehitysrahaston (EAKR) rahoittamaa ÄlyKaupunki-hanketta.
HAMK Smart -tutkimusyksikön tavoitteena on hyödyntää data-analytiikkaa ja koneoppimista valituilla fokusalueilla. Yhdeksi fokusalueeksi on muotoutunut rakennusten lämmitysjärjestelmät ja erityisesti kaukolämmön kulutuksen optimointi. Data-analytiikka ja koneoppiminen oikein hyödynnettynä luovat merkittävää arvoa, mikä tässä tapauksessa tarkoittaa kulutetun energian säästöä. Rahallisen säästön lisäksi pienennämme myös hiilijalanjälkeä. Data-analytiikka ja koneoppiminen tarvitsevat raaka-aineekseen dataa ja tämän vuoksi erilaisista mittauksista saatava data on ensiarvoisen tärkeää. Tämän vuoksi ns. IoT-osaaminen on välttämätöntä sovellettaessa data-analytiikkaa ja koneoppimista käytännön sovelluksissa.
Kaukolämmön kulutuksen optimoinnissa tärkeitä data-lähteitä ovat kaukolämpöenergian lisäksi rakennusautomaatiossa olevat rakennuksen lämmitysjärjestelmään liittyvät mittaukset. Tällaisia ovat esimerkiksi sisäilmaolosuhteet, kuten lämpötilat ja hiilidioksidipitoisuudet ja näiden lisäksi taloteknisten järjestelmien toimintaa kuvaavat mittaukset, kuten patteriverkon lämpötilat ja käyttövesiventtiilin asento. Kaukolämmön kulutukseen vaikuttaa tietysti oleellisesti myös ulkoiset suureet kuten ulkolämpötila ja auringon säteilyteho.
Yhtenä käytännön sovelluksena kaukolämmön optimoinnissa on esimerkiksi määrittää oikea patteriverkon lämpötila eli huoneiden patterissa kiertävän veden lämpötila siten, että huoneiden lämpötila on riittävällä tasolla, mutta ei kuitenkaan liian korkea, jolloin lämmitämme liian paljon ja samalla hukkaamme energiaa. Toisena sovelluksena olisi tarpeenmukainen ohjaus eli tyypillisesti esimerkiksi koulukiinteistöjä käytetään ainoastaan päivisin ja öisin voisimme laskea huoneiden lämpötilaa alle vaaditun tason ja nostaa lämpötilat takaisin ennen tilojen käytön aloittamista. Kolmantena sovelluskohteena voisi olla ns. joustava kaukolämmön käyttö eli voisimme hyödyntää rakennuksia lämpöakkuina. Tämä tarkoittaa, että kaukolämmön toimittaja voisi hetkellisesti laskea toimitettavan kaukolämmön lämpötilaa ja siten myös energiaa, kun on hetkellinen kulutuspiikki. Tällä on erittäin suuri arvo erityisesti silloin kun kulutuspiikki edellyttää kalliimman ja tyypillisesti enemmän hiilidioksidipäästöjä aiheuttavan voimalaitoksen käynnistämistä. Tämä tapahtuu esimerkiksi Hämeenlinnan alueella silloin kun lämpötila laskee alle n. -10C. Toisaalta hetkellinen kaukolämmön lämpötilan lasku ei vaikuta merkittävästi sisälämpötilaan, koska rakennuksen rakenteet varaavat paljon lämpöä käytettäväksi tällaisina hetkinä eli rakennukset toimivat tavallaan lämpöakkuina.
Kaikkien edellä mainittujen käytännön sovellusten toteuttaminen edellyttää data-analytiikkaa eli patteriverkon lämpötilan määrittäminen, yöaikainen lämpötilan laskeminen tai rakennusten hyödyntäminen lämpöakkuina on hyvin rakennuskohtaista. Tämä tarkoittaa, että rakennuksen rakenteet ja talotekniset järjestelmät yhdessä ulko-olosuhteiden kanssa määrittää esimerkiksi miten paljon ja miten pitkään lämpötilaa voidaan laskea joustavassa kaukolämmön käytössä kulutuspiikkeihin varauduttaessa. Mikäli kaikissa Hämeenlinnan kaupungin kiinteistöissä käytettäisiin samanlaista menettelyä kysyntäjoustossa niin varmasti joissakin kiinteistöissä lämpötila laskee liian paljon ja toisaalta joissakin kaukolämpöä olisi voitu laskea vielä enemmänkin ilman mitään vaikutusta sisälämpötilaan. Koneoppimisen tehtävä on nimenomaan oppia rakennuskohtaiset ominaisuudet ja siten määrittää sallitut toleranssit kaukolämmön lämpötilan laskulle ja laskun pituudelle. Koneoppiminen pystyy tämän tekemään oikeilla algoritmeilla hyödyntämällä rakennuksista kerättyä historiadataa.
ÄlyKaupunki -hankkeessa kehitetään tällaisia algoritmeja yhteistyössä alan yritysten kanssa. Paikallinen kaukolämpötoimittaja Loimua on ollut erittäin kiinnostunut mahdollisuudesta hyödyntää koneoppimista kysyntäjoustossa ja hankkeessa luodaan parasta aikaa tarvittavia malleja Hämeenlinnan korkeakoulukeskuksen S-rakennuksessa hyödyntämällä tästä rakennuksesta kerättyä historiadataa. Toisena yrityksenä Tamperelainen Enermix on kiinnostunut kehittämään Talotohtori-tuotettaan yhteistyössä kanssamme ja keväällä aloitammekin Design Factory -toteutuksen heidän kanssaan. Tuolloin opiskelijat tulevat hyödyntämään hankkeessa kehitettyjä algoritmeja arvioidakseen saavutettua energian säästöä Valkeakosken kiinteistössämme.
Tiiviillä yhteistyöllä alan yritysten kanssa pyrimme ymmärtämään heidän haasteitaan. Yritykset ovat myös olleet innolla aloittamassa yhteistyötä kanssamme, koska me pystymme tuomaan ”outside the box” ajattelua alan perinteisiin menetelmiin. Dataa oikein hyödyntämällä koneoppimisen menetelmillä pystytään säästämään energiankulutuksessa ja toisaalta pienentämään hiilijalanjälkeäkin. Uskon, että meillä on paljon annettavaa tämän alan kehitykseen ja uudet menetelmät siirtyvät nopeasti myös opetukseen kuten juuri alkava Design Factory -toteutus osoittaa.
Jukka Pulkkinen
HAMK Smart -tutkimusyksikön johtaja
