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, joka tässä tapauksessa tarkoittaa kulutetun energian säästöä ja rahallisen säästön lisäksi pienempää hiilijalanjälkeä. Data-analytiikka ja koneoppiminen tarvitsevat ”raaka-aineeksi” dataa ja tämän vuoksi erilaisista mittauksista saatava data on ensiarvoisen tärkeää. Lisäksi ns. IoT-osaaminen on myös välttämätöntä sovellettaessa analytiikkaa ja koneoppimista käytännön sovelluksissa.
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. Huonekohtaisilla patteritermostaateilla on mahdollista säätää huoneen lämpötilaa ja esimerkiksi pienentämällä virtausta laskea lämpötilaa mutta tällöin liian korkea patteriverkon lämpötila johtaa energian hukkaamiseen. Tavoitteena on määrittää patteriverkon lämpötila siten että huoneiden lämpötila on riittävällä tasolla mutta ei kuitenkaan liian korkea.
Toisena sovelluksena on tarpeen mukainen 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 rakennuksia voisimme hyödyntää 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 lämpöakkuna.
Kaikkien em. käytännön sovellusten toteuttaminen edellyttää data-analytiikkaa, eli patteriverkon lämpötilan ohjaaminen, 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. Kaukolämmön kulutusta optimoitaessa koneoppimisen tehtävä on 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 kehitämme koneoppimisen algoritmeja yhteistyössä sekä alan yritysten että kiinteistöjen omistajien kanssa. Esimerkiksi Hämeenlinnan kaupunki on ollut erittäin kiinnostunut mahdollisuudesta hyödyntää koneoppimista kysyntäjoustossa ja hankkeessa luomme parasta aikaa tarvittavia malleja HAMKin Visamäen S-rakennuksessa hyödyntämällä tästä rakennuksesta kerättyä historia dataa. Yhtenä yrityksenä Tamperelainen Enermix on kiinnostunut yhteistyöstä liittyen heidän Talotohtori -tuotteensa kehittämiseen ja aloitimme juuri Design Factory -toteutuksen, jossa analysoidaan Talotohtori -tuotteen toimintaa Tampereen kiinteistöissä ja pyritään löytämään mahdollisia kehityskohteita. Opiskelijat hyödyntävät hankkeessa kehitettyjä algoritmeja arvioimaan saavutettua energian säästöä kiinteistöissä.
Tiivis yhteistyö alan yritysten kanssa on välttämätöntä ja heillä on erittäin tärkeää käytännön kokemusta hyödynnettäväksi, jotta keskitymme oikeisiin yrityksiä lopulta hyödyttäviin asioihin. Yritykset ovat myös olleet innolla aloittamassa yhteistyötä kanssamme, koska pystymme tuomaan ”out of the box” ajattelua alan perinteisiin menetelmiin. Koneoppimisen menetelmillä dataa hyödyntämällä pystytään säästämään energian kulutuksessa 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
