ÄlyKaupunki-hanke edistää tekoälyn tuotteistamista rakennuksissa 

Tietojenkäsittelyn ja tekoälyn kehitys on mahdollistanut älykkäiden ratkaisujen toteuttamisen entistä useammassa sovelluskohteessa viime vuosien aikana. Tekoälyä käytetään laajasti muun muassa roskapostisuodattimissa, sisältösuosituksissa ja teollisuusroboteissa. Hämeen ammattikorkeakoulun tutkijat ovat tutkineet viimeisimmän tekoälytekniikan soveltamista myös julkisten rakennusten LVI-järjestelmiin. Tämä kirjoitus on tehty osana Euroopan aluekehitysrahaston (EAKR) rahoittamaa ÄlyKaupunki-hanketta.

Ympäristöministeriö on asettanut tavoitteekseen laskea rakennusten energiankulutusta 55 % vuoden 2005 tasoon verrattuna pitkän aikavälin strategiassaan [1]. YM:n strategiassa arvioidaan, että strategiassa linjattujen toimien avulla lämmitysenergian kulutus laskee 92 % vuoteen 2050 mennessä. Kunnianhimoinen säästötavoite lienee perusteltu Suomen ilmastotavoitteiden saavuttamisessa, sillä noin 25 % energiasta kulutetaan ja 30 % hiilidioksidipäästöistä tuotetaan Suomessa rakennuksissa [2]. Senaatti-kiinteistöt totesivatkin vuoden 2020 selvityksessään uudisrakennusten suurimmaksi päästölähteeksi juuri lämmityksen [3].

Vanhassa rakennuskannassa lämmitysenergian minimoinnin merkitys korostuu entisestään kahdesta syystä; uusi rakennuskanta on vanhaa energiatehokkaampi, ja jo pystytettyjen rakennusten rakentamisen ja materiaalien tuottamat päästöt ovat toteutuneita päästöjä säästötavoitteiden ulottumattomissa. Yksi YM:n strategiassakin esiin nostettu toimi vanhojen rakennusten energiankulutuksen pienentämiseksi on älykäs rakennusautomaatio, jota Hämeen ammattikorkeakoulun Smart-tutkimusyksikön ÄlyKaupunki-hankkeessa pyritään kehittämään.

LVI-järjestelmien mallintaminen tutkimuksissa

Älykkäitä rakennusautomaatiojärjestelmiä on hyödynnetty erinäisiä tarkoituksia varten tutkimuskentällä ennenkin. Muuan muassa Amasyali & El-Gohary ja Afram et al. ovat meta-artikkeleissaan koonneet yhteen tekoälyn käyttökohteita LVI-järjestelmissä [4][5]. Näiden joukossa on mallipohjainen säätö, poikkeavien energiankulutuksien havainnointi suuresta joukosta rakennuksia, sekä energiankulutuksen ja sisälämpötilan huomioiva monitavoiteoptimointi. ÄlyKaupunki-hankkeen kannalta oleellista on edistää vähähiilisyyttä energiankulutuksen minimoinnin kautta.

Säästöjä energiankulutuksessa on saavutettu esimerkiksi löytämällä LVI-järjestelmälle optimaaliset ohjaukset monitavoiteoptimoinnilla [6]. Soveltamalla parviälyoptimointia mallinnettuihin energiankulutuksiin, sisälämpötiloihin, suhteelliseen ilmankosteuteen ja ilman hiilidioksidipitoisuuteen tutkijat löysivät testirakennuksen LVI-järjestelmälle ohjaukset, joilla saavutettiin 12,4 % säästöt tinkimättä sisäilmaston laadusta. Toisessa säästöpotentiaalia havainnollistavassa esimerkkitutkimuksessa tutkijat sovelsivat neuroverkkomalleja yliopistokampuksen rakennusten lämmityksen yhteenlaskettuun energiankulutukseen tavoitteenaan löytää odotettuja suurempia arvoja [7]. Kolmas tapa soveltaa tekoälyä säästöjen löytämiseen on toteuttaa energiajärjestelmässä kysyntäjoustoa, jossa lämmityskustannukset minimoidaan älykkäästi muuttamalla järjestelmän ohjauksia energiatarjonnan mukaan. Näin voidaan tehdä esimerkiksi useamman energialähteen järjestelmissä, joissa saatavilla on kaukolämmön lisäksi uusiutuvaa energiaa. Tähän tarpeeseen on kehitetty koneoppimismalleja yliopistorakennuksen kysyntäjoustoon [8].

Vaikka älykkäitä LVI-järjestelmiä on tutkittu melko laajasti, on tutkimusten metodien viemisessä käytäntöön usein ongelmia. Ensiksi, kuten mallipohjaista säätöä soveltavassa tutkimuksessa nähdään, testirakennukset ovat tyypillisesti laboratoriomaisia ympäristöjä, joissa on mahdollista simuloida monipuolisesti erilaisia ennalta määrättyjä kuormitustilanteita [6]. Tällöin voidaan saada tarkasti instrumentoitua, vaihtelevaa ja aukotonta dataa LVI-järjestelmän toiminnasta. Todellisissa sovelluskohteissa algoritmia ei useinkaan voida näin monipuolisella syötedatalla kouluttaa, sillä data on kerättävä rakennuksen normaalin käytön aikana.

Toinen merkittävä ongelma useiden tutkimusten ratkaisuissa on kontekstikohtaisuus. Tällöin malleissa käytetään globaalisti sovellettavien aika- ja säämuuttujien lisäksi LVI-järjestelmien hyvin spesifejä mittauksia, joita on varsin työlästä hakea muiden rakennusten automaatiojärjestelmistä. Kun vaaditaan mallintamiseen ja/tai LVI-järjestelmiin perehtyneen asiantuntijan aikaa, menetetään ohjelmiston skaalattavuutta merkittävästi. Skaalautuvuus on kaupallisen hyödynnettävyyden kannalta varsin tärkeää, sillä saman ohjelmiston käyttäminen useampaan kohteeseen tuottaa asiakkaille merkittävästi arvoa.

Älykkäiden LVI-järjestelmien edistäminen

Akateemisissa ratkaisuissa ongelmiksi hyödynnettävyydelle voivat muodostua siis epärealistiset toimintaympäristöt ja mallin suuri riippuvuus LVI-järjestelmän rakenteesta. Nämä ongelmat ratkaisisi ekosysteemi, jossa pilviteknologian avulla saataisiin dataa helposti saataville monipuolisesti erilaisista kohteista. Loppukäyttäjän ei tässä ekosysteemissä tarvitsisi tietää tekoälystä, ohjelmoinnista tai LVI-järjestelmistä mitään – ainoastaan asettaa käyttöliittymän kautta tavoite LVI-järjestelmää hallinnoivalle tekoälylle.

Tämän tavoitteen saavuttaminen vaatii yhteistyötä laajalta rintamalta toimijoita. Prosessia innovaatiosta tuotantoon voidaan ajatella kolmivaiheisena. Ensimmäisessä vaiheessa tehdään varsinainen innovaatio ja tarvittava tutkimus. Innovaatiota seuraa tuotekehitys, jossa yritykset kehittävät kaupallisia tuotteita markkinoille hyödyntäen tutkimusvaiheen tuloksia. Varsinainen loppukäyttäjä hyödyntää kehitettyjä tuotteita toiminnassaan oman tarpeensa mukaan tuotantovaiheessa. Kuvassa 1 esitetään kolmivaiheinen prosessi visuaalisesti.

Prosessin ensimmäiseen vaiheeseen keskittyvässä ÄlyKaupunki-hankkeessa tutkitaan kolmea tamperelaista julkiskohdetta, joissa on jo kartoitettu mahdollisuuksia ennustaa ja ohjata lämmitysjärjestelmiä tuoreella pilvipalvelu- ja mallinnusteknologialla. Pilvipalveluiden avulla kohteista saatua dataa on hyödynnetty kaukolämmön energiankulutuksen ja sisälämpötilan ennustamisessa, ja pienimuotoista ohjausvastetestausta on tehty. Seuraavaksi käydään tarkemmin läpi pilottikohteena toimivan suuren julkisrakennuksen mallinnusprosessia, joka on keskittynyt varsinkin kaukolämmön energiankulutuksen ennustamiseen koneoppimisella. Kirjoitus on suunnattu lukijoille, joille tekoäly ja koneoppiminen on ennestään ovat ennestään tuttuja. Yleistajuisempi kirjoitus on aiemmin julkaistu blogikirjoituksessa, jossa esiteltiin toimintaympäristöä ja vedettiin yhteen pienimuotoisten kokeilujen tuloksia.

Data

Jokainen koneoppimisprojekti alkaa, elää ja menestyy datasta. Hyödyntäen ohjelmointirajapintoja (engl. API) rakennuksen automaatiojärjestelmän LVI-data yhdistettiin muihin datalähteisiin: Ilmatieteen laitoksen lähimpiin suhteellisen kosteuden mittauksiin, Euroopan unionin Copernicus Atmosphere Monitoring palvelun Auringon säteilytehon mittauksiin ja paikalle asennettujen IoT-sensorien hiilidioksidipitoisuusmittauksiin. Yhteensä koneoppimismallille kertyi viisitoista syötettä, joista seitsemän kuvaa LVI-järjestelmän tilaa, kolme säätilaa, neljä ajankohtaa ja yksi sisäilmaolosuhteita, ja kaksi mallin ulostulona käytettävää kohdemuuttujaa, kaukolämmön energiankulutus ja sisäilman keskimääräinen sisälämpötila. Noudon yhteydessä datan aikaresoluutiota pienennetään tunnin aikaresoluutioon keskiarvoistamalla tai summaamalla muuttujan luonteesta riippuen. Muuttujat on esitelty lähteineen ja mittayksiköineen taulukossa 1, joista LVI-järjestelmän säätöinä toimivat lihavoidut muuttujat. Muut muuttujat ovat olosuhteita kuvaavia muuttujia, joihin ei varsinaisesti voida vaikuttaa.

Raaka syötedata ei kuitenkaan ole valmis mallinnusta varten datalähteiden yhdistämisen jälkeen, sillä useat koneoppimisalgoritmit vaativat tiettyä syöterakennetta ja/tai kärsivät heterogeenisestä syötedatasta. Kuten taulukosta 1 nähdään, syötedata on muodostunut komponenteista, jotka kuvaavat systeemin olosuhteita vaihtelevilla mitta-asteikoilla. Koska hankkeessa käytetyissä koneoppimismalleissa vektorimuotoiset syötteet muutetaan osin lineaaristen kuvausten avulla ulostuloksi eli kohdemuuttujaksi, on vaihtelevat mitta-asteikot muunnettava skaalaamalla kaikki muuttujat asteikolle [0, 1]. Tätä kutsutaan minimi-maksimi-skaalaukseksi. Syklisiin aikamuuttujiin, kuten vuorokauden tunteihin ja viikonpäiviin, sovelletaan skaalauksen lisäksi trigonometrisia funktioita muuttujien syklisen luonteen kuvaamiseksi algoritmille.

Hankkeessa on päädytty käyttämään mallina kaukolämmön energiankulutuksen ja rakennuksen sisälämpötilan ennustamisessa rekursiivista neuroverkkoa, joka hyödyntää yhtenäisiä datasekvenssejä ennusteiden muodostamiseen. Toisin sanoen, rekursiivisella neuroverkolla muodostetaan yksi ennuste tapahtumasta edeltävän tapahtumasekvenssin perusteella, minkä vuoksi kyseinen malli kykenee ottamaan varsin hyvin huomioon olosuhteet, joissa järjestelmä toimii. Kuva 2 esittää mallin toimintaperiaatteen verrattuna perinteiseen monikerroksiseen perseptroniverkkoon yhden ennusteen muodostamiselle. Mallin vaatima syötemuoto aiheuttaa lisätarpeen esikäsittelylle, sillä data pitää myös sekvensoida. Testauksen perusteella neljän tunnin sekvenssipituus vaikutti toimivalta ennusteen laskemiseksi.

Mallin kouluttaminen ja testaaminen

Datan esikäsittelyn jälkeen mallinnusprosessissa voidaan siirtyä mallin kouluttamiseen ja varmentamiseen. Erotuksena perinteiseen staattiseen neuroverkkoon rekursiivisessa neuroverkossa jokaiselle syötesekvenssin aika-askeleelle on oma solu. Nämä solut toimivat hyvin yksinkertaisella periaatteella: ajetaan aktivaatiofunktiosta läpi aiemman solun ulostulo kyseisen solun syötteeseen yhdistettynä. Ongelmia nämä yksinkertaiset solut kuitenkin aiheuttavat koulutukseen räjähtävien ja katoavien gradienttien muodossa, minkä vuoksi hankkeessa on päädytty käyttämään GRU-muunnelmaa rekursiivisten neuroverkkojen soluista [9]. GRU-solut kykenevät säätelemään signaalin kulkua monisyisemmin porttien avulla, mikä torjuu ongelmallisia ilmiöitä koulutusvaiheessa [10].

Rekursiivinen neuroverkko koulutetaan ennustamaan kohdemuuttuja hyödyntäen stokastista gradienttiliukua, iteratiivista optimointialgoritmia, joka ohjaa verkon muunnoksia suorittavat kertoimet kohti ennustekyvyn maksimoivia arvoja. Tarkemmin määriteltynä tässä hankkeessa on käytetty Adam-variaatiota stokastisesta gradienttiliu’usta, mikä on yksi monista mukautuvista versioista alkuperäisestä liukualgoritmista. Liukualgoritmin kouluttaessa mallia suorituskyky voidaan varmentaa varmennusdatalla, jota ei käytetä varsinaiseen kouluttamiseen.

Kun varsin oppimiskykyisiä neuroverkkoja koulutetaan askel askeleelta käyden läpi koulutukseen varatun datan kymmeniä, jopa satoja kertoja, neuroverkko oppii varsin tarkasti ennustamaan kohdemuuttujien arvoja sille tarjottujen olosuhteiden perusteella. Riittävän monimutkaiset mallit kykenevätkin oppimaan ulkoa niille syötetyn datasetin. Tätä ilmiötä kutsutaan ylisovittamiseksi, joka ilmenee algoritmin heikentyneenä kykynä tehdä ennusteita ennestään tuntemattoman syötteen pohjalta. Ylisovituksen torjumiseksi voidaan käyttää erilaisia sääntelymenetelmiä, joista kenties yksinkertaisin on koulutuksen ennenaikainen päättäminen. Ennenaikainen päättäminen suoritetaan, kun ennustuskyky varmennusdatalla tehtyjen ennusteiden mukaan ei enää kasva. Tätä menetelmää sovellettiin myös tämän hankkeen rekursiivisen neuroverkon kouluttamiseen.

Vaikka neuroverkkomalli saataisiin koulutettua saavuttamaan varsin mukiinmeneviä testituloksia, syvien koneoppimismallien kehittäjä on aina huolissaan, onko mallin rakenne paras mahdollinen tähän sovelluskohteeseen. Vaikka neuroverkot useissa muodoissaan soveltuvat monipuolisesti erilaisiin sovelluskohteisiin, haasteena niiden soveltamisessa on valtava määrä erilaisia mallirakenteita eli hyperparametrikombinaatioita. Hyperparametrikombinaatiot tarkoittavat erilaisia tapoja määritellä neuroverkko samaan ongelmaan; muuttamalla esimerkiksi neuroverkkojen kerrosten, neuronien, aktivaatiofunktioiden ja oppimisnopeutta saadaan valtava määrä erilaisia vaihtoehtoja mallin määrittelylle. On siis tärkeää muodostaa systemaattinen lähestymistapa mallin rakenteen määrittelyyn. ÄlyKaupunki-hankkeessa mallin valinnassa hyödynnetään kahta algoritmia: ristivarmennusta (engl. cross-validation) ja bayesialaista optimointia.

Ristivarmennuksessa malli koulutetaan ja varmennetaan toistuvasti satunnaisilla osilla treenidatasta, sen sijaan, että koulutetaan ja varmennetaan malli ennalta päätetyillä osuuksilla saatavilla olevasta datasta. Toistuvien koulutusten ja varmennusten jälkeen otetaan keskimääräinen arvo mallin suorituskyvystä näiden iteraatioiden yli. Tätä keskiarvoista suorituskykyä voidaan sen jälkeen verrata muiden mallikonfiguraatioiden tuottamiin. Käyttämällä ristivarmennusta saavutetaan ainakin kaksi merkittävää etua. Ensiksi ristivarmennuksessa voidaan käyttää aiemmin varmennukseen varattu data kouluttamiseen. Tästä on etua varsinkin rajallisen datan sovelluskohteissa. Toiseksi ristivarmennuksen satunnainen näytteenotto poistaa valintavinouman merkityksen mallin valinnassa tilanteessa, jossa jokin malli sattuu sopimaan juuri valittuun pätkään varmennusdataa. Ristivarmennuksen suurin heikkous verrattuna perinteiseen on laskennallinen hinta, mikä hidastaa mahdollisten mallikonfiguraatioiden vertailua.

Kuten aiemmin on todettu, monimutkaiset koneoppimismallit voidaan määritellä lukuisilla eri tavoilla, mikä johtaa mahdollisten mallien avaruuden kasvamiseen valtavaksi. Koska vaihtoehtoisten määrittelyjen muodostama malliavaruus on suuri ja mallien vertailuun käytettävä ristivarmennusalgoritmi laskennallisesti kallis, on tärkeää valita testattavaksi ainoastaan etukäteen arvioituna potentiaalisia malleja. Toista mallin valintaan käytettävää algoritmia, bayesilaista optimointia, hyödynnetään oikean suunnan löytämiseksi malliavaruudessa. Bayesilainen optimointi on optimointialgoritmi, jonka avulla voidaan etsiä sisällöltään tuntemattomille tavoitefunktioille, kuten neuroverkon ennusteiden tuottamalle virhefunktiolle, globaalisti paras arvo [11].

Tulokset

Yhdistämällä ristivarmennus ja bayesialainen optimointi saadaan varsin toimiva systemaattinen lähestymistapa, jossa toisaalta vertaillaan malleja luotettavasti niiden ennustekyvyn perusteella ja toisaalta valitaan testattavat mallit viisaasti resursseja tuhlaamatta. Toteutukseen käytettiin ohjelmointikieli Pythoniin soveltuvia Tensorflow, Keras ja scikit-learn-kirjastoja. Python-ohjelmiston avulla löydetty ja koulutettu parhaiten suoriutuva kaukolämmön energiankulutusmalli antoi testidatalle melko hyviä ennusteita, kuten kuvasta 3 nähdään.

Kaukolämmön energiankulutuksen luotettava ennustaminen mahdollistaa mallin käytön varsin houkuttelevissa sovelluskohteissa, kuten uskottavan kontrollin muodostamisessa vaihtoehtoisia säätöstrategioita testatessa tai pyrittäessä minimoimaan energian kulutusta optimointialgoritmeja hyödyntämällä. Vaihtoehtoisten säätöstrategioiden testausta suoritettiin pilottikohteessa muutaman viikon ajan keväällä 2021. Testauksen aikana etäyhteydellä laskettiin koulun patteri- ja ilmanvaihtoverkkojen säätölämpötiloja yön aikana, minkä jälkeen saatua energiankulutusta verrattiin alkuperäisillä säädöillä mallinnettuun. Näin voidaan arvioida muutosta energiankulutuksessa ottamalla samalla huomioon taustalla vaikuttavat olosuhteet. Kuvassa 4 esitellään toisella patteriverkolla toteutetun skenaariotestauksen tuloksia, joiden mukaan saavutettiin noin 2 %:n säästöt testiviikon aikana.

Myös LVI-järjestelmän ohjausten optimointia tutkittiin hankkeen aikana. Optimointi päätettiin toteuttaa parviälyllä, jossa suuri joukko hiukkasia pyrkii yhteistyössä löytämään kustannusfunktion minimoivat LVI-järjestelmän ohjaukset. Optimoinnin kustannusfunktio muodostettiin kahdesta osasta rankaisten sekä kasvavaa energiankulutusta että poikkeamista hyväksytyltä sisälämpötila-alueelta. Iteratiivisessa parviälyalgoritmissa jokainen hiukkanen yrittää etsiä parhaita ohjauksia toisaalta kokeilemalla erilaisia ohjauksia itse, toisaalta kuuntelemalla muiden hiukkasten kokemuksia. Lopulta joukko pääsee yhteisymmärrykseen parhaista ohjauksista useiden kokeilujen jälkeen.

Haasteet ja kehityskohteet

Vaikka työkalu kaukolämmön energiankulutuksen ennustamiseen on suorituskykyinen ja mukautuva, on hankkeen aikana tuotetussa ratkaisussa vielä kehitettävää. Ensiksi kaikista houkuttelevimpien sovelluskohteiden, kuten LVI-järjestelmän monitavoiteoptimoinnin, kannalta oleellisten sisälämpötilaennusteiden tarkkuus on tällä hetkellä varsin heikko. Jos LVI-parametrien perusteella kyettäisiin luomaan luotettavia lämpötilaennusteita lämmitysverkkoihin tehtävien säätöjen vaikutuksista, pystyttäisiin rakennusten energiankulutus minimoimaan tinkimättä rakennuksen mukavuudesta.

Keskimääräisen lämpötilan ennustamisessa on tällä hetkellä ainakin kolme merkittävää ongelmaa: lämpötila-antureiden vajavainen kattavuus, datan puute huoneissa säädettävien termostaattien asetuksista ja rakennuksen keskilämpötilan vakaus. Jokainen näistä vaikeuttaa mallintamista omaleimaisesti. Lämpötila-antureiden vajavainen kattavuus aiheuttanee suoran mittausvirheen, termostaattidatan puute lienee mallin selittävää kykyä lisäävä puuttuva suure ja keskilämpötilan vakaus kaventaa koneoppimismallin suoritusaluetta merkittävästi. Mitä tulee vanhempien rakennusten automaatiojärjestelmiin, näiden ongelmien korjaaminen skaalautuvalla tavalla vaikuttaa varsin haastavalta. Uudempien rakennusten älykkäiden energiajärjestelmien suhteen voi olla optimistisempi.

Yksi skaalattavuuden kannalta tärkeä tekijä on LVI-järjestelmän parametrien automaattinen tunnistaminen. Tällä hetkellä jokaisen uuden rakennuksen kohdalla ohjelmoijan tulee erikseen perehtyä LVI-järjestelmän dokumentaatioon, jotta automaatiojärjestelmästä saatua dataa voitaisiin hyödyntää. Ratkaisuna ongelmaan voisi tulevaisuudessa toimia esimerkiksi avoimen lähdekoodin Brick-skeema, joka standardoi rakennusten fyysiset, loogiset ja virtuaaliset ominaisuudet ja niiden väliset suhteet selkeän, yleispätevän mallin alaisuuteen. Skeeman soveltamista suomalaisiin julkisrakennuksiin tutkitaan myös ÄlyKaupunki-hankkeessa.

Yhteenveto

ÄlyKaupunki-hankkeen tavoitteena on älykkäiden LVI-järjestelmien käyttöönoton ensimmäisessä vaiheessa tuottaa innovaatioita, jotka edistävät vähähiilisyyttä Pirkanmaan alueella. Tässä kirjoituksessa on esitelty sekä kaukolämmön energiankulutusta ennustava koneoppimisalgoritmi että LVI-järjestelmän parviälyoptimointi, joiden lähdekoodit ovat saatavilla sallivalla Apache 2.0 lisenssillä GitHub-tietosäilössä. Tietosäilöstä löytää pätkän esimerkkidataa ja lähdekoodit sen esikäsittelyyn, mallien valintaan ja koulutukseen sekä ohjausten optimointiin. Näitä työkaluja voidaan käyttää vapaasti uusien älykkäiden LVI-järjestelmien kehitysprosessissa. On nimittäin kaikkien osapuolten etu, että rakennusten lämmitys saadaan mahdollisimman nopeasti vähähiilisiksi. Sitä ehdottomasti tarvitaan Suomen asettamien kunnianhimoisten päästötavoitteiden saavuttamiseksi.