Koneoppiminen älykkäissä rakennuksissa – ÄlyKaupunki-hanke yhdistää matematiikan ja rakennusautomaation

Pohjoisten leveyspiirien Suomessa rakennuksissa käytetään noin neljännes kulutettavasta energiasta ja 30 prosenttia kasvihuonekaasupäästöistä [1]. Kunnianhimoisia ilmastotoimia suunnitellessa katseiden on täten syytä kääntyä myös rakennettuun ympäristöön. HAMK Smart -tutkimusyksikön ÄlyKaupunki-hankkeessa on otettu tarkasteluun koneoppimisen potentiaali julkisrakennusten LVI-järjestelmien säädöissä. ÄlyKaupunki-hanketta rahoittaa Euroopan aluekehitysrahasto (EAKR).

Valtion kiinteistöomistuksia hallinnoiva Senaatti-kiinteistöt teki vuonna 2020 selvityksen kolmen uudisrakennuksen ennustetuista hiilidioksidipäästöistä [2]. Selvityksen tuloksena suurimmaksi päästölähteeksi todettiin lämmitys. Vanhoissa kohteissa lämmityksen merkitys päästölähteenä korostuu entisestään, sillä uusi rakennuskanta on vanhaa rakennuskantaa energiatehokkaampaa. Tämän lisäksi vanhojen rakennusten materiaalien ja rakentamisen päästöt ovat jo realisoituneet, eikä niihin voida jälkikäteen vaikuttaa.

Hyvä uutinen on, että lainsäätäjät ovat tilanteen tasalla. Ympäristöministeriö on pitkän aikavälin strategiassaan asettanut tavoitteeksi laskea rakennusten energiankulutusta 55% vuoden 2005 kulutukseen verrattuna [3]. Suunnitelmassa linjatuilla toimenpiteillä arvioidaan lämmitysenergian hiilidioksidipäästöjen laskevan 92% vuoteen 2050 mennessä. Toimenpiteisiin kuuluvat muun muassa energiatehokkuusvaatimukset, järkevästi kohdennettu uudisrakentaminen ja panostukset älykkään rakennusautomaation kehittämiseen. Juuri tähän viimeiseksi mainittuun tarpeeseen ÄlyKaupunki-hanke pyrkii vastaamaan.

ÄlyKaupunki-hankkeessa on tavoitteena käyttää tekoälyä ja koneoppimista vähähiilisyyden edistämiseksi pirkanmaalaisissa kohteissa. Pilottivaiheessa tutkimus on keskittynyt koneoppimisen osalta Tampereen julkiskohteisiin, joissa on kartoitettu mahdollisuuksia ennustaa ja ohjata lämmitysjärjestelmiä hyödyntäen tuoretta pilvipalvelu- ja mallinnusteknologiaa. Tarkastellaan seuraavaksi niitä periaatteita, joilla rakennusten sisäilmastoa tyypillisesti ohjataan.

Jokaiselle Suomen talven kokeneelle lienee selvää, että suurin yksittäinen rakennuksen sisälämpötilaan vaikuttava tekijä on ulkoilman lämpötila, ja tällä hetkellä esimerkiksi vesikiertoiseen patteriverkkoon perustuvien rakennusten säätö perustuukin lähinnä ulkolämpötilaan. Kuvassa 1 on eräs patteriverkon säätökäyrä, josta nähdään y-akselilla olevan patteriverkkoon menevän veden lämpötilan riippuvan suoraan x-akselilla olevasta ulkolämpötilasta. Säätö toimii varsin loogisesti: mitä kylmempää ulkona on, sitä lämpimämpää vettä kiertää patteriverkossa. Lähes lineaarinen vaste on usein varsin hyvä tapa säätää rakennuksen lämpötilaa.

Käyräsäätömenetelmällä on kuitenkin heikkouksia. On äärimmäisen haastavaa tietää, miten säätökäyrä sopii juuri kyseisen säädettävän rakennuksen ominaisuuksiin. Tämän vuoksi oleellisesti erilaisissa rakennuksissa voidaan joko käyttää samankaltaisia tai suunnittelijoiden eriävien mielipiteiden ja kokemusten mukaisesti eriäviä säätökäyriä. Esimerkkitapaus ensimmäisestä tilanteesta voidaan nähdä kuvassa 1. Vaikka kyseinen patteriverkon säätökäyrä ei ole täysin suora, sen poikkeama lineaarisuudesta on melko pieni.

Jos lämmitysjärjestelmän säädöt eivät ole aivan kohdallaan, voidaan päätyä tuhlaamaan resursseja. Kuvassa 2 rakennuksen lämpötila on yli 22 °C kovilla pakkasilla, vaikka viihtyisään rakennuksen käyttöön riittäisi Sisäilmayhdistyksen suositusten mukaan 21 °C lämpötila. Ylilämmittäminen on hyvin todennäköisesti johtanut energianhukkaan, sillä lämmitysjärjestelmä olisi voinut käyttää vähemmän energiaa täyttäen silti sisäilmastolle asetetut lämpötilavaatimukset.

Ympäristöministeriön energiatehokkuustavoitteiden saavuttamisessa ja lämpötilan tehokkaammassa säätämisessä koneoppiminen voi toimia oivana työkaluna. Koneoppimistyökaluja on monia, ja tutkimusalueella tehdään jatkuvasti uusia innovaatioita. Sovelluksia on käytössä esimerkiksi roskapostisuodattimissa, puheentunnistuksessa ja radiologiassa. Hyödyllisyys sovelluksissa perustuu koneoppimisen kahteen kyvykkyyteen: koulutettavuuteen ja yleistettävyyteen.

Yksinkertaistaen koneoppimisen toimintaperiaatetta voidaan kuvata seuraavasti: sarjaa matemaattisia yhtälöitä (eli matemaattista mallia) muutetaan historiassa toteutuneiden tapahtumien mukaan niin, että ne oppivat jäljittelemään systeemin ominaisuuksia. Tätä kutsutaan koneoppimismallin kouluttamiseksi (englanniksi training).

Koneoppimismallin kouluttamiseksi tarvitaan syöte- ja maalidataa. Syötedata koostuu mallin ohjelmoijan näkemyksen mukaan käyttökelpoisista tiedoista, jotka voivat suoraan tai epäsuorasti liittyä ennustettavan suureen arvoon. Rakennuksen tapauksessa nämä tiedot voivat olla esimerkiksi ulkolämpötila, sisäilman hiilidioksidipitoisuus ja Auringon säteilyteho.

Maalidata on taas historiallisia ilmentymiä ennustettavasta suureesta. Näitä ilmentymiä käytetään koulutusvaiheessa tavoitearvoina, joiden lähelle mallin tulisi päätyä syötedatan perusteella. Koneoppimisen ensimmäinen kulmakivi, koulutettavuus, on mallissa sitä parempi, mitä paremmin malli kykenee oppimaan lainalaisuudet, joilla syötedatasta voidaan päätellä maalidataa. Tässä projektissa maalidatana on toiminut rakennuksen kaukolämmön energiankulutus ja sisäilman lämpötila.

Kouluttamisen jälkeen syötedatasta, jota ei ole käytetty mallin kouluttamiseen, voidaan ennustaa kohdesuureen tuleva arvo. Mallin suorituskykyä voidaan näin mitata vertailemalla saatuja ennusteita toteutuneisiin arvoihin. Vertailun avulla nähdään, onko malli kyvykäs tuottamaan tarkkoja ennusteita tilanteissa, joissa se ei etukäteen tiedä oikeaa vastausta. Tätä kyvykkyyttä kutsutaan yleistettävyydeksi, joka on hyödyntämisen kannalta mallin merkityksellisin ominaisuus. Yleistettävyyden testauksesta esimerkki on kuvassa 3, jossa vertaillaan toteutuneita ja ennustettuja maaliarvoja samassa kuvassa.

Koneoppimisen koulutettavuutta ja yleistettävyyttä hyödynnettiin, kun ÄlyKaupunki-hankkeen pilottikohteen LVI-järjestelmälle muodostettiin koneoppimismallit. Mallien tavoitteena oli ennustaa järjestelmän kaukolämmön energiankulutusta ja kohteen sisälämpötilaa, sillä vaikka niitä on helppo seurata, haastavammaksi osoittautuu säätömuutosten vaikutuksen eristäminen kaikesta muusta taustalla vaikuttavasta. Vaikuttaahan rakennukseen energiankulutukseen säätöjen lisäksi useat tekijät: muun muassa Auringon säteilyteho, ulkoilman sekä lämpölaitokselta saapuvan veden lämpötilat. Koska taustalla vaikuttavat olosuhteet vaihtelevat, on vaikeaa löytää uskottavaa vertailukohtaa energiankulutukselle. Vertailukohta voidaankin muodostaa simuloimalla mallin avulla tilannetta, jossa testauksen aikaiset olosuhteet ovat toteutuneen tilanteen kanssa identtistä, paitsi tehtyjen säätöjen osalta.

ÄlyKaupunki-hankkeessa mallin avulla simuloituja uskottavia vertailukohtia hyödynnettiin keväällä 2021 skenaariotestauksessa. Testauksen ideana oli laskea lämmitysverkkojen säätölämpötiloja yöaikaan, kun rakennus ei ollut käytössä. Uudenlaisen säätöstrategian avulla kerättiin tietoa mallin toimivuudesta, rakennuksen sisäilmaston muutoksesta ja mahdollisesti saavutettavasta energiansäästöstä. Energiansäästöä testauksessa saavutettiinkin uudella säätöstrategialla noin 3% ilman merkittäviä muutoksia sisäilmaston lämpötilaan, kun verrattiin toteutunutta energiankulutusta mallilla ennustettuun vertailukohtaan.

Muutosten vaikutusten mittaaminen on yksinkertainen tapa hyödyntää koneoppimismalleja LVI-järjestelmien yhteydessä. ÄlyKaupunki-hankkeessa työskennellään parhaillaan lämmitysjärjestelmien parhaiden mahdollisten säätöjen löytämisen kanssa, mikä on teknisesti haasteellisempi tehtävä. Ratkaisuksi on suunniteltu parviälyalgoritmia, jota voidaan kuvata sosiaalisten hiukkasten aarteenmetsästyksenä. Aarteena tässä yhteydessä toimisi energiankulutuksen minimoivien lämmitysverkkosäätöjen löytäminen siten, että sisäilman riittävästä lämpötilasta ei tingittäisi. Aikaisemmissa tutkimuksissa optimointistrategioilla on saavutettu noin 8-18% säästöjä energiankulutuksessa.

Tutkimuskohteena älykkäät rakennukset ovat sekä kansallisella että kansainvälisellä mittapuulla mielenkiintoisia ja merkityksekkäitä. On sangen houkuttelevaa ajatella, että tulevaisuudessa koneoppimismalli voisi oppia reaaliajassa rakennuksen käyttö- ja lämmitystarpeet sekä muodostaa minimaalisen hiilijalanjäljen lämmityssuunnitelman pitäen samalla huolta käyttäjien viihtyvyydestä. Tähän tavoitteeseen pääseminen vaatii kaikilta sidosryhmiltä ponnistuksia ja joustavuutta. Toisaalta hankkeen aikana on huomattu, että jo nyt alalla on toimijoita, jotka ymmärtävät koneoppimisen ja tekoälyn potentiaalin älykkäissä rakennuksissa. ÄlyKaupunki-hankkeessa edistetään vähähiilisyystavoitteita tuomalla koneoppimisstrategiat käytännön LVI-järjestelmiin. Älykäs ja energiatehokas rakennettu ympäristö ei ole saavuttamaton unelma.