Koneoppimisen hyödyntäminen kiinteistöautomaatiossa
Otava, Arttu (2021)
2021
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2021052010011
https://urn.fi/URN:NBN:fi:amk-2021052010011
Tiivistelmä
Tässä insinöörityössä tutkittiin koneoppimisen hyödyntämisen mahdollisuutta kiinteistöautomaation ohjauksessa. Työ tehtiin yhteistyössä Ammattikorkeakoulu Metropolian Digi-Salama-hankkeen sekä rakennusautomaatioyritys Assemblinin kanssa. Tavoitteena oli selvittää ja testata, voidaanko koneoppimisen avulla saavuttaa säästöjä kiinteistön energiankulutuksessa ja samalla jopa parantaa sisätilojen olosuhteita.
Testejä tehtiin Metropolian Myllypuron kampuksen tiloissa huhtikuun ajan, minkä jälkeen laskettiin valittujen tilojen lämmitykseen ja jäähdytykseen käytetty energia. Työssä tutkittiin vaihtoehtoisia tapoja säädellä kiinteistön lämmitystä ja jäähdytystä lisäämällä sen ohjaukseen älykkyyttä nykyisten ohjausjärjestelmien tilalle. Ohjauksessa hyödynnettiin Ilmatieteen laitokselta saatua sääennustetietoa. Tiloina toimivat kaksi valittua huoneparia eri osista kampusta, joista toinen parien huoneista toimi testitilana ja toinen verrokkitilana. Testitiloja ohjattiin koneoppimismallin avulla, ja verrokkitilat pysyivät alkuperäisen ohjauksen alaisuudessa.
Koneoppimismallia opetettiin huonesimulaattorin avulla tuotetun tietoaineiston avulla, minkä jälkeen mallia testattiin simulaattorissa ennen sen siirtämistä testihuoneita ohjaavalle Raspberry-tietokoneelle.
Opinnäytetyöraportissa esitellään koneoppimista yleisesti sekä käydään valitun koneoppimismallin teoreettinen puoli yksityiskohtaisemmin läpi. Tämän jälkeen esitellään työssä hyödynnetyt laitteet sekä ohjelmistot, jonka jälkeen käydään läpi työn kulku sekä opetusprosessi. Lopuksi käsitellään ja analysoidaan saatuja tuloksia sekä pohditaan mahdollisia seuraavia askeleita aiheen jatkamiseksi.
Työssä onnistuttiin ohjaamaan tilojen asetusarvoa koneoppimismallin avulla ja prosessin kulku todettiin toimivaksi valitulle mallille. Menetelmän käyttö jatkossa vaatii kuitenkin laajemman kokeilun sekä pidemmän testijakson, jotta sitä voitaisiin hyödyntää tulevaisuudessa. Työn avulla saatiin kuitenkin kerättyä tärkeitä tietoja ja huomioitavia asioita mahdollisia tulevia testejä varten.
Testejä tehtiin Metropolian Myllypuron kampuksen tiloissa huhtikuun ajan, minkä jälkeen laskettiin valittujen tilojen lämmitykseen ja jäähdytykseen käytetty energia. Työssä tutkittiin vaihtoehtoisia tapoja säädellä kiinteistön lämmitystä ja jäähdytystä lisäämällä sen ohjaukseen älykkyyttä nykyisten ohjausjärjestelmien tilalle. Ohjauksessa hyödynnettiin Ilmatieteen laitokselta saatua sääennustetietoa. Tiloina toimivat kaksi valittua huoneparia eri osista kampusta, joista toinen parien huoneista toimi testitilana ja toinen verrokkitilana. Testitiloja ohjattiin koneoppimismallin avulla, ja verrokkitilat pysyivät alkuperäisen ohjauksen alaisuudessa.
Koneoppimismallia opetettiin huonesimulaattorin avulla tuotetun tietoaineiston avulla, minkä jälkeen mallia testattiin simulaattorissa ennen sen siirtämistä testihuoneita ohjaavalle Raspberry-tietokoneelle.
Opinnäytetyöraportissa esitellään koneoppimista yleisesti sekä käydään valitun koneoppimismallin teoreettinen puoli yksityiskohtaisemmin läpi. Tämän jälkeen esitellään työssä hyödynnetyt laitteet sekä ohjelmistot, jonka jälkeen käydään läpi työn kulku sekä opetusprosessi. Lopuksi käsitellään ja analysoidaan saatuja tuloksia sekä pohditaan mahdollisia seuraavia askeleita aiheen jatkamiseksi.
Työssä onnistuttiin ohjaamaan tilojen asetusarvoa koneoppimismallin avulla ja prosessin kulku todettiin toimivaksi valitulle mallille. Menetelmän käyttö jatkossa vaatii kuitenkin laajemman kokeilun sekä pidemmän testijakson, jotta sitä voitaisiin hyödyntää tulevaisuudessa. Työn avulla saatiin kuitenkin kerättyä tärkeitä tietoja ja huomioitavia asioita mahdollisia tulevia testejä varten.