Datan käsittelymenetelmien hyödyntäminen sähkönkulutuksen seurannassa

Abstract

Sähkönkulutuksen seuranta on tärkeää, koska se auttaa muun muassa sähköyhtiöitä optimoimaan järjestelmien tuottavuutta sekä ennakoimaan sähkönkulutusta. Lisäksi sähköyhtiöiden on tärkeää tietää sähköntuotannon ja kulutuksen suhde kysynnän ja tarjonnan tasapainottamiseksi.

Tässä opinnäytetyössä tutkittiin, miten dataa käsitellään ja analysoidaan sekä miten eri datan käsittelymenetelmiä hyödynnetään sähkönkulutuksen seurannassa. Lisäksi opinnäytetyössä tarkasteltiin tekoälyä ja koneoppimista osana nykypäivän datan käsittelyä sekä muun muassa kartoitettiin datan hyödyntämisen haasteita teollisuudessa.

Työn tuloksena luotiin aikasarjadatan käsittelyyn ja sähkönkulutuksen ennakointiin ohjelmakoodi, jota TAMK pystyy hyödyntämään osana AIKO-tekoälyhanketta. Hankkeessa sovelletaan tekoälyn hyödyntämistä teollisuusyritysten erilaisissa automaatioratkaisuissa. Työn ohjelmakoodissa käsiteltiin ja analysoitiin olemassa olevaa sähkönkulutukseen liittyvää aikasarjadataa sekä kuvattiin, miten koneoppimista voidaan hyödyntää sähkönkulutuksen ennakoinnissa.

Opinnäytetyön aihealueet ja toiminnallinen osuus toimivat johdantona koneoppimisen hyödyntämiselle teollisuudessa sekä aikasarjadatan käsittelylle. Työn teoriaosuudessa määritetään datan käsittelyn eri menetelmät ja tekoälyn rooli nykypäivän datan käsittelyssä. Ohjelmakoodissa määritettiin sähkönkulutuksen kanssa korreloivat piirteet data-aineistosta ja ennakoitiin niiden avulla onnistuneesti sähkönkulutusta käyttämällä koneoppimisen muotona ohjattua oppimista.

Ohjelmakoodin pohjalta sähkönkulutuksen ennakointia voidaan jatkokehittää tarkempien koneoppimismallien luomiseksi ja sitä kautta parempien ennusteiden tuottamiseksi. Lisäksi ohjelmakoodia ja siinä käytettyjä menetelmiä voidaan myös soveltaa laajemmin muihin teollisuuden aikasarjapohjaisiin data-aineistoihin.

This thesis studied how data is processed and analysed as well as how various data processing methods are utilised in power consumption monitoring. The thesis also explored artificial intelligence and machine learning as part of modern data utilisation.

As a result of this work, a script was developed for processing time-series data and predicting power consumption. The script can be used by TAMK as part of AIKO artificial intelligence project where artificial intelligence is applied in different automation solutions for businesses. The script involved processing and analysing a dataset related to power consumption and demonstrated how supervised learning can be used to predict energy usage.

This thesis serves as an introduction to the use of machine learning in different industrial applications and the processing of time-series data. Building on the script, power consumption prediction can be further developed by creating more accurate machine learning models, leading to more reliable forecasts. Additionally, the script and its methods can also be applied to the processing and analysis of other time-series data sets within the industrial sector.