Tekoälyn hyödyntäminen kiinteistöjen energiatehokkuuden optimoinnissa

Abstract

Kiinteistöjen energiatehokkuuden parantaminen on kriittistä sekä kustannusten, että ympäristötavoitteiden kannalta. Tässä opinnäytetyössä tutkittiin tekoälyn, erityisesti syväoppimiseen perustuvan LSTM-mallin soveltuvuutta kiinteistöjen energiatehokkuuden optimointiin. Työssä määriteltiin modulaarinen arkkitehtuuri, jossa datankeruualusta keräsi sekä kiinteistöstä anturidataa, että ulkoisia sääennusteita. Datan esikäsittelyssä normalisoitiin ja synkronoitiin eri lähteistä peräisin olevat tiedot, minkä jälkeen Python/PyTorch-ympäristössä koulutettiin LSTM-pohjainen aikasarjamalli. Mallin koulutuksessa hyödynnettiin historiallista mittausdataa, jonka perusteella pyrittiin ennustamaan tulevaa lämmitys‑ ja jäähdytystarvetta. Proof‑of‑concept‑toteutus osoitti, että LSTM-malli kykeni tunnistamaan pitkille aikaväleille ulottuvia riippuvuuksia ja tuottamaan ennusteita, joiden pohjalta kiinteistöautomaatiota voisi ohjata ennakoivasti. Toteutusympäristö rakentui Docker‑kontteihin, joissa palvelinpuolen rajapinnat oli toteutettu Node.js/TypeScript‑pohjaisesti Expressillä, tietokantana toimi PostgreSQL ja web‑liikenteestä vastasi Nginx. Ennustemalli integroitiin korkean tason API‑rajapintojen kautta, jolloin kiinteistöautomaation säätökomennot voitiin välittää olemassa oleville laitteille. Johtopäätöksenä todettiin, että tekoälypohjainen ennustava ohjaus tarjoaa merkittäviä mahdollisuuksia energiankulutuksen vähentämiseen ja sisäilmanlaadun parantamiseen. Jatkotutkimuksessa tulee keskittyä validointidatan laajentamiseen sekä jatkuvan seurannan ja automaattisten hälytysten kehittämiseen, jotta järjestelmä skaalautuu tuotantovalmiiksi ratkaisuksi.