Tekoälystä lisäpotkua älyrakennusten talotekniikkaan

Matti Huotarin visio älykkäästä rakennuksesta on terve ja energiatehokas talo, joka ottaa huomioon ihmisten terveyden ja hyvinvoinnin ja hallitsee itse dynaamisia muutoksia. Mikä on tekoälyn rooli tässä kaikessa?

– Se on yksi työkalu pakissa, jolla älykästä rakennusta rakennetaan. Tekoälysovelluksia tarvitaan, kun pitää tasapainotella terveiden talojen, energiansäästön sekä käyttäjien hyvinvoinnin ja tyytyväisyyden välillä, sanoo Aalto-yliopistosta joulukuussa väitellyt Huotari.

Tekoälymallinnuksessa voidaan huomioida useita keskenään jopa näennäisesti ristiriitaisia vaatimuksia, kuten esimerkiksi käyttäjien tyytyväisinä pitäminen samaan aikaan, kun pyrkimyksenä on säästää energiaa. Tällaiseen tasapainoiluun tekoäly on omiaan.

– Tekoälyllä on talotekniikalle paljon tarjottavaa. Näen tekoälysovellukset talotekniikkaa täydentävinä työkaluina, jotka yhdistävät taloautomatiikan ratkaisuja älykkäällä tavalla niin, että tilanteita voidaan ennakoida ja sovittaa halutun laisiksi. Tekoäly auttaa siirtymään automaatioista adaptiivisuuteen.

Toistaiseksi tekoälyn käyttö rakennusten energiasovelluksissa on suhteellisen vähäistä.

Tekoäly tarjoaa työkaluja, joilla rakennukset voivat osallistua sähkön säätömarkkinoille.

– Tekoälyä hyödynnetään jonkin verran rakennusten huollossa sekä ihmisvirtojen arvioinnissa ja kulunvalvonnassa. Syynä sen vähäiseen käyttöön on, että systemaattinen datan keruu rakennuksissa on vielä alkuvaiheessa. Tekoälysovellukset tarvitsevat isoja määriä dataa.

Sähköautojen akut rakennusten energiavarastoina

Uusiutuvan energian lisääntyvä käyttö vaatii uusia ratkaisuja, joita älyenergiasovellukset voivat tarjota. Kun sähköä tuotetaan yhä enemmän vaihtelevalla tuuli- ja aurinkoenergialla, tarvitaan rakennuksiin energiavarastoja, jotka auttavat pitämään tuotantoa ja kulutusta tasapainossa. Huotari tutki väitöstyössään sähköautojen litiumakkujen jatkokäyttöä rakennusten energiavarastoina.

– Kun sähköautoilla on ajettu tietty kilometrimäärä, eivät niiden akut enää täytä autoliikenteen asettamia kriteerejä. Akut eivät kuitenkaan ole vielä elinikänsä lopussa. Akkujen jatkokäytössä on kuitenkin ongelmana, että niiden käyttöturvallisuus heikkenee iän myötä, ja tietyn raja-arvon alittavat akut pitää poistaa käytöstä.  

Huotari tutki litiumioniakkujen ikääntymistä perustuen ruotsalaiselta akkutehtaalta saamaansa dataan. Käytettävissä oli satojen liikennekäytössä olevien litiumakkujen virta-, jännite- ja käyttötietoa sekä tietoa vastaavista ulkoilmaolosuhteista.

– Suuren datamassan avulla pystyin kehittämään tekoälyyn perustuvan mallin, joka ennustaa milloin akut ikääntyvät niin vanhoiksi, että ne pitää poistaa energiavarastokäytöstä.

Tekoälysovellukset tarvitsevat isoja määriä dataa.

Kyseessä on ensimmäinen todelliseen dataan perustuva ennustemalli akkujen turvalliselle käytölle. Uraauurtava malli on ajankohtainen, sillä vanhimpien liikenteessä olevien sähköautojen akut alkavat juuri nyt tulla ikään, jolloin ne pitää poistaa liikenteestä. Huotarin kehittämä algoritmi voisi palvella akkujen valmistajaa tai olla osa sähköverkon taajuusmarkkinasovellusta.

– Rakennusten osallistuminen sähköverkon tasapainottamiseen on ajankohtainen esimerkki siitä, kuinka energiamarkkinoiden tarpeet muuttuvat. Tuuli- ja aurinkosähkön kasvavan käytön myötä sähköverkon säätötarve tulee kasvamaan valtavasti. Tekoäly tarjoaa työkaluja, joilla rakennukset voivat osallistua sähkön säätömarkkinoille.

Ilmanvaihtolaitteen vikaantumisen ennustaminen

Taloteknisiin laitteisiin tulee silloin tällöin vikoja. Myös laitteiden säädöissä voi tapahtua ajan myötä ajelehtimista, jolloin niiden asetusarvot poikkeavat optimista. Tekoäly tarjoaa mahdollisuuksia poikkeamien ennakointiin ja havaitsemiseen.

Huotari pyrki työssään ennustamaan datan avulla ilmanvaihtolaitteen lämmönkerääjän vikoja. Ongelmana tässä on, että vikojen vähäisyydestä johtuen laitteesta on saatavissa vähän vikaantumisdataa. Vikatilanteita ei ole aina myöskään merkitty lokiin, jolloin vikatilanteen identifiointi ei ole saatavilla datasta suoraviivaisesti.

– Datan laadusta johtuen vikatilanteisiin on vaikea päästä kiinni. Kehitin tähän osaratkaisuksi alipainotetun otannan algoritmin, joka parantaa todennäköisyyttä vian löytymiselle. Se tasapainottaa epätasapainossa olevaa dataa vikaantuneen ja vikaantumattoman tilanteen välillä.

Huotari on ollut mukana suunnittelemassa Metropolian LVI-laboratorion tutkimusympäristöä, jossa tutkitaan automaatiotekniikkaa ja hyödynnetään uusiutuvaa energiantuotantoa. Kuvassa maalämpöpumpun vesivaraaja.

Huotarin kehittämä matemaattinen malli tuo täysin uutta tietoa epävarmuustekijöiden hallitsemiseen tekoälymallinnuksessa. Alipainotetun otannan algoritmia voidaan käyttää erittäin harvoin tapahtuvien ilmiöiden mallintamisessa, joista ilmastointilaitteen vikaantuminen on yksi esimerkki.

Parempaa sisäilmaa toimistoihin

Kyselytutkimukset kertovat karua kieltä siitä, kuinka monet toimistotyöntekijät ovat tyytymättömiä rakennusten sisäolosuhteisiin. Lämpötilalla on merkittävä vaikutus sisäilmaan, mutta siihen vaikuttavat myös muun muassa valaistus, pienhiukkasten määrä ja ilman raskaus.

Huotari perehtyi ihmisten lämpöviihtyvyyteen toimisto-olosuhteissa ja kehitti mallin henkilökohtaisen tyytyväisyyden ennustamiseen. Laajemmin tutkimus ottaa kantaa siihen, kuinka käyttäjät voidaan ottaa mukaan toimistohuoneiden talotekniikan säätöihin kohdistuviin päätöksiin energiatehokkaalla tavalla.

Tekoäly on yksi työkalu pakissa, jolla älykästä rakennusta rakennetaan.

Käyttäjätutkimuksessaan Huotari käytti ihmisten tyytyväisyyden arviointiin samaa asteikkoa, johon tanskalaisen Per Ole Fangerin kehittämä viihtyisyysmalli perustuu. Fangerin malli on pitkälti perustana rakennusten olosuhdesäädöissä Pohjoismaissa ja sen mukaan huonelämpötilan perussäätö Suomessa on yleensä 21,5 celsiusastetta.

– Kutsuin ihmisiä toimistotilaan ja pyysin heitä arvioimaan sen lämpötilaa, jota säädin. Mittasin samalla heiltä sykettä, ihon lämpötilaa ja hikoilua, joista saadun tiedon yhdistin huoneen ja ulkoilman lämpötilaan. Koetilanne toistettiin useaan kertaan kullakin henkilöllä.

– Loin mallin arvioimaan sitä, millaisissa olosuhteissa ihmiset ovat tyytyväisiä. Mallia voisi käyttää esimerkiksi puhelinsovelluksessa, joka suosittelee toimistorakennukseen tulevalle työntekijälle huoneen, joka sinä päivänä sopii hänelle parhaiten.

Mallin käyttö vaatisi luopumista koko rakennuksessa vallitsevasta samasta lämpötilasta. Osa tiloista olisi viileämpiä, osa lämpimämpiä.

– Tiloissa on aina useampia ihmisiä, joten työskentelylämpötilan täydellinen yksilöinti ei käytännössä onnistu. Rakennus voitaisiin kuitenkin jakaa esimerkiksi 2–3 lämpötilavyöhykkeeseen. Tämä voisi vaatia muutoksia työtapoihin, mutta samalla se lisäisi ihmisten tyytyväisyyttä työoloihinsa.

Huotari haluaa työllään osoittaa, että tekoälysovellukset avaavat uusia mahdollisuuksia rakennusten sisäilmaolosuhteiden personointiin. Tämä vaatii uudenlaista ajattelua sekä rakentamiselta että rakennustekniikalta.