Lämmönkulutuksen ennusteet tekoälyllä

Energiayhtiöasiakkaamme tarjoaa älykkäitä ratkaisuja energian ja veden tuotantoon, jakeluun ja käyttöön. Asiakkaamme on tehnyt jo pitkään työtä energiantuotannon ja vesihuollon haitallisten ympäristövaikutusten hallitsemisen ja vähentämisen eteen. Heidän tavoitteenaan on, että energiantuotannosta on hiilineutraalia vähintään 80 % vuonna 2025 ja 100 % vuonna 2030.

Asiakas haki vaihtoehtoista mallia kysyntäjoustotuotteensa toteutukselle, jonka tarkoituksena on leikata lämmön kulutuksen tehopiikkejä. Asiakas pystyy kysyntäjoustolla pienentämään lämmityslaskuaan, ja energiayhtiö saa esimerkiksi minimoitua fossiilisten polttoaineiden käyttöään tai tasaamaan lämmön tuotantoa.

Yksi osa kysyntäjouston tuotetta ovat ennusteet lämmönkulutuksesta. Asiakas valitsi yhteistyökumppaniksi HiQ:n, jonka tehtävänä oli rakentaa algoritmi ennusteita varten.

“HiQ:n tuottaman algoritmin avulla tavoittelimme kyvykkyyttä toteuttaa kiinteistökohtainen tehoennuste jatkossa itse”, kertoo asiakkaan edustaja.

Koneoppimismallin rakentaminen 

Kolmiosaisen projektin ensimmäisessä vaiheessa asiakas toimitti HiQ:lle tarvittavan historiadatan, josta tunnistettiin erilaisia tehonkäyttöprofiileja. Tavanomaisten segmentointitapojen sijaan datasta pyrittiin tunnistamaan tietty määrä ryhmiä, kuten ilma- tai lattialämmitteiset kiinteistöt, tai koulut, joiden kulutuksessa esiintyy suuria eroja arkipäivien ja viikonloppujen välillä.

Toisessa vaiheessa käyttöpaikkakohteille luotiin koneoppimista hyödyntäen seuraavien vuorokausien ajalle tehoennusteita, joita päivitetään tunnin välein päivittyvien ja tarkentuvien sääennusteiden myötä. Koneoppimismallina hyödynnettiin Extremen Gradient Boosting (XGB) -mallia, joka pohjautuu Decision Tree -algoritmiin. Työskentely-ympäristönä toimi Azuren pilvipalvelu, Microsoft Azure Machine Learning.

Tekoälyalgoritmilla pyrimme löytämään keinon, jolla ennustaisimme mahdollisimman tarkasti energiayhtiön asiakkaiden kulutusta.

Senior Data Analyst

Arto Jyrälä

“Tekoälyalgoritmilla pyrimme löytämään keinon, jolla ennustaisimme mahdollisimman tarkasti energiayhtiön asiakkaiden kulutusta. Valitsemamme algoritmi on tehokas datan murskauksessa ja sopii muuttuvalle datalle, jonka käyttäytymiseen vaikuttavat ulkoiset tekijät. Tässä niitä ovat muun muassa ulkoilman lämpötila ja auringon säteilyvoima”, kertoo Arto Jyrälä, HiQ:n Senior Data Analyst.

Mallille syötettiin yli kahden vuoden ajalta toteutunutta kulutus- ja säädataa. Energiankulutuksen ennusteeseen vaikuttavat muun muassa käyttöpaikan profiili, historiadata ja ulkolämpötila. Ennusteet raportoitiin Power BI:lla, jossa niitä voidaan helposti esittää ja analysoida.

Ennustetarkkuuden todentamisesta kohti mallin jatkojalostusta

Kolmannessa vaiheessa aloitettiin ennustetarkkuuden todentaminen. Koska lämmitysprofiili muuttuu, tarvitaan arvioinnin perusteeksi etenkin korkeat pakkaset, jotka vaikuttavat merkittävästi kulutukseen.

Ennustetarkkuutta seurataan tulevan talven ajan, minkä jälkeen tehdään suunnitelmat mallin jatkojalostamiselle ja tehostamiselle.

“Projekti oli todella mielenkiintoinen, sillä pääsimme hyödyntämään siinä erilaisia työkaluja Azuren pilvipalvelusta Power BI -raportointiin. Jäämme seuraamaan, miten ennustetarkkuus osuu eri segmenteissä ja voimme jatkojalostaa mallia tarvittaessa. Paljolti tulokseen vaikuttaa esimerkiksi se, millä tarkkuudella käyttöpaikkojen kulutustiedot on mitattu. Mitä tasalaatuisempaa ja tarkempaa algoritmille syötetty on, sitä parempi on myös tarkkuus”, selittää Jyrälä.

Asiakkaan edustaja kertoo, että mallia voisi hyödyntää esimerkiksi heidän asiakasportaalissaan, jossa kulutusta voi seurata tuntitasolla. Jatkossa mukana voisi olla kulutusennuste.

“Saimme projektin myötä ulkopuolista näkemystä kulutusdatan hyödyntämiselle ja pystyimme kasvattamaan omaa ymmärrystämme aiheesta.”