Vapaa-ajan asuntojen talviaikainen sähkönkäytön hallinta
Hae sivustolta
Huotari Matti; Machine Learning Applications for Energy Utilization of Smart Buildings / Älyrakennusten energiankäytön koneoppimismalleista. (Väitöskirja)
Tiivistelmä
Älyenergiaratkaisut tarjoavat joustavaa ja kestävää energiaa rakennuksissa ja liikenteessä.Älyenergiasovelluksia käytetäänkin enenevässä määrin rakennetussa ympäristössä.Samanaikaisesti ratkottavia ongelmia älyenergiasovelluksissa ovat energiansäästö,lämpöviihtyvyys, ja epänormaalien tilanteiden hallinta. Uusiutuvien energianlähteiden lisääntynyt käyttö ja lainsäädännön tiukentuneet vaatimukset energiankäytöstä vaativat uusia ratkaisuja, joita älyenergiasovellukset voivat tarjota. Ne soveltuvat erityisen hyvin, jos vaatimuksia on monia tai neovat jopa näennäisesti ristiriitaisia. Tällaisia vaatimuksia ovat muun muassa järjestelmien käytön optimointi, kulujen vähentäminen, uusiutuvan energian liittäminen järjestelmään ja käyttäjien lämpöviihtyvyys.
Tämä tutkimus pohtii älyenergiasovelluksia rakennuksissa. Aihetta lähestytään tutkimuskysymysten kautta: (i) Minkä algoritmien avulla voidaan tutkia akkulaitteiston ikääntymistä ja mikä on algoritmisesta mallista saatujen tulosten epävarmuus? (ii) Kuinka mallintaa, kun pohjadata on epätasapainoissa ja ei ole täydellisen kattavaa (esimerkkinä ilmanvaihtolaitteen data)? (iii) Miten ottaa huomioon ihmiset lämpöviihtyvyyden määrityksessä ja siihen liittyvässä päätöksenteossa? (iv) Minkälaisia tarpeita on olemassa älyenergiasovelluksille ja mitkä sovellukset tarjoavat ratkaisuja niille?
Jokaista tutkimuskysymystä käsiteltiin uusilla keinoilla, kehitetyt ratkaisut luokiteltiin taksonomisesti, ja kaikki tutkimustulokset julkaistiin lopulta viitenä julkaisuna. Ehdotettujen sovellusten sopivuus varmennettiin tapaustutkimusten avulla. Koneoppimista voidaan soveltaa monitahoisiin ongelmiin rakennusten energiankäyttöön liittyen. Saadut tutkimustulokset antavat viitettä siitä, että ehdotetut sovellukset voivat ratkaista ongelmia, jotka liittyvätenergiatehokkuuteen, lämpöviihtyvyyteen ja huoltoon.
Haapaniemi, J., Supponen, A., Räisänen, O., Haakana, J., Vilppo, J., Repo, S., Lassila, J. Laaja-alaisen aurinkosähkön yleistymisen huomioivat sähköverkon mitoitusperiaatteet. LUT Scientific and Expertise Publications Tutkimusraportit – Research Reports, 147. LUT-yliopisto.
Tiivistelmä
Tässä raportissa esitetään tutkimushankkeen ”Laaja-alaisen aurinkosähkön yleistymisen huomioivat sähköverkon mitoitusperiaatteet” tuloksia. Tutkimushankkeessa selvitettiin miten nykyiset aurinkosähkön huomioivat sähköverkon mitoitusperiaatteet soveltuvat sekä yksittäisten suurten että laajasti yleistyvien kotitalouskokoluokan aurinkosähköjärjestelmien liittämiseen, ja miten mitoitusperiaatteita tulisi kehittää. Tämän lisäksi tutkimuksessa selvitettiin joustavien ratkaisuiden, kuten aurinkosähköinverttereiden loistehon säädön, vaikuttavuutta verkon kapasiteetin riittävyyteen aurinkosähköjärjestelmien yleistyessä.
Tutkimuksessa havaittiin, että nykyisessä nopeiden jännitemuutosten yhtälöön perustuvassa voimalaitoksen vaikutusten mitoitustavassa on päivitystarpeita liittyen aurinkosähkötuotannon ominaispiirteet huomioivaan parametrisointiin. Toisin sanoen, nykyiset parametrisoinnit voivat johtaa tarpeettomiin sähköverkoston vahvistusinvestointeihin tai vaihtoehtoisesti asiakkaiden aurinkosähköjärjestelmien mitoituksen rajoittamiseen tarpeettoman pieniksi.
Aurinkosähkön laaja-alaisen yleistymisen huomioinnissa tulee tarkastella myös jännitetason nousua sähköverkossa. Tutkimuksessa havaittiin, että aurinkosähköinvertterien hyödyntämisellä loistehon säätöön voidaan hillitä jännitteen nousun ongelmia. Simulaatioiden perusteella havaittiin myös, että maltillinen aurinkosähkön yleistyminen vähentää sähköverkossa muodostuvia häviöitä. Loistehon säädön käyttämisen havaittiin lisäävän hieman häviöitä ja aiheuttavan jakelumuuntajien ylikuormittumisriskin kasvua, mutta simulaatioiden perusteella näiden merkitys on vähäinen, jollei hyvin suurella osalla asiakkaista ole aurinkosähköjärjestelmää.
Tutkismusprojektin tavoitteena oli kehittää laajamittaisen aurinkovoiman verkostovaikutusten huomioimista sähköverkon mitoituslaskennassa jännitteen laadun osalta. Erityisesti pientuotannon liittämisen suunnittelukriteerit ja -menetelmät kaipaavat päivittämistä, koska aikaisemmat ohjeistukset ovat lähteneet siitä oletuksesta, että pientuotantoyksiköitä on sähköverkossa vähän ja ne kytkeytyvät pääasiassa sähköasemalle tai keskijänniteverkkoon uutena liittymänä. Aurinkovoima liittyy kuitenkin pääsääntöisesti pienjänniteverkkoihin olemassa oleviin liittymiin.
Projektissa selvitettiin sekä yksittäisten suurten aurinkosähköjärjestelmien että laajamittaisen aurinkosähköjärjestelmien yleistymisen vaikutuksia sähkönjakeluverkkoihin. Keskeisimpänä tuloksena havaittiin nykyisten sähköverkon mitoitussuosituksien rajoittavan liitettävien aurinkosähköjärjestelmien kokoa tarpeettoman paljon, koska suosituksen parametrisointia ei ole päivitetty nykyisen ymmärryksen mukaiseksi aurinkosähköä koskien. Projektin simulointitulosten perusteella voitiin myös havaita, että aurinkosähköjärjestelmien loistehosäädön avulla voidaan ehkäistä aurinkosähköstä sähköverkolle aiheutuvia jännitteen nousun haasteita merkittävästi. Loistehon säätö ei käytännössä vaikuta pätötehon tuotantoon, mutta voi ehkäistä aurinkosähköjärjestelmien verkosta irtoamista ylijännitteiden seurauksena.
Stjelja, D., Jokisalo, J., & Kosonen, R. (2022). Futureproofing and scaling machine learning for occupancy prediction. teoksessa Proceedings CLIMA2022 : REHVA 14th HVAC Congress, 22-25 May 2022, Rotterdam (Sivut 2332-2338). TU Delft Open.
Abstract
An important instrument for achieving smart and high-performance buildings is Machine Learning (ML). A lot of research was done in exploring the ML learning models for various applications in the built environment such as occupancy prediction. Nevertheless, this research focused mostly on analyzing the feasibility and performance of different supervised ML models but have rarely focused on practical applications and scalability of those models. In this study, we are proposing a transfer learning method as a solution to few typical problems with the practical application of ML in buildings. Such problems are scaling a model to another (different) building, collecting ground truth data necessary for training the supervised model and adapting the model when conditions change. The practical application examined in this work is a deep learning model used for predicting room occupancy using indoor air quality (IAQ) IoT sensors. The importance of occupancy prediction has risen in recent times of remote work and is especially important for futureproofing of the built environment. This work proves that it is possible to reduce significantly the need for ground truth data collection for deep learning based occupancy detection model. Additionally, the robustness of the transferred model was tested, where performance stayed on similar level if suitable normalization technique was used.
Aaltonen, H., Sierla, S., Kyrki, V., Pourakbari‐kasmaei, M., & Vyatkin, V. (2022). Bidding a Battery on Electricity Markets and Minimizing Battery Aging Costs: A Reinforcement Learning Approach. Energies, 15(14), [4960].
Abstract
Battery storage is emerging as a key component of intelligent green electricitiy systems. The battery is monetized through market participation, which usually involves bidding. Bidding is a multi-objective optimization problem, involving targets such as maximizing market compensation and minimizing penalties for failing to provide the service and costs for battery aging. In this article, battery participation is investigated on primary frequency reserve markets. Reinforcement learning is applied for the optimization. In previous research, only simplified formulations of battery aging have been used in the reinforcement learning formulation, so it is unclear how the optimizer would perform with a real battery. In this article, a physics-based battery aging model is used to assess the aging. The contribution of this article is a methodology involving a realistic battery simulation to assess the performance of the trained RL agent with respect to battery aging in order to inform the selection of the weighting of the aging term in the RL reward formula. The RL agent performs day-ahead bidding on the Finnish Frequency Containment Reserves for Normal Operation market, with the objective of maximizing market compensation, minimizing market penalties and minimizing aging costs.
Kukkonen, V., Kücükavci, A., Seidenschnur, M., Rasmussen, M. H., Smith, K. M., & Hviid, C. A. (2022). An ontology to support flow system descriptions from design to operation of buildings. Automation in Construction, 134, [104067].
Abstract
The interoperability of information from design to operations is an acknowledged challenge in the fields of architecture, engineering and construction (AEC). As a potential solution to the interoperability issues, there has been increasing interest in how linked data and semantic web technologies can be used to establish an extendable data model. Semantic web ontologies have been developed for the AEC domain, but an ontology for describing the energy and mass flow between systems and components is missing. This study proposes the Flow Systems Ontology (FSO) for describing the composition of flow systems, and their mass and energy flows. Two example models are expressed using FSO vocabulary. SPARQL Protocol and RDF Query Language (SPARQL) queries are performed to further demonstrate and validate the ontology. The main contribution consists of developing FSO as an ontology complementary to the existing ontologies. Finally, the paper introduces a roadmap for future developments building on FSO.
Remes, L., Dooley, K., Ketomäki, J. and Ihasalo, H. (2022), ”Smart workplace solutions – can they deliver the offices that employees have been waiting for?”, Facilities, Vol. 40 No. 15/16, pp. 40-53.
Abstract
Purpose
User-centred intelligent buildings (IBs) should respond to users’ needs holistically and the demand for end user applications is steadily growing. The purpose of this study is to answer: What are end user applications, what should they be called, and what are their key features?
Design/methodology/approach
This is a mixed-method study. The authors have used different data sources, such as online research and interviews. In data processing, the authors have used word counting and Latent Dirichlet Allocation topic modeling.
Findings
These end user applications can provide the missing user-centered elements of IBs. The authors have found that “smart workplace solution” (SWS) is the best term to describe these applications, and they also describe the key features, which include booking, showing free spaces, occupancy tracking, wayfinding and searching.
Research limitations/implications
As the end user applications are constantly and rapidly evolving, the latest evolving of such applications might not be covered. Furthermore, the authors have relied on companies’ information as given.
Originality/value
IBs have emerged over 20 years ago, and these are the first solutions that can be considered truly user-centered.
Penttinen, S-L, Nippala, E., Kallioharju, K. Energy Efficiency in the ’Fit for 55’ Framework: Increasingly
Ambitious Targets Coupled with Hardening Governance. OGEL 1 (2022), in Energy
Abstaract
Energy efficiency has been progressively brought to the forefront to the EU’s decarbonization efforts. The EU’s efforts to develop an energy efficiency framework have traditionally relied on energy end-use reduction, but nowadays it seeks to promote a more integrated approach to energy efficiency in its energy policy framework. A key to this end is, in particular, the ’energy efficiency first’ principle that was first introduced by the EU’s Energy Union framework. The principle is envisaged as the fundamental principle on which the EU’s energy system should be built.
Uusitalo, S. (2022). Verification of Energy Efficiency Measures in Three Apartment Buildings Using Gaussian Process. CLIMA 2022 Conference.
Abstract
The aim of this work was to examine whether the Gaussian process as a machine learning method is suitable for modelling time series data collected from buildings and whether it can be used to verify the effects of energy efficiency measures on three apartment buildings. A Gaussian process regression model was created using outdoor temperature and time information as inputs including information about the day of the week and the hour of the current day. Correspondingly, the output of the model was to estimate the hourly heating power demand corresponding to these inputs. The results provided by the created model were used as a reference point to verify the effects of energy efficiency measures taken on these residential buildings. The model was trained with 2016 hourly data. The 2017 data was used as test data to evaluate the functionality of the model. The impact assessment of the energy efficiency measures was performed with the measured data of 2019, which was compared with the results given by the model. Based on the performed modelling, it can be stated that using the Gaussian process, the need for hourly power of buildings was reasonably well modelled with even small amount of input variables. It can be assumed that the biggest uncertainty factor in the modelling is related to the domestic hot water consumption and the resulting power requirement. By measuring hot water consumption, modelling accuracy could probably be significantly improved. Based on the reviews, it could also be verified that the energy efficiency measures taken have had an impact on the peak power needs of residential buildings as well as on total energy consumption. For all three buildings, peak power needs appear to have decreased and overall energy consumption is lower than it would have been without the actions taken.