91ÇàÇà²Ý

Väitöskirjan nimi: Scalable and Robust Machine Learning Solutions for Adaptive Building Operations  

³Õä¾±³Ù³Ù±ð±ô¾±Âáä: Davor Stjelja
³Õ²¹²õ³Ù²¹±¹Ã¤¾±³Ù³ÙäÂáä: Prof. Bo Norregaard Jorgensen, University of Southern Denmark, Tanska
³Õ²¹²õ³Ù²¹±¹Ã¤¾±³Ù³ÙäÂáä: Prof. Ivo Martinac, KTH Royal Institute of Technology, Ruotsi
Kustos: Prof. Risto Kosonen, Aalto-yliopiston insinööritieteiden korkeakoulu 

Davor Stjeljan väitöskirja " Scalable and Robust Machine Learning Solutions for Adaptive Building Operations " tutkii koneoppimismenetelmien käyttöä rakennuksen keräämän mittausdatan arvon lisäämiseksi ennustamalla energiankulutusta, arvioimalla käyttöastetta ja havaitsemalla toiminnallisia poikkeamia. Tutkimuksessa pyrittiin kehittämään sekä skaalautuvia että robusteja koneoppimisratkaisuja, jotka voidaan soveltaa tehokkaasti useisiin eri rakennuksiin ilman laajaa datan keruuta ja jotka säilyttävät tarkkuutensa muuttuvissa käyttötilanteissa.
Väitöskirja käsittelee käytännön ongelmia, jotka liittyvät koneoppimisen soveltamiseen rakennusten toiminnan hallintaan, laajan mittausdatan tarpeeseen ja dynaamisten käyttötilanteiden aiheuttamiin haasteisiin. Näihin ongelmiin ehdotetut ratkaisut edistävät merkittävästi kestävän kehityksen rakennusten käyttöön liittyvää toimintaa ja energianhallintaa.

Väitöstyössä hyödynnettiin onnistuneesti ohjaamattoman oppimisen menetelmiä päättelemään rakennuksen käyttöastetta mitatusta energiankulutuksesta ilman tarkkaa läsnäolotietoa, mikä vähensi huomattavasti tarvetta kerätä tietoa todellisesta käyttöasteesta. Tutkimuksessa kehitetyt siirto-oppimismenetelmät mahdollistivat tarkkojen käyttöaste-ennusteiden tekemisen käyttämällä minimaalista dataa (vain muutama päivä) parantaen skaalautuvuutta erilaisissa ympäristöissä ja luoden malleja, jotka pystyvät yleistämään erilaisissa olosuhteissa.
 

Tutkimuksessa esiteltiin todennäköisyyspohjainen malli energiankulutuksen ennustamiseen ja käytettiin tapahtumakohtaista lähestymistapaa toistuvien poikkeamien suodattamiseen, millä päästiin hyvään suorituskyvyn jopa silloin, kun toimintaolosuhteet, kuten ilmanvaihtostrategiat muuttuivat.
Kehitetyt menetelmät voidaan ottaa käyttöön todellisissa käyttöolosuhteissa, parantaen energiatehokkuutta, vähentäen käyttökustannuksia, optimoimalla tilankäyttöä ja parantaen sisäilmastoa. Kiinteistön ylläpito-organisaatiot voivat hyödyntää näitä koneoppimisratkaisuja käyttöasteen tunnistamisessa , energiankulutuksen ennustamisessa ja toiminnallisten poikkeamien nopeassa havaitsemisessa.
Väitöskirja osoittaa, että koneoppimispohjaisiin ratkaisuihin voidaan saavuttaa sekä skaalautuvuutta että robustisuutta muuttuvissa rakennusten käyttötilanteissa ja samalla rakennusten mittausdatan arvo paranee merkittävästi. Kehitetyt menetelmät edistävät kestävämpää ja kriisivastuullisempaa energianhallintaa erilaisissa rakennustyypeissä.

Avainsanat: Koneoppiminen, Älykkäät rakennukset, Rakennusanalytiikka, Dataohjattu rakennusten hallinta, Käyttöasteen ennustaminen, Poikkeamien havaitseminen 

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 10 päivää ennen väitöstä):