Energiamurros ohjaa energiantuotantoa yhä enemmän kohti uusiutuvien energialähteiden hyödyntämistä sekä hajautettua tuotantoa. Uusiutuvan energian, kuten aurinko- ja tuulivoiman, käyttö tuo mukanaan merkittäviä etuja, mutta myös haasteita. Näiden energialähteiden tuotanto on voimakkaasti sidoksissa sääolosuhteisiin – energiaa syntyy silloin, kun aurinko paistaa tai tuuli puhaltaa, ei välttämättä silloin, kun kulutus on suurimmillaan. Esimerkiksi aurinkovoiman tuotanto on suurimmillaan keskipäivällä, jolloin sähkön kysyntä on usein alhaisimmillaan. Tällainen ajallinen epäsuhta tuotannon ja kulutuksen välillä edellyttää tehokkaita energiavarastointiratkaisuja, kuten akkuteknologioita, joiden avulla energiaa voidaan varastoida ja hyödyntää myöhemmin kulutuksen tasaamiseksi.
Energiavirtojen hallinta edellyttää tietoa siitä, milloin ja kuinka paljon energiaa tuotetaan ja kulutetaan. Kulutuksen ohjaaminen ja tuotannon optimointi edellyttävät ennakoivaa lähestymistapaa, jossa keskeisessä roolissa ovat koneoppimiseen perustuvat ennustemallit. Näiden mallien avulla voidaan arvioida tulevaa energiankulutusta esimerkiksi vuorokausitasolla, mikä mahdollistaa älykkäämmän resurssien hallinnan ja energiajärjestelmän kokonaistehokkuuden parantamisen.
Koneoppiminen
Kulutuksen ennustamistekniikat voidaan jakaa kahteen luokkaan, jotka ovat tilastoihin perustuva ja koneoppimiseen perustuvat ennustukset. Tilastolliset menetelmät soveltuvat hyvin säännöllisten ja lineaaristen energiavirtojen mallintamiseen, mutta niiden kyky tunnistaa monimutkaisia ja epälineaarisia riippuvuuksia on rajallinen. Tämän vuoksi ennustamisessa hyödynnetään yhä useammin koneoppimistekniikoita, jotka kykenevät mallintamaan datan monimutkaisia ja ei-lineaarisia suhteita. Erityisesti syvät neuroverkot ja päätöspuupohjaiset algoritmit ovat osoittautuneet tehokkaiksi energiankulutuksen ennustetehtävissä (Bae et al., 2021).
Koneoppiminen on tekoälyn osa-alue, jossa algoritmit oppivat muodostamaan ennusteita syötetyn datan perusteella. Koneoppimismenetelmät voidaan jakaa useisiin kategorioihin, kuten ohjattuun ja ohjaamattomaan oppimiseen, riippuen siitä, onko käytettävissä opetusdataa, jossa oikeat vastaukset ovat tiedossa. Syväoppiminen, joka on koneoppimisen alaluokka, hyödyntää monikerroksisia neuroverkkoja datan käsittelyssä ja on erityisen soveltuva suurten ja monimutkaisen datan analysointiin.
Energiavirtojen ennustamisessa neuroverkkoja ja päätöspuualgoritmeja käytetään muun muassa kulutushuippujen ennakointiin, tuotannon optimointiin ja varastointitarpeiden arviointiin.
Päätöspuut
Päätöspuut ovat ohjatun oppimisen luokittelualgoritmeja, jotka saavat nimensä niiden rakenteesta, joka muistuttaa puun oksien haarautumista (Lehto et al., 2019). Päätöspuu koostuu solmuista, joista kukin edustaa tiettyä muuttujaa tai päätöksentekopistettä. Ensimmäistä solmua kutsutaan juurisolmuksi ja se toimii lähtökohtana, josta päätöksentekoprosessi käynnistyy. Jokaisessa haarautumispisteessä valitaan muuttuja, joka parhaiten jakaa havaintoaineiston seuraaviin alaryhmiin. Lopulliset päätelmät esitetään lehtisolmuissa, jotka kuvaavat mallin tuottamia luokkia tai arvoja (Hurwitz & Kirsch, 2018).
Yksi erityisen tehokkaaksi todettu päätöspuualgoritmi ennustustehtävissä on XGBoost (Extreme Gradient Boosting), joka perustuu tehostettuun päätöspuurakenteeseen. XGBoost yhdistää useita heikkoja päätöspuupohjaisia malleja muodostaen vahvan ennustemallin, ja se on osoittautunut suorituskykyiseksi erityisesti suurten ja monimuotoisten aineistojen käsittelyssä.
Päätöspuut ja niiden johdannaiset, kuten XGBoost, ovat laajasti käytössä energiankulutuksen ennustamisessa, sillä ne kykenevät käsittelemään sekä numeerisia että kategorisia muuttujia, tunnistamaan epälineaarisia riippuvuuksia ja tarjoamaan tulkittavia ennustemalleja. Näiden ominaisuuksien ansiosta ne soveltuvat hyvin energiavirtojen hallintaan liittyviin sovelluksiin, joissa tarvitaan tarkkaa ja selitettävää päätöksentekoa.
Neuroverkot
Keinotekoiset neuroverkot (Artificial Neural Networks, ANN) ovat koneoppimismalleja, jotka jäljittelevät ihmisaivojen rakennetta ja toimintaperiaatteita päätöksenteossa. Neuroverkkojen keskeinen tavoite on muuntaa syötedata mielekkääksi ja käyttökelpoiseksi lopputulokseksi (Thakur & Konde, 2021). Verkot koostuvat kerroksista, jotka sisältävät solmuja eli neuroneita. Tyypillinen neuroverkko sisältää syöttökerroksen, useita piilokerroksia sekä ulostulokerroksen. Jokainen kerros suodattaa ja muokkaa tietoa ennen sen siirtämistä seuraavalle tasolle, mahdollistaen monimutkaisten riippuvuuksien oppimisen ja mallintamisen (Hurwitz & Kirsch, 2018.)
Neuroverkot kykenevät oppimaan ja mukautumaan datan muuttuessa, mikä tekee niistä erityisen soveltuvia dynaamisten järjestelmien, kuten energiankulutuksen, ennustamiseen. Kun neuroverkossa on useita piilokerroksia, sitä kutsutaan syväksi neuroverkoksi (Deep Neural Network, DNN), ja se tarjoaa entistä suuremman kapasiteetin monimutkaisten ilmiöiden mallintamiseen (Thakur & Konde, 2021).
Erityinen neuroverkkorakenne, jota käytetään ajallisten riippuvuuksien mallintamiseen, on LSTM (Long Short-Term Memory). LSTM on takaisinkytketty neuroverkko, jossa tietoa voidaan syöttää myös taaksepäin verkon sisällä. Tämä mahdollistaa pitkien syy-seurausketjujen oppimisen ja säilyttämisen useiden aikavälien yli. LSTM-verkot sisältävät muistikerroksia, jotka parantavat kykyä käsitellä sarjamaista dataa, kuten energiankulutuksen aikasarjoja, ja ovat siten erityisen hyödyllisiä energiavirtojen ennustamisessa.
Energiankulutuksen ja -tuotannon ennustaminen
Energiankulutuksen ennustaminen perustuu tyypillisesti historiatietoon sähkönkulutuksesta sekä ajankohtaan liittyviin muuttujatekijöihin, kuten vuorokauden- ja vuodenajan vaihteluihin. Näillä ajallisilla tekijöillä on merkittävä vaikutus kulutuksen rytmiin ja määrään (Wen et al., 2019, s. 4). Kulutuskäyttäytymiseen vaikuttavat lisäksi ulkoiset muuttujat, kuten sääolosuhteet ja sähkön markkinahinta. Erityisesti ulkolämpötilan on todettu olevan keskeinen tekijä sähkönkulutuksen vaihtelussa, sillä se vaikuttaa suoraan esimerkiksi lämmitys- ja jäähdytystarpeisiin (Bae et al., 2021).
Uusiutuvien energialähteiden, kuten aurinko- ja tuulivoiman, tuotannon ennustaminen perustuu niin ikään historiadataan, jonka avulla voidaan tuottaa tarkkoja lyhyen aikavälin ennusteita. Tällaiset ennusteet ovat erityisen tärkeitä tuotannon ajoittaisen vaihtelun hallinnassa, sillä uusiutuvan energian tuotanto vaihtelee voimakkaasti vuorokaudenajan ja vuodenajan mukaan. Ennustemallien tarkkuuteen vaikuttavat olennaisesti sääolosuhteet, kuten pilvisyys, tuulen nopeus ja lämpötila, jotka määrittävät tuotantokapasiteetin hetkellistä vaihtelua (Rao et al., 2022).
Ennusteiden tekeminen XGBoost- ja LSTM-algoritmien avulla
Karelia-ammattikorkeakoulun Älykkäät energiayhteisöt -hanke tukee siirtymää kohti vihreämpää ja kestävämpää energiajärjestelmää ja pyrkii löytämään uusia ratkaisuja energiaohjauksen automatisointiin. Hankkeen toimeksiantona toteutetussa diplomityössä (Pohjonen 2025) toteutettiin ja testattiin XGBoost- ja LSTM- koneoppimisalgoritmien toimivuutta energiantuotannon ja -kulutuksen ennustamiseen.
Työssä tarkasteltiin neljää eri kulutuskohdetta, kolmea kerrostaloa ja yhtä kauppakiinteistöä. Tässä artikkelissa esitellään tulokset kauppakiinteistölle sekä yhdelle kerrostalo kohteelle. Tuotannon osalta työssä tarkasteltiin 20 kW aurinkopaneelijärjestelmää. Kulutusdata on kerätty Joensuun alueelta. Tuotantodata simuloitiin PV*SOL-ohjelmistolla, tuotantodata on simuloitu Joensuun alueelle. Ennusteet tehtiin 24 tunnin sekä 168 tunnin ajanjaksoille. Mallit luotiin Visual Studio Code-ohjelmistolla ja ohjelmointikielenä käytetiin Pythonia.
Kulutusennusteen opetusdatana käytettiin vuoden ajalta kerättyä historiadataa. Data sisälsi tiedon kiinteistön energiankulutuksesta (kWh) mitattuna tunnin välein. Dataan lisättiin myös tiedot ulkolämpötilasta.
Data jaettiin opetus- ja testidataan. Opetusdataa käytettiin mallin opettamiseen. Koneoppija siis ”oppii” profiilin ominaisuudet opetusdatasta ja tekee tämän pohjalta ennusteen. Testidataan käytetään tulosten vertailuun. Testidatan avulla vertaillaan, kuinka tarkan ennusteen malli tekee.
Tulokset: kulutusennusteet
Kuvassa 1 on esitetty kerrostalokiinteistön ja kuvassa 2 kauppakiinteistön sähkönkulutuksen ennuste. Molemmissa kuvissa punainen viiva kuvaa testidataa, eli todellisia arvoja, sininen viiva XGBoost-algoritmin tuottamaa ennustetta ja oranssi viiva LSTM-algoritmin tuottamaa ennustetta.
Kuvista havaitaan, että XGBoost-algoritmi tuottaa tarkemman ennusteen kuin LSTM-algoritmi. Erityisesti kauppakiinteistön tapauksessa LSTM-malli tuottaa huomattavaa kohinaa, mikä heikentää sen ennustetarkkuutta. XGBoost puolestaan suoriutuu hyvin molemmissa tapauksissa, mutta erityisesti kauppakiinteistön kulutusprofiilin ennustamisessa sen tarkkuus on korkeampi. Tämä ero selittyy osittain kohteiden kulutusprofiilien luonteella. Kauppakiinteistön sähkönkulutus on usein tasaisempaa ja toistuvampaa eri päivinä, mikä helpottaa mallin oppimista. Kerrostaloissa on enemmän kulutukseen vaikuttavia muuttujia, jolloin kulutusprofiili ei ole yhtä tasainen.
Kuvassa 3 on esitetty sähkönkulutusennuste viikon ajalle kerrostalokiinteistölle ja kuvassa 4 vastaava ennuste kauppakiinteistölle. Näissä kuvissa on esitetty ainoastaan XGBoost-algoritmin tuottamat ennusteet (sininen viiva) sekä testidata (punainen viiva), sillä LSTM-mallin ennuste osoittautui liian epätarkaksi ja kohinaiseksi.
Kuvista 3 ja 4 käy ilmi, että XGBoost-malli kykenee tuottamaan varsin tarkkoja ennusteita myös pidemmällä aikavälillä. Tämä viittaa siihen, että vaikka yksittäisten asukkaiden kulutuskäyttäytyminen aiheuttaa vaihtelua, malli pystyy oppimaan kulutusprofiilin toistuvia piirteitä riittävällä tarkkuudella. XGboost-algoritmi ei kuitenkaan kykene huomioiman suuria poikkeavuuksia, kuten päiviä, jolloin kauppa on suljettuna. Esimerkiksi kuvasta 4 nähdään, että joulupäivänä 25.12. kaupan energiankulutus on ollut huomattavan pientä kaupan ollessa kiinni, mutta XGBoost on tehnyt ennusteen korkeammasta energiankulutuksesta tälle päivälle.
Tulokset: tuotantoennusteet
Kuvassa 5 on esitetty aurinkopaneelien energiantuotannon 24 tunnin ennuste. Punainen viiva kuvaa testidataa, sininen viiva XGBoost-algoritmin tuottamaa ennustetta ja oranssi viiva LSTM-algoritmin tuottamaa ennustetta. Kuvasta havaitaan, että XGBoost tuottaa tarkemman ja tasaisemman ennusteen, kun taas LSTM-mallissa esiintyy paljon epätarkkuutta.
Kuvassa 6 on esitetty XGBoost-algoritmin tuottama ennuste viikon ajalta. Malli kykenee tuottamaan myös pidemmällä aikavälillä tarkkoja ennusteita, mikä osoittaa sen soveltuvuuden uusiutuvan energiantuotannon, erityisesti aurinkovoiman, mallintamiseen. Aurinkopaneelien tuotanto on luonteeltaan säännöllistä ja seuraa auringon kulkua, mikä tekee tuotantoprofiilista ennustettavan ja helpottaa koneoppimismallien oppimista.
LSTM-algoritmi ei saavuta samaa tarkkuutta kuin XGBoost, ja sen tuottamat ennusteet sisältävät huomattavasti enemmän kohinaa. Kohinan määrää voitaisiin mahdollisesti vähentää parantamalla datan esikäsittelyä, esimerkiksi suodattamalla poikkeamat ja normalisoimalla syötedata ennen mallin koulutusta. Tämä voisi parantaa LSTM-mallin kykyä tunnistaa tuotannon ajallisia riippuvuuksia ja vähentää satunnaisvaihtelun vaikutusta ennusteisiin.
Ennusteista eteenpäin
Ennusteita voidaan parantaa lisäämällä algoritmeille energiankulutukseen ja tuotantoon liittyviä muuttujia. Ennustemalleihin voidaan lisätä tietoja jo tiedossa olevista poikkeamista, kuten pyhäpäivistä.
Ennusteita voidaan jatkossa käyttää hyödyksi energiavirtoja optimoidessa. Energiavirtoja voidaan optimoida koneoppimisen avulla, jossa koneoppijalle syötetään tiedot ennusteita sekä tulevasta sähkön markkinahinnasta. Tällöin mallit voivat tukea päätöksentekoa esimerkiksi energiavarastojen hallinnassa, kysyntäjouston toteuttamisessa tai kulutuksen ajoittamisessa edullisimmille ajankohdille. Ennustepohjainen optimointi mahdollistaa resurssien tehokkaamman käytön ja tukee siirtymää kohti älykkäämpää ja kestävämpää energiajärjestelmää.
Kirjoittaja:
Alma Pohjonen, projektiasiantuntija, Karelia-ammattikorkeakoulu
Lähteet:
Bae, D-J., Kwon, B-S., Song K-B. 2022. XGBoost Day-Ahead Load Forecasting Algorithm Considering Behind-the-Meter Solar PV Generation. Energies 2022, 15, 128. Saatavissa: https://doi.org/10.3390/en15010128.
Hurwitz, J., Kirsch & D. 2018. Machine Learning For Dummies, IBM Limited Edition. John Wiley & Sons, Inc. Hoboken. Saatavissa: https://www.ibm.com/downloads/cas/GB8ZMQZ3.
Thakur, A. & Konde, A. 2021. Fundamentals of Neural Networks. International Journal for Research in Applied Science and Engineering Technology 9(VIII):407-426. Saatavissa: https://doi.org/10.22214/ijraset.2021.37362.
Wen, L., Zhou K., Yang, S. & Lu, X. 2019. Optimal load dispatch of community microgrid with deep learning based solar power and load forecasting. Energy, Volume 171, 2019, Pages 1053–1065, ISSN 0360-5442. Saatavissa: https://doi.org/10.1016/j.energy.2019.01.075
