Artificial intelligence technology acceptance framework for energy systems analysis

Abstract

This article-based PhD dissertation contributes to the state-of-the-art knowledge development of applications of Artificial Intelligence (AI) in Energy Systems, with a focus on the phenomenon of social acceptance. It proposes an AI technology acceptance framework for energy system analysis. This is intended to complement the conventional energy technology acceptance framework so as to advance the science of prediction in social acceptance studies. In practice, this framework can be applied to social data on energy projects and innovation to develop AI-driven decision-making algorithms. These algorithms can augment human experts’ capability to gain insight into the social context in which an energy project will be implemented, or is ongoing. In the decision-making process, it can help human experts to make accurate predictions of the future to design intervention strategies to guide decision-making.

The proposed AI framework was designed using the combination of mathematics of fuzzy logic and deep neural network (DNN), incorporated with a Likert scaling strategy. The novelty of the proposed method is that its application is not limited by the big-data requirement in mainstream DNN methods. The practical feasibility of the proposed method was tested and validated in the context of CO2 Capture and Storage (CCS) as a case study using emotional response to a hypothetical CO2 storage. To obtain data for the simulation experiment, a small sample of 198 datasets was collected from volunteers from more than 15 countries, both developed and developing. The framework helped to mathematically manipulate the 60% of the small raw data to augmented data of about 72,000 datasets, to train an emotion detection algorithm on a hypothetical CO2 storage project.

When the simulation experiment was run on about 40% of the raw data, the algorithm demonstrated an average performance of approximately 90% predictive accuracy. Out of the 84 test samples (unseen cases) used to challenged the algorithm, it predicted 76 feelings correctly when the stakeholders took a definite position on how they felt. The performance was measured when the algorithm’s predictions were compared to the selfreported emotional states of the volunteers, which, as test data, were not exposed to the algorithm in any form, so as to enhance objective evaluation.

The results of the simulation experiment were used in this dissertation to address some research gaps in acceptance studies through a series of four articles. This was done to show the practical and theoretical implication of the proposed AI framework. Two of the articles were published in ‘basic’ journals, and two were published in a ‘leading’ journal and a ‘top’ journal, according to the standard of the Finnish Publication Forum (JUFO). An overview of these publications is presented in this dissertation.

Tämä artikkeliväitöskirja edistää uusimman tietämyksen kehittämistä energiajärjestelmiin liittyvissä tekoälyn (AI) sovelluksissa, keskittyen sosiaalisen hyväksynnän ilmiöön. Väitös tarjoaa tekoälyteknologian hyväksymiskehystä energiajärjestelmän analysointiin. Tämän on tarkoitus täydentää tavanomaista energiateknologian hyväksymiskehystä ennustettavuuden edistämiseksi sosiaalisen hyväksynnän tutkimuksissa. Käytännössä tätä viitekehystä voidaan hyödyntää sosiaalisiin tietoihin energiaprojekteissa ja innovaatioissa tekoälypohjaisten päätöksentekoalgoritmien kehittämiseksi. Nämä algoritmit voivat parantaa asiantuntijoiden kykyä saada käsitys sosiaalisesta kontekstista, jossa energiaprojekti toteutetaan tai on meneillään. Päätöksentekoprosessissa se voi auttaa asiantuntijoita tekemään tarkkoja ennusteita tulevaisuudesta ja suunnittelemaan interventiostrategioita päätöksenteon ohjaamiseksi.

Ehdotettu tekoälykehys suunniteltiin käyttämällä sumean logiikan, syvän neuroverkon (DNN) ja Likert- skaalan matemaattista yhdistelmää. Ehdotetun menetelmän uutuus on se, että sen soveltamista ei rajoita valtavirran DNN-menetelmien suurdatan vaatimus. Ehdotetun menetelmän käytännön toteutettavuus testattiin ja validoitiin CO2 Capture and Storage (CCS) -menetelmän yhteydessä tapaustutkimuksena, jossa käytettiin vastaajien tunnereaktioita liittyen hypoteettiseen hiilidioksidin varastointiin. Tietojen saamiseksi simulaatiokokeilua varten kerättiin 198 tietojoukon näyte vapaaehtosilta vastaajilta yli 15:stä sekä kehittyneestä että kehitysmaasta. Kehys auttoi manipuloimaan matemaattisesti 60 % saduista 198:sta raakatiedosta ja saimme noin 72 000 tietojoukon, jotta tunteiden havaitsemisalgoritmi pystyttiin kouluttamaan tunnistamaan tunteita hypoteettisessa hiilidioksidin varastointiprojektissa.

Kun simulaatiokoe suoritettiin jäljellä olevilla noin 40 %:lla raakatiedoista (raw data), algoritmi osoitti keskimäärin noin 90 %:n ennustustarkkuuden. Algoritmin haastamiseen käytetyistä 84 testinäytteestä (näkemättömästä tapauksesta), algoritmi ennusti 76 tunnetta oikein, kun sidosryhmillä oli selkeä mielipide tunteistaan. Suorituskykyä mitattiin, kun algoritmin ennusteita verrattiin vapaaehtoisten itsensä ilmoittamiin tunnetiloihin, jotka eivät olleet testitietona alttiina algoritmille missään muodossa, objektiivisen arvioinnin tehostamiseksi.

Simulaatiokokeen tuloksia käytettiin tässä väitöskirjassa neljän artikkelin sarjassa, joissa kohdistettiin huomio hyväksymistutkimuksen tutkimusaukkoihin. Tarkoituksena oli esittää ehdotetun tekoälykehyksen käytännön- ja teoreettiset vaikutukset. Artikkeleista kaksi julkaistiin Julkaisufoorumin, JUFO:n (suomalainen tieteellisten julkaisukanavien julkaisujärjestelmä) standardin mukaisissa perustason julkaisuissa, kaksi JUFO:n standardin mukaisessa johtavan tason julkaisussa ja korkeimman tason julkaisussa. Yleiskatsaus näistä julkaisuista on esitetty tässä väitöskirjassa.