Pienten asuinrakennusten energialuokan mallintaminen markkinapaikkadatan avulla
Pekonen, Ilmari (2023)
Katso/ Avaa
Sisältö avataan julkiseksi: 29.05.2025
Diplomityö
Pekonen, Ilmari
2023
School of Engineering Science, Tuotantotalous
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2023052949117
https://urn.fi/URN:NBN:fi-fe2023052949117
Tiivistelmä
Euroopan Unionin ilmastonmuutosta hillitsevät toimet aiheuttavat toimenpiteitä finanssilaitosten myöntämien lainojen vakuudenhallinnassa. Jo osittain voimaantullut EU-taksonomia edellyttää finanssilaitoksia raportoimaan oman vakuuskantansa taksonomiakelpoisuuden eli osuuden siitä, miten suuri osa vakuuskannassa olevista rakennuksista kuuluu alueelliseen 15 prosentin parhaimmistoon tai omaa energialuokan A. Virallisesti määritettyjen energialuokkien vähäisen lukumäärän vuoksi finanssilaitosten täytyy määritellä puuttuvia energialuokkia jotenkin. Kohdeyrityksen asiakkaina on paljon finanssilaitoksia ja sen vuoksi on tavoitteena tutkia ja kehittää malli, jonka avulla energialuokkaa voidaan mallintaa. Työn tavoitteena on tutkia, miten rakennusten energialuokkaa voidaan ennustaa markkinapaikkadatan avulla. Keskeisenä tutkimusalueena on olemassa olevien ratkaisujen tutkiminen sekä niiden soveltaminen uuteen ongelmaan.
Työ toteutetaan konstruktiivisena tutkimuksena, jonka tuloksena luodaan malli pienten asuinrakennuksen energialuokan mallintamiseen. Työ koostuu kahdesta osuudesta, jossa ensimmäisessä tutkitaan olemassa olevia tutkimuksia energiatehokkuuden ja -luokan ennustamisesta. Olemassa olevat tutkimukset luovat pohjan työn toisessa osassa tehtävään mallinnukseen. Tutkimuksessa käytettävä markkinapaikkadata käsitellään sellaiseksi, että sitä voi käyttää hyväksi koneoppimisalgoritmin kouluttamiseen ja siten mallin luomiseen. Mallin luomisen jälkeen sen tuloksia ja toimivuutta analysoidaan ja käydään läpi parannusehdotuksia, joilla mallinnusta voisi parantaa.
Työn tuloksista havaitaan, että rakennusten energialuokkaa voidaan ennustaa markkinapaikkadatan avulla. Energialuokan ennustaminen ei ole vielä kuitenkaan mahdollista niin tarkalla tasolla, että sitä voisi luotettavasti käyttää jokaisen rakennuksen energialuokan ennustamiseen. Pääasiallisina haasteina huomataan koulutusdatan pieni määrä, energialuokkien epätasainen jakauma ja koulutusprosessin vaatima suuri laskentateho. Suuremmalla datamäärällä ja pilvilaskennan avulla mallin suorituskykyä olisi mahdollista tehostaa merkittävästi. Tämä vaatii lisäksi kuitenkin myös enemmän substanssiosaamista rakennuksen energiatehokkuuteen ja -luokkaan liittyen. Measures to mitigate climate change in the European Union will result in measures to manage collateral for loans granted by financial institutions. EU taxonomy, which has already partially become effective, requires financial institutions to report on the taxonomability of their own portfolio of collateral, i.e., the proportion of buildings in the margin portfolio that belong to the regional top of 15% or have energy class A. Due to the low number of official energy categories, financial institutions must define the missing energy classes in some way. The target company has many financial institutions as customers and therefore aims to explore and develop a model for modelling the energy class. The aim of the work is to study how the energy class of buildings can be predicted using marketplace data. A key research area is the study of existing solutions and their application to the new problem.
The work is carried out as a constructive study, the result of which is the creation of a model for modeling the energy efficiency class of small residential buildings. The work consists of two parts, the first of which examines existing studies on predicting energy efficiency. Existing studies provide the basis for modeling in the second part of the work. The marketplace data used in the study shall be treated so that it can be used to train the machine learning algorithm and thus to create a model. After the design has been created, its results and functionality are analyzed and proposals for improvements are reviewed to improve modelling.
The results of the work show that the energy class of buildings can be predicted using marketplace data. However, it is not yet possible to predict the energy class at such a precise level that it can be used reliably to predict each energy class. The main challenges are the low number of training data, the uneven distribution of energy classes and the high computing efficiency required by the training process. With a higher amount of data and cloud computing, it would be possible to significantly improve the performance of the model. However, this also requires more substance competence in the energy efficiency of the building.
Työ toteutetaan konstruktiivisena tutkimuksena, jonka tuloksena luodaan malli pienten asuinrakennuksen energialuokan mallintamiseen. Työ koostuu kahdesta osuudesta, jossa ensimmäisessä tutkitaan olemassa olevia tutkimuksia energiatehokkuuden ja -luokan ennustamisesta. Olemassa olevat tutkimukset luovat pohjan työn toisessa osassa tehtävään mallinnukseen. Tutkimuksessa käytettävä markkinapaikkadata käsitellään sellaiseksi, että sitä voi käyttää hyväksi koneoppimisalgoritmin kouluttamiseen ja siten mallin luomiseen. Mallin luomisen jälkeen sen tuloksia ja toimivuutta analysoidaan ja käydään läpi parannusehdotuksia, joilla mallinnusta voisi parantaa.
Työn tuloksista havaitaan, että rakennusten energialuokkaa voidaan ennustaa markkinapaikkadatan avulla. Energialuokan ennustaminen ei ole vielä kuitenkaan mahdollista niin tarkalla tasolla, että sitä voisi luotettavasti käyttää jokaisen rakennuksen energialuokan ennustamiseen. Pääasiallisina haasteina huomataan koulutusdatan pieni määrä, energialuokkien epätasainen jakauma ja koulutusprosessin vaatima suuri laskentateho. Suuremmalla datamäärällä ja pilvilaskennan avulla mallin suorituskykyä olisi mahdollista tehostaa merkittävästi. Tämä vaatii lisäksi kuitenkin myös enemmän substanssiosaamista rakennuksen energiatehokkuuteen ja -luokkaan liittyen.
The work is carried out as a constructive study, the result of which is the creation of a model for modeling the energy efficiency class of small residential buildings. The work consists of two parts, the first of which examines existing studies on predicting energy efficiency. Existing studies provide the basis for modeling in the second part of the work. The marketplace data used in the study shall be treated so that it can be used to train the machine learning algorithm and thus to create a model. After the design has been created, its results and functionality are analyzed and proposals for improvements are reviewed to improve modelling.
The results of the work show that the energy class of buildings can be predicted using marketplace data. However, it is not yet possible to predict the energy class at such a precise level that it can be used reliably to predict each energy class. The main challenges are the low number of training data, the uneven distribution of energy classes and the high computing efficiency required by the training process. With a higher amount of data and cloud computing, it would be possible to significantly improve the performance of the model. However, this also requires more substance competence in the energy efficiency of the building.