Tehtaan energiankulutuksen ennustaminen hyödyntäen koneoppimista
Hulkkonen, Jarkko (2026)
Diplomityö
2026
School of Energy Systems, Energiatekniikka
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2026052452560
https://urn.fi/URN:NBN:fi-fe2026052452560
Tiivistelmä
Tässä diplomityössä tutkittiin Valion UHT-tehtaan sähkö- ja lämmönkulutuksen ennustettavuutta hyödyntäen energiankulutuksen historiadataa, tuotantotietoja ja ulkolämpötilaa. Työn tavoitteena oli kehittää systemaattinen ja toistettava menetelmä energiankulutuksen ennustamiseen sekä arvioida perinteisiä tilastollisia menetelmiä ja koneoppimismallien soveltuvuutta teolliseen käyttöön. Lisäksi tavoitteena oli selvittää, mitkä tekijät vaikuttavat energiankulutukseen merkittävimmin ja millä tarkkuudella voidaan ennustaa viikko- ja tuntitasolla.
Tutkimusaineistona käytettiin vuosien 2020–2024 energiankulutus- ja tuotantodataa. Mallinnuksessa perinteinen lineaarinen regressio toimi vertailumallina CART- ja Random Forest koneoppimismalleille. Mallien suorituskykyä arvioitiin yhtenäisillä mittareilla, kuten selitysasteella (R²), neliöllisellä keskivirheellä (RMSE) ja suhteellisella virheellä (MAPE). Lisäksi tarkasteltiin mallien tulkittavuutta ja yleistettävyyttä.
Tulosten perusteella valmistusmäärä on merkittävin yksittäinen selittävä tekijä sekä lämmön- että sähkönkulutuksen osalta. Ulkolämpötila paransi ennustetarkkuutta erityisesti sähkönkulutuksen osalta. Viikkotason interaktiomalli saavutti hyvän selitysasteen lämmön ja sähkönkulutuksessa. Koneoppimismallit kykenivät mallintamaan epälineaarisia riippuvuuksia, mutta niiden tuoma parannus ennustustarkkuuteen oli vähäinen.
Tulokset osoittavat, että kehitettyä mallinnusmenetelmää voidaan hyödyntää energianhankinnan optimoinnissa, kulutuspoikkeamien tunnistamisessa sekä energianhallinnan kehittämisessä. In this thesis, the predictability of electricity and heat consumption at Valio's UHT plant was analyzed using historical energy consumption data, production data and outdoor temperature. The aim of the thesis was to develop a systematic and repeatable method for predicting energy consumption and to evaluate traditional statistical methods and the applicability of machine learning models in an industrial context. In addition, the objective was to identify the most significant factors affecting energy consumption and with what accuracy it is possible to predict on weekly and hourly levels.
Energy consumption and production data from 2020–2024 were used as the research material. In the modeling, traditional linear regression served as a reference model for the CART and Random Forest machine learning models. The performance of the models was evaluated using uniform metrics such as the coefficient of determination (R²), the root mean square error (RMSE), and the relative error (MAPE). In addition, the interpretability and generalizability of the models were also examined.
The results indicate that the production volume is the single most significant explanatory factor in terms of both heat and electricity consumption. The outdoor temperature improved the forecast accuracy, especially in terms of electricity consumption. The weekly interaction model achieved a coefficient of determination and low relative error in both heat and electricity consumption. Machine learning models were able to model nonlinear dependencies, but the improvement in forecasting accuracy was limited.
The findings demonstrate that the developed modelling method can be used to optimize energy procurement, identify consumption deviations and support development of industrial energy management.
Tutkimusaineistona käytettiin vuosien 2020–2024 energiankulutus- ja tuotantodataa. Mallinnuksessa perinteinen lineaarinen regressio toimi vertailumallina CART- ja Random Forest koneoppimismalleille. Mallien suorituskykyä arvioitiin yhtenäisillä mittareilla, kuten selitysasteella (R²), neliöllisellä keskivirheellä (RMSE) ja suhteellisella virheellä (MAPE). Lisäksi tarkasteltiin mallien tulkittavuutta ja yleistettävyyttä.
Tulosten perusteella valmistusmäärä on merkittävin yksittäinen selittävä tekijä sekä lämmön- että sähkönkulutuksen osalta. Ulkolämpötila paransi ennustetarkkuutta erityisesti sähkönkulutuksen osalta. Viikkotason interaktiomalli saavutti hyvän selitysasteen lämmön ja sähkönkulutuksessa. Koneoppimismallit kykenivät mallintamaan epälineaarisia riippuvuuksia, mutta niiden tuoma parannus ennustustarkkuuteen oli vähäinen.
Tulokset osoittavat, että kehitettyä mallinnusmenetelmää voidaan hyödyntää energianhankinnan optimoinnissa, kulutuspoikkeamien tunnistamisessa sekä energianhallinnan kehittämisessä.
Energy consumption and production data from 2020–2024 were used as the research material. In the modeling, traditional linear regression served as a reference model for the CART and Random Forest machine learning models. The performance of the models was evaluated using uniform metrics such as the coefficient of determination (R²), the root mean square error (RMSE), and the relative error (MAPE). In addition, the interpretability and generalizability of the models were also examined.
The results indicate that the production volume is the single most significant explanatory factor in terms of both heat and electricity consumption. The outdoor temperature improved the forecast accuracy, especially in terms of electricity consumption. The weekly interaction model achieved a coefficient of determination and low relative error in both heat and electricity consumption. Machine learning models were able to model nonlinear dependencies, but the improvement in forecasting accuracy was limited.
The findings demonstrate that the developed modelling method can be used to optimize energy procurement, identify consumption deviations and support development of industrial energy management.