Year: 2026
Type: dissertation
Abstract: Suomalaiset sähkönkuluttajat pääsevät käsiksi kulutustietoihinsa lukuisten verkkopalveluiden kautta, mutta aikasarjadatan tulkitseminen ja sen pohjalta käytännön muutoksien tekeminen on monille kotitalouksille haastavaa. Tämä tutkielma pyrkii selvittämään, voidaanko suuria kielimalleja (LLM) konfiguroida kehotesuunnittelun ja etukäteen laskettujen tilastollisten tunnuslukujen avulla tuottamaan personoituja ja tarkkoja sähkönkulutusanalyysejä loppukäyttäjille. Työssä kehitettiin järjestelmä, joka prosessoi sähkönkulutusdataa moniresoluutioisiksi aggregoiduiksi piirteiksi ja syöttää ne kielimallille rakenteellisen kehotteen yhteydessä. Yhdeksän asiantuntijaa arvioi sokkona analyysejä oman kulutuksensa pohjalta, jotka oli tuotettu kolmella eri mallilla: OpenAI GPT-5.4, Anthropic Claude Opus 4.6 ja OpenAI GPT-4.0. Arvioinnissa käytettiin sujuvuutta (Fluency), läpinäkyvyyttä (Transparency), relevanssia (Relevance) ja tarkkuutta (Accuracy) metriikoina mittaamaan mallien suorituskykyä. Kaikki mallit tuottivat sujuvaa tekstiä, mutta Claude Opus 4.6 suoriutui merkittävästi muita paremmin relevanssin osalta, ja kahdeksan yhdeksästä osallistujasta piti sitä parhaana. Tulokset viittaavat siihen, että kielimallit ovat potentiaalinen työkalu sähkönkulutuksen analysointiin, mutta suorituskyky on malliriippuvaista ja yleisluontoisten suositusten vähentämiseksi tarvitaan enemmän profilointitietoa. Jatkotutkimuksessa tulisi laajentaa järjestelmän testaamista monipuolisempaan otokseen Suomen kotitalouksista, rikastaa syötteiden dataa profilointitiedoilla sekä selvittää automaattisia arviointimenetelmiä skaalautuvuuden parantamiseksi.
Author: Kääriäinen, Nico
Institution: University of Jyväskylä
Language: English
Topic: Smart Grid Energy Management
Subfield: Electrical and Electronic Engineering
Field: Engineering
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7199235643