Search

Litiumioniakkujen määrä energiajärjestelmässämme kasvaa jatkuvasti. Syitä tälle kehitykselle ovat muun muassa uusiutuvan sähköntuotannon lisääntyminen sekä liikenteen sähköistyminen, joilla pyritään vähentämään kasvihuonepäästöjä, ja sitä kautta hillitsemään ilmaston lämpenemistä. Akkukannan kasvaessa lisääntyy myös tarve akuissa käytettäville raaka-aineille. Ympäristövaikutuksen minimoimiseksi ja luonnonvarojen säästämiseksi tulee akkumarkkinoiden kehityksen noudattaa kiertotalouden periaatteita. Tässä diplomityössä tutkitaan energiayhtiön näkökulmasta, minkälaisia liiketoimintamahdollisuuksia litiumioniakkujen kiertotalous pitää sisällään. Erityisenä painopisteenä ovat sähköautojen ajovoima-akut, sillä niiden uskotaan tulevaisuudessa muodostavan merkittävän osan koko litiumioniakkukannasta. Työssä pyritään tunnistamaan energiayhtiölle houkuttelevimmat vaihtoehdot, ja arvioimaan niiden toteutettavuutta sekä taloudellisuutta. Lisäksi tutkitaan, mitä kyvykkyyksiä eri vaihtoehtojen tavoitteleminen vaatii energiayhtiöltä. Arvioinnissa on hyödynnetty kirjallisuustutkimuksen lisäksi asiantuntijoiden haastatteluja sekä taloudellisia laskelmia. Kirjallisuustutkimuksen perusteella on valikoitunut lähempään tarkasteluun kolme vaihtoehtoa, jotka ovat käytettyjen ajovoima-akkujen kunnostaminen takaisin ajoneuvokäyttöön, ajovoima-akkujen uusiokäyttö stationäärisessä energiavarastossa sekä ajovoima-akkujen kierrätys. Näitä vaihtoehtoja on analysoitu tarkemmin haastattelujen sekä taloudellisten laskelmien kautta. Työn tulokset osoittavat, että sähköautojen käytetyistä ajovoima-akuista on tulossa yhä kilpaillumpia resursseja. Sähköautojen valmistajat pyrkivät laajentamaan omaa liiketoimintaansa kattamaan myös akkujen ensisijaisen käytön jälkeisen elämän. Luonnollisin rooli energiayhtiölle on toimia akkujen uusiokäytön sektorilla. Tämä voi pitää sisällään esimerkiksi käytettyjen akkujen räätälöintiä kotitalous- tai teollisuuskäyttöön sopivaksi. Työssä selvisi myös, että käytettyjen, The amount of lithium-ion batteries in our energy system is constantly growing. Reasons for this are amongst others the increasing amount of renewable electricity generation as well as the electrification of the transport sector, which aim to reduce the amount greenhouse gas emissions and mitigate climate change. With the growing amount of lithium-ion batteries the need for raw materials is also growing. In order to minimize the environmental impact and protect natural resources, the development of the lithium-ion battery market needs to follow the principles of circular economy. This thesis examines the potential business opportunities that exist in the circular economy of lithium-ion batteries from the perspective of an energy company. Special focus is given to traction batteries of electrical vehicles, because it is believed that they will form a significant share of the total lithium-ion battery base in the future. The thesis aims to identify the most attractive business options and assesses their achievability and feasibility. Furthermore, the thesis assesses, which capabilities would be required from an energy company to pursue the different options. Methods used for the assessment include a literature review, interviews with experts as well as financial analysis. Based on the literature review, three options have been chosen for more accurate analysis: refurbishing spent traction batteries for further use in electrical vehicles, repurposing spent traction batteries for use in stationary energy storage and recycling spent traction batteries. These options have been analysed more closely through expert interviews and financial calculations. The results of this thesis point out that the competition around spent traction batteries from electric vehicles is becoming fiercer. Car manufacturers are expanding their own business to cover also the end--of-life market of the batteries they use. An energy company is best equipped to work in the reuse sector for traction

This paper focuses on causal structure estimation from time series data in which measurements are obtained at a coarser timescale than the causal timescale of the underlying system. Previous work has shown that such subsampling can lead to significant errors about the system’s causal structure if not properly taken into account. In this paper, we first consider the search for the system timescale causal structures that correspond to a given measurement timescale structure. We provide a constraint satisfaction procedure whose computational performance is several orders of magnitude better than previous approaches. We then consider finite-sample data as input, and propose the first constraint optimization approach for recovering the system timescale causal structure. This algorithm optimally recovers from possible conflicts due to statistical errors. More generally, these advances allow for a robust and non-parametric estimation of system timescale causal structures from subsampled time series data.

Learning an optimal chain graph from data is an important hard computational problem. We present a new approach to solve this problem for various objective functions without making any assumption on the probability distribution at hand. Our approach is based on encoding the learning problem declaratively using the answer set programming (ASP) paradigm. Empirical results show that our approach provides at least as accurate solutions as the best solutions provided by the existing algorithms, and overall provides better accuracy than any single previous algorithm.

The causal relationships determining the behaviour of a system under study are inherently directional: by manipulating a cause we can control its effect, but an effect cannot be used to control its cause. Understanding the network of causal relationships is necessary, for example, if we want to predict the behaviour in settings where the system is subject to different manipulations. However, we are rarely able to directly observe the causal processes in action; we only see the statistical associations they induce in the collected data. This thesis considers the discovery of the fundamental causal relationships from data in several different learning settings and under various modeling assumptions. Although the research is mostly theoretical, possible application areas include biology, medicine, economics and the social sciences. Latent confounders, unobserved common causes of two or more observed parts of a system, are especially troublesome when discovering causal relations. The statistical dependence relations induced by such latent confounders often cannot be distinguished from directed causal relationships. Possible presence of feedback, that induces a cyclic causal structure, provides another complicating factor. To achieve informative learning results in this challenging setting, some restricting assumptions need to be made. One option is to constrain the functional forms of the causal relationships to be smooth and simple. In particular, we explore how linearity of the causal relations can be effectively exploited. Another common assumption under study is causal faithfulness, with which we can deduce the lack of causal relations from the lack of statistical associations. Along with these assumptions, we use data from randomized experiments, in which the system under study is observed under different interventions and manipulations. In particular, we present a full theoretical foundation of learning linear cyclic models with latent variables using second order, Syy-seuraussuhteet, jotka viime kädessä määrittävät tutkittavan järjestelmän toiminnan, ovat suunnattuja: syyhyn puuttumalla voimme vaikuttaa seuraukseen, mutta seuraukseen puuttumalla ei voida vaikuttaa syyhyn. Syy-seuraussuhteiden verkon tunteminen on ensiarvoisen tärkeää, erityisesti jos haluamme todella ymmärtää miten järjestelmä toimii, esimerkiksi kun sitä manipuloidaan tai muutetaan. Useimmiten syy-seuraus mekanismien toimintaa ei voida suoraan nähdä, ainostaan mekanismien aikaansaamat tilastolliset riippuvuudet havaitaan. Tässä väitöskirjassa esitellään menetelmiä syy-seuraussuhteiden oppimiseen havaituista riippuvuuksista tilastollisessa datassa, erilaisissa ympäristöissä ja tilanteissa. Tutkimuksen lähtökohta on teoreettinen, mahdollisia sovelluskohteita voi löytyä mm. biologiasta, lääketieteestä, taloustieteestä ja yhteiskuntatieteestä. Erityinen hankaluus syy-seuraussuhteiden oppimisen kannalta ovat piilomuuttujat, jotka vastaavat tutkittavan järjestelmän mittaamattomia osia. Piilomuuttujat voivat saada aikaan tilastollisia riippuvuuksia, joita on vaikea erottaa syy-seuraussuhteiden aiheuttamista riippuvuuksista. Syy-seuraussuhdeverkot voivat myös pitää sisällään syklejä. Jotta seuraussuhteita voidaan oppia näissä tilanteissa, tarvitaan muita yksinkertaistavia oletuksia. Yksittäisten seuraussuhteiden kompleksisuutta voidaan rajoittaa esimerkiksi lineaariseksi. Myös niin kutsuttu uskollisuusoletus, jonka mukaan eri seuraussuhteet eivät täysin kumoa toistensa vaikutusta, on hyödyllinen. Jossain tapauksissa tutkittavasta järjestelmästä saadaan havaintoja siihen itse vaikuttaen, esimerkiksi satunnaistetuissa kokeissa. Väitöskirjassa esitellään useita oppimismenetelmiä, useissa eri oppimistilainteissa, eri oletusten vallitessa. Syy-seuraussuhteita opitaan käyttäen erilaisissa koetilanteissa havaittua dataa. Erityisesti tarkastellaan teoreettisesti mitä seuraussuhteita voidaan oppia missäkin tilanteessa ja mitä ei. Väitöskirjassa esitellään myös optimaalisia k

We present a very general approach to learning the structure of causal models based on d-separation constraints, obtained from any given set of overlapping passive observational or experimental data sets. The procedure allows for both directed cycles (feedback loops) and the presence of latent variables. Our approach is based on a logical representation of causal pathways, which permits the integration of quite general background knowledge, and inference is performed using a Boolean satisfiability (SAT) solver. The procedure is complete in that it exhausts the available information on whether any given edge can be determined to be present or absent, and returns "unknown" otherwise. Many existing constraint-based causal discovery algorithms can be seen as special cases, tailored to circumstances in which one or more restricting assumptions apply. Simulations illustrate the effect of these assumptions on discovery and how the present algorithm scales.

Much of scientific data is collected as randomized experiments intervening on some and observing other variables of interest. Quite often, a given phenomenon is investigated in several studies, and different sets of variables are involved in each study. In this article we consider the problem of integrating such knowledge, inferring as much as possible concerning the underlying causal structure with respect to the union of observed variables from such experimental or passive observational overlapping data sets. We do not assume acyclicity or joint causal sufficiency of the underlying data generating model, but we do restrict the causal relationships to be linear and use only second order statistics of the data. We derive conditions for full model identifiability in the most generic case, and provide novel techniques for incorporating an assumption of faithfulness to aid in inference. In each case we seek to establish what is and what is not determined by the data at hand.

Given a set of experiments in which varying subsets of observed variables are subject to intervention, we consider the problem of identifiability of causal models exhibiting latent confounding. While identifiability is trivial when each experiment intervenes on a large number of variables, the situation is more complicated when only one or a few variables are subject to intervention per experiment. For linear causal models with latent variables Hyttinen et al. (2010) gave precise conditions for when such data are sufficient to identify the full model. While their result cannot be extended to discrete-valued variables with arbitrary cause-effect relationships, we show that a similar result can be obtained for the class of causal models whose conditional probability distributions are restricted to a 'noisy-OR' parameterization. We further show that identification is preserved under an extension of the model that allows for negative influences, and present learning algorithms that we test for accuracy, scalability and robustness.

In this work, I cover the subject of using web application frameworks in small business web development. This work presents pros and cons that emerge while using and employing application frameworks, and lists criteria to use when deciding which frameworks to choose. Available application frameworks are compared using these criteria and observations from tests using two chosen frameworks are discussed. Using application frameworks may help achieving more efficient development process that produces software with fewer defects, but is not required. Employing new framework may, when done wrong, cause more damage than good. Proper education and guidance is necessary to avoid both incorrect use of framework and unnecessary work implementing things the framework already has implemented as components. Using more than one application framework simultaneously may be justified, especially if software projects greatly differ from each other. No framework is good for everything and using only one framework for everything may easily lead to situation where problem is being fitted in framework it doesn't fit well, instead of trying to find one that suits the problem better. Nevertheless constantly employing new frameworks leads to situation where expertise is divided between multiple technologies and personnel never advances from learning phase to productive work phase where efficiency is better than in the beginning., Tässä työssä tarkastellaan sovelluskehyksien käyttöä pienen yrityksen websovelluskehityksessä. Työssä esitellään hyötyjä ja haittoja, joita sovelluskehysten käyttämisessä ja käyttöönotossa ilmenee, sekä pyritään rajaamaan kriteerit, joiden pohjalta käytettävät sovelluskehykset tulisi valita. Saatavilla olevia sovelluskehyksiä esitellään näiden kriteerien pohjalta, ja lopulta kerrotaan havainnoista, joita tehtiin kahden valitun kehyksen testauksessa käytännössä. Sovelluskehyksien käyttö voi helpottaa tehokkaamman ja vähemmän virheitä tuottavan sovelluskehitysprosessin saavuttamisessa, mutta ei ole välttämätön edellytys sille. Uusien kehysten käyttöönotto voi huonosti toteutettuna prosessina aiheuttaa enemmän haittaa kuin hyötyä. Sovelluskehittäjien koulutukseen ja ohjaukseen alkuvaiheen käytössä on syytä panostaa, jotta vältetään sekä mahdollisuus virheelliseen käyttötapaan että sellaisten asioiden toteuttaminen itse, jotka kyseinen sovelluskehys tarjoaa jo valmiina. Useamman kuin yhden sovelluskehyksen käyttö voi olla perusteltua, varsinkin jos kehitettävät sovellukset poikkeavat paljon toisistaan. Kaikki sovelluskehykset eivät sovi kaikkeen, ja yhden sovelluskehyksen käyttäminen kaikkiin sovelluksiin asiaa se enempää miettimättä, johtaa helposti tilanteeseen, jossa ongelmaa yritetään väkisin sovittaa sovelluskehykseen, johon se sopii huonosti sen sijaan, että pyrittäisiin löytämään paremmin soveltuvat sovelluskehys. Kuitenkin jos pieni yritys ottaa jatkuvasti käyttöön uusia kehyksiä, henkilöstön asiantuntemus hajaantuu useiden tekniikoiden välille, eikä alun opetteluvaiheesta päästä missään vaiheessa alkutilannetta parempaan tuottavuuteen.