Göran Danling från Riksbyggen t.h. visar en intresserad kund den nya tjänsten.
Intresset för att automatisera repetitiva och monotona arbetsuppgifter växer ständigt. Riksbyggen automatiserar nu sin energioptimering med hjälp av algoritmer, Machine Learning och väderprognoser. AI sparar både pengar och klimat.
Den stora skillnaden mellan en manuell energioptimering och en som görs med hjälp av algoritmer och Machine Learning är att en analys av cirka 83 000 loggade mätvärden används för att optimera – en gång i timmen, dygnet runt, året om.
– Det finns ingen energiingenjör i världen som kan analysera och optimera utifrån den mängden data, men det kan vår tjänst Värmeoptimering 24/7 göra med hjälp av AI-verktyget, säger Göran Danling, affärsutvecklare och processansvarig för energitjänster på Riksbyggen.
Försöken med en automatiserad energioptimering startade i mars 2020. Riksbyggen genomförde då ett pilotprojekt med syftet att göra tjänsten lättillgänglig och kostnadseffektiv för flerfamiljshus.
Styr efter väderprognos
I projektet såg de bland annat att AI-styrd energioptimering ger en möjlighet att jobba proaktivt och automatiskt.
– Vet vi till exempel att solen ska skina hela dagen och att det är en måttlig blåst styr vi energitillförsel utifrån väderdata från SMHI- och håller den avtalade mediantemperaturen i lägenheterna. AI vet vad den temperaturen ska ligga på och sätter gränser utifrån det. Visar datan till exempel att det kommer sol om 30 minuter utifrån väderprognoser, då väntar vi med att tillföra värme, säger Göran Danling.
Tränad algoritm
För att uppnå det här skapades en algoritm som ”tränades” i några veckor för att förstå fastighetens tröghet, alltså hur snabbt den värms upp och kyls ned vilket varierar mellan olika byggnader.
Numera har man en metod för att fastigheters värmesystem ska kunna förutse inomhustemperaturen baserat på data som samlas in från väderprognoser, vindhastighet, solinstrålning, byggnadens ”tröghet” och energitillförsel.
– Det här är något som både minskar energiförbrukningen och ger en jämn inomhustemperatur, säger Göran Danling.
Testning och justering som arbetsmodell
Trots att det är en ganska avancerad process med många parametrar som ska finjusteras och fungera ihop har arbetet med att ta fram en modell för detta varit relativt problemfritt. Något som Göran Danling säger beror på att de körde igång pilottester och justerade allt efter som.
Ur ett energiperspektiv har detta inneburit minskad energiåtgång. En fastighet som var med i pilotprojektet gjordes en besparing på cirka 30 000 kWh på sju månader. Rent generellt räknar Riksbyggen med att AI kan sänka energiförbrukningen för värme i en fastighet med upp till 20 procent.
– Det har varit väldigt spännande och vi gör en sådan nytta genom att kunna erbjuda tjänster som både gynnar våra kunders ekonomi och miljön. Nu kan vi accelerera eftersom vi har 30 energiingenjörer med den här kunskapen som kan samverka för våra kunders bästa. Vi har bara börjat, säger Göran Danling.
Råd till andra förvaltare som vill energioptimera med AI
- Skaffa IT-kompetens för att bli en bra beställare. ”Hos oss var vår energiingenjör Jonas Holmbergs IT-kunskaper en bidragande orsak till att det blev så bra. Han och AI-programmeraren blev ett ”dream team” som förstod varandra”, säger Göran Danling.
- Ta fram standarder för hur man digitaliserar sin fastighet. Det lönar sig att jobba med öppna standarder utan att låsa fast sig vid en leverantör, så kan man utveckla själv.
- Genom att sätta upp systemet och sedan testköra får man väldigt snabb bekräftelse på att det funkar.
Text: Mari-Louise Paulson
redaktionen@forvaltarforum.se
