Göteborgs kommunala bostadsbolag, Familjebostäder, använder ett digitalt AI-baserat system för att analysera och optimera värme och varmvatten i över 19000 lägenheter ( 500 bostadsbyggnader). Genom att samla in realtidsdata och använda prediktiv analys genererar systemet insikter som hjälper fastighetsägaren att prioritera energieffektiviserande åtgärder där de gör störst nytta. Det leder till minskad energianvändning, lägre kostnader och förbättrad inomhuskomfort – utan att ny hårdvara behöver installeras. Lösningen minskar klimatpåverkan och skapar samtidigt ett datadrivet beslutsunderlag för framtida underhåll och investeringar.
Över 1,5 miljoner kronor har sparats genom att identifiera och åtgärda energislöseri och fel i fastigheter – med enkla och kostnadseffektiva insatser.
Det motsvarar en årlig energibesparing på 1 miljon kWh.
Beroende på energislag innebär detta en klimatbesparing på:
10 ton CO₂e per år (vid elförbrukning enligt svensk elmix)
50 ton CO₂e per år (vid fjärrvärme)
Göteborg
Byggnader
Smart energihantering
Hållbart fastighetsägande
AI användning i fastigheter
Molnbaserat AI-system för energianalys
Integration med existerande mätare och fjärrvärmedata
Automatisk identifiering av ineffektiva byggnader
Prediktivt underhåll
Användarvänlig dashboard – inga nya hårdvarukrav
Realtidsvisualisering och rapportering
Familjebostäder i Göteborg, liksom många andra fastighetsägare, hade tillgång till energidata från sina fastigheter – men i olika format och utan ett effektivt sätt att använda informationen. Utan en gemensam plattform för att analys och tolka och agera upplevde de att arbetet med energieffektivisering riskerade att bli reaktivt och osystematiskt, snarare än strategiskt och proaktivt.
Med hjälp av ett AI-baserat analysverktyg, integrerat med energibolagets Mina Sidor, samlas förbrukningsdata in och tolkas automatiskt.Systemet identifierar både styrkor och förbättringsmöjligheter, baserat på skillnaden mellan faktisk förbrukning och benchmark. Prediktivt underhåll minskar både energislöseri och driftstörningar. Eftersom ingen hårdvara krävdes kunde lösningen snabbt skalas upp till över 500 byggnader – till en låg totalkostnad.
Vi behövde ett bättre sätt att prioritera energieffektiviseringsåtgärder i vårt fastighetsbestånd. Att en byggnad hade hög energiförbrukning betydde inte alltid att det fanns en faktisk besparingspotential, vilket gjorde att resurser riskerade att användas fel. Vi sökte ett verktyg som kunde hjälpa oss att identifiera vilka byggnader som verkligen hade avvikande beteenden jämfört med liknande fastigheter. Det var viktigt att lösningen kunde kopplas till våra befintliga energidata och att vi inte behövde installera ny hårdvara.
Vi började i liten skala, där en av våra ingenjörer testade systemet. Resultaten kom snabbt, vi kunde identifiera fel och avvikelser som ledde till energibesparingar på över en miljon kilowattimmar per år. Det stärkte vår tilltro till arbetssättet. Att komma igång var enkelt, kostnaden var låg och insikterna var konkreta. Det gav oss ett helt nytt underlag för att fatta smartare beslut, både i drift, underhåll och framtida investeringar.
För att komma igång krävdes främst tillgång till energidata från befintliga system. Viss manuell hantering av data behövdes i startskedet, men inga nya tekniska plattformar eller hårdvaruinvesteringar. Arbetet drevs initialt av en engagerad medarbetare, utan krav på större organisatoriska förändringar.
Med realtidsdata kan jag identifiera avvikelser direkt, minska energiförbrukningen och agera proaktivt innan hyresgäster börjar klaga – samtidigt som vi sparar pengar.
Den här lösningen hjälper oss att identifiera vilka byggnader som har störst förbättringspotential. Det gör det lättare att prioritera insatser och följa upp klimatmålen.
Vi fick ett datadrivet beslutsunderlag utan att behöva installera ny hårdvara. Det hjälpte oss spara energi och fatta bättre beslut för framtida investeringar
Vi uppskattar att lösningen bygger på befintliga dataströmmar och kan kopplas till våra nuvarande system utan ny hårdvara. Det gör det enklare att hantera IT-säkerhet och skalbarhet.
1 Säkerställa tillgång till energidata från byggnadernas tekniska system
Kartläggning av datakällor: Identifiera samtliga relevanta system – t.ex. inomhustemperatur (t.ex. EcoGuard Curves), energiförbrukning från el och fjärrvärme (t.ex. Göteborg Energi), samt andra datatyper som energideklarationer (Boverket) och kundnöjdhet (AktivBo).
Tillgängliggörande av data: I de fall automatiska API-integrationer inte finns, begär ut datafiler från systemleverantörer. Dessa data kan enkelt läsas in i den valda analysplattformen.
Datakvalitet och struktur: Säkerställ att data är komplett, konsekvent och korrekt, annars krävs initial handpåläggning för att rensa, formatera och kvalitetssäkra.
2 Etablera molnbaserad lösning för dataintegration och analys utan fysisk installation
3 Utbilda personal i att använda AI och visualiseringar
Nexhi Deti
Email: nexhi.deti@internetstiftelsen.se
Rickard Dahlstrand
Email: rickard.dahlstrand@electricityinnovation.se