Transition: Byggnader -> Ventilation och värme (HVAC) -> Energieffektivisering
Kommun
Örebro
Omställningsområde
Byggnader
Sektor
Energieffektiva byggnader
Teknisk lösning
Avancerad AI-styrning av värmesystem
Reglering av inomhustemperatur
Öppna API:er
Självlärande AI-modell
IoT och fastighetsdata
Webbapplikation för lärande
Utgångspunkt
ÖBO hade som mål att minska energiförbrukningen i sitt befintliga fastighetsbestånd. ÖBO hade tidigare ett traditionellt styrsystem, där fastigheternas värmecentraler reglerades baserat på utomhustemperatur, utan återkoppling om resulterande inomhustemperatur.
Lösning
En modellbaserad prediktionsstyrning med hjälp av AI passade väl in i ÖBO:s strategi för modulära tekniska lösningar. Lösningen är en fristående applikation som interagerar med fastighetens befintliga styrsystem via API:er. Detta var i linje med ÖBO:s arbete som initierades redan 2004 med att bygga en öppen och flexibel automationsplattform. ÖBO har sedan 2019, då den första piloten inleddes, gradvis implementerat lösningen som nu används i 87% av fastighetsbeståndet. AI-baserad prediktionsstyrning är en viktig komponent men endast en av flera delar i deras övergripande system för fastighetsautomation.
Förutom AI-tjänsten inkluderar denna lösning även befintlig infrastruktur hos ÖBO i form av sensorer för mätning av inomhusklimat, ett centralt fastighetssystem och uppkopplade undercentraler för datahantering och styrning.
Erfarenheter från implementering
ÖBO hanterar sin fastighetsportfölj som 400 stycken oberoende undercentraler och uppgraderar dem löpande med ordinarie underhållsbudget i stället för att vänta på en stor engångsinvestering. Det industriella helhetsperspektivet som innebär att man optimerar alla moduler som ett sammanhängande system ger tre huvudvinster:
- Mindre leverantörsberoende – ÖBO äger API-gränssnitten och kan när som helst byta eller uppgradera hårdvara och molntjänster utan omprogrammering från externa konsulter.
- Egenutvecklade appar – den öppna plattformen gör det möjligt för intern personal att lägga till nya programvarumoduler (exempelvis feldetektering eller energirapporter) ovanpå AI-styrningen. Ökar rådigheten och minskar beroendet av leverantörer vilket bidrar till en känsla av kontroll och minskar rädslan att testa nya förmågor.
- Stegvis ombyggnad – varje undercentral moderniseras i takt med ordinarie underhållsschema, vilket sprider kostnaderna och undviker driftstopp.
En viktig insikt, särskilt när man överväger AI, är behovet av kontroll på sina mätdata. Högkvalitativa, kontrollerade data är nödvändig för att bygga tillförlitliga AI-modeller. Att samla in data från representativa system hjälpte till att skapa en helhetsbild. En generell lärdom är att varje lösning och upphandling måste bedömas efter hur mycket systemnytta den tillför hela portföljen, inte efter lokal funktion i en enskild byggnad. ÖBO höll fast vid det industriella helhetsperspektivet – att optimera fastigheterna som ett sammanhängande system. Ledningens tydliga stöd var avgörande för att driva igenom förändringen trots både rättsliga och organisatoriska invändningar. Befintlig LOU-lagstiftning har utmanats och ÖBO utvärderar nu enskilda anbud baserat på hur anbudet bidrar till helheten för ÖBO.
Resurser
För att komma igång krävdes:
- Datainsamling: Tillgång till temperaturdata från fastighetsbeståndet. Erfarenheten från ÖBOs implementation är att sensorer i minst 30% är nödvändigt för att uppnå tillräcklig mätkvalitet.
- Öppna API:er: Fastighetssystemet måste kunna exportera och importera data så att AI-tjänsten kan läsa av sensorerna och skicka tillbaka styrsignaler.
- Styrbara undercentraler: Undercentralerna (DUC/PLC) behöver gå att överstyra – annars kan inte AI-modellen justera framledningstemperaturen i realtid.
ÖBOs mångåriga arbete med mätdata, modulära lösningar och öppenhet innebar att dessa resurser fanns på plats eller kunde utvecklas över tid.
Klimat och ekonomisk nytta
CO2e reduceringspotential
- Automatisk optimering av energianvändning för uppvärmning – direkt vid inkoppling och oberoende av energislag.
- Webbverktyget hjälper driftpersonalen till effektiva åtgärder. Effekttoppar kan kapas.
- Den faktiska CO₂-besparingen beror av startläget (tidigare åtgärder, energital, övertemperaturer) och vilket energislag som används. Lösningens eget avtryck är litet jämfört med vinsten.
Klimat för pengarna
- Omkring 2 miljoner kr/år i investering i AI-tjänsten för prediktionsstyrning, ger lägre direkta kostnader för inköpt energi för uppvärmning samt betydande klimatnytta genom minskad energiåtgång. Potentiellt lägre effekttoppskostnader och nätavgifter.
- Värdeökning på beståndet då bättre energiklassning höjer fastigheternas marknadsvärde.
Spridningspotential
- Fristående mjukvara utan krav på investeringar i specifika fastighetssystem eller sensorer underlättar skalning.
- Förutsätter en viss digital mognad hos fastighetsägaren.
- Kräver en central digital infrastruktur (fastighetssystem och datahantering), temperatursensorer i minst 30% av lägenheterna och möjlighet till överstyrning av undercentraler.
Vilka har nytta av lösningen?
Fastighetsskötare – för injustering av byggnader, effektiv drift och snabb åtgärd vid problem
Jag behövde ett skalbart sätt att minska energikostnader i vårt befintliga fastighetsbestånd. Denna lösning möjliggör detta till en relativt låg investeringskostnad. Att den bygger på en öppen arkitektur innebär också att vi inte låser in oss mot en viss teknik eller leverantör utan bibehåller rådighet och teknisk anpassningsförmåga.
Energistrateg
Jag arbetar för en hållbar stad med intresse av minskad energiförbrukning och klimatpåverkan i fastigheter där kommuner har rådighet. Genom att använda denna lösning så har vi minskat energiförbrukningen i våra fastigheter dramatiskt och därmed fått ner klimatpåverkan.
Fastighetsvärdar
Lösningen minskar klagomål om skiftande inomhustemperaturer från hyresgäster, vilket frigör mer av min arbetstid.
Så kommer du igång
1
Säkerställa tillgång till energidata
- Utgångspunkten: Kartlägg värmesystemet. Hos ÖBO var detta ett traditionellt system där utgående värme regleras baserat på utomhustemperatur.
- Generera data: Inför gemensam nomenklatur och mätmetoder, och sätt temperaturgivare i ≥ 30 % av lägenheterna.
- Datakvalitet och struktur: Kontrollera att datan är komplett och konsekvent. Justera insamlingen vid behov.
- Dela data: Ställ krav på en lösning som är öppen och anpassningsbar till fastighetssystemets API för kommunikation mellan systemen.
2
Utvärdera befintlig digital infrastruktur
- Etablera central infrastruktur: Samla all mätdata och ta emot styrsignaler från molntjänsten i en plattform. Denna ska helst baseras på öppna och modulära gränssnitt för att minimera leverantörslåsning och göra det enklare att koppla på nya applikationer.
- Säkerställ central styrning: Värmesystemet måste kunna överstyras i undercentralen via DUC eller PLC. Prediktionsmodellen skickar nya börvärden (oftast en förskjutning av den lokala värmekurvan). Om befintlig DUC/PLC inte stöder detta kan den behöva bytas.
3
Koppla in AI-modellen och hämta effekt
Stegvis utrullning av tjänsten ger effekter i tre steg:
- Steg 1 – Automatiserad inkoppling
Mjukvaran samlar in data och bygger en matematisk modell för varje fastighet. Modellen justerar framledningstemperaturen var tionde minut för att uppnå önskad inomhustemperatur. Ger stabilare temperatur och ökad komfort – utan teknikerinsats. - Steg 2 – Dataanalys
När tekniker börjar arbeta med analyserna får de bättre insikt och kan optimera värmeprestandan ytterligare. - Steg 3 – Boendeacceptans och strategiska beslut
Då den hålls stabil kan inomhustemperaturen sänkas utan att komforten försämras. Detta kräver dialog med boende samt stöd från ledning och organisation – men ger ytterligare energibesparing.
UTTC Kontakt
Anna Bondesson
Email: anna.bondesson@ri.se
Johan Sandberg
Email: johan.sandberg@umu.se