Familjebostäder förbättrar energihantering i bostäder genom AI-analys för att minska utsläpp, kostnader och energispill
Transition: Byggnader -> Ventilation och värme (HVAC) -> Energieffektivisering

Göteborgs kommunala bostadsbolag, Familjebostäder, använder ett digitalt AI-baserat system för att analysera och optimera värme och varmvatten i över 500 byggnader. 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.

               Nuläge

Fastighetsägare hade visserligen tillgång till energidata, men saknade kraftfulla verktyg för att omsätta insikterna i praktisk handling. Informationen presenterades ofta i råa Excel-tabeller, utan möjlighet till jämförelse mellan byggnader eller samarbete mellan olika aktörer. Detta försvårade prioritering och strategisk planering.

             Utmaning

Familjebostäder saknade en gemensam plattform för att analysera, tolka och agera på byggnadsdata. Utan stöd för benchmarking eller delad insikt mellan fastigheter blev arbetet med energieffektivisering fragmenterat och reaktivt snarare än strategiskt och proaktivt.

               Lösning

Med hjälp av ett AI-baserat analysverktyg, integrerat med befintliga energimätare, samlas realtidsdata in och tolkas automatiskt. Systemet identifierar avvikelser, upptäcker värmeförluster och föreslår åtgärder baserat på faktisk besparingspotential. Prediktivt underhåll minimerar energislöseri och driftstörningar. Eftersom ingen ny hårdvara behövdes kunde lösningen snabbt skalas upp till över 500 byggnader – till låg installationskostnad.

Kommun

Göteborg

Område

Byggnader

Twin Transition

Genom att skapa insikter som möjliggör konkreta klimatåtgärder i befintlig fastighetsförvaltning

Tema

Smart energihantering
Hållbart fastighetsägande
AI i kommunal drift

Teknisk lösning

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


1 miljon kWh per år i besparing

vilket motsvarar circa

10 ton CO₂e per år

om det handlar om el (baserat på svensk elmix)

50 ton CO₂e per år

om det handlar om fjärrvärme

 

Besparing: Cirka 1,5 miljoner SEK per år

Minskade driftskostnader utan stora investeringar

Molnbaserad lösning med

låg uppstartskostnad

Ingen fysisk installation eller ny hårdvara

Största kostnader:

data­integration och utbildning

Minskning av CO2

Minskad energianvändning och spill tack vare bättre styrning av uppvärmning och varmvatten. Analysverktyget levererar insikter som möjliggör åtgärder med uppskattade utsläppsminskningar på 10 till 50 ton CO₂e per år,  beroende på byggnadstyp och energislag.

Klimat för pengarna

Ger snabba klimat- och kostnadsbesparingar utan att kräva investering i ny hårdvara.
Lägre driftkostnader genom optimerad effektanvändning och färre fel i system.
Låg tröskel att implementera – särskilt i befintlig förvaltning med tillgång till energidata.

Spridningspotential

Lösningen är skalbar och kan tillämpas i alla typer av fastighetsbestånd, men kräver tillgång till energidata och viss digital mognad i organisationen.
Särskilt relevant för städer med fjärrvärme och höga klimatambitioner.
Offentliga aktörer bör säkerställa tydliga processer för datadelning och IT-säkerhet vid upphandling.

Implementeringsberättelse

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.

Resurser

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.

Så kommer du igång

1 Tillgång till data från energimätare och fjärrvärmesystem i byggnaderna

2 Molnbaserad lösning kopplas till datakällorna, ingen fysisk installation krävs

3 Utbilda personal att använda visualiseringar och AI-insikter för att prioritera åtgärder

Personas som har nytta av lösningen...

Facility Manager

Jag vill ha realtidsdata för att identifiera ineffektiva områden, minska energiförbrukning och förebygga klagomål från hyresgäster. Detta system låter mig agera proaktivt och hålla nere kostnaderna.

Stadsplanerare

Jag vill förstå hur energiförbrukningen ser ut över hela staden. Med den här AI-lösningen kan jag få en överblick och prioritera rätt byggnader för energieffektiviseringsinsatser.

EV-ägare i ett bostadsområde

Jag vill följa upp klimatmålen. Med den här lösningen kan vi följa trender i energianvändning och minska CO₂-utsläpp i linje med stadens klimatstrategi.

UTTC Kontakt

Nexhi Deti
Email: nexhi.deti@internetstiftelsen.se

Rickard Dahlstrand
Email: rickard.dahlstrand@electricityinnovation.se