Örebrobostäder anväder AI-modell för ökad boendekomfort och effektiv värmeanvändningen
Transition: Byggnader -> Ventilation och värme (HVAC) -> Energieffektivisering

En molnbaserad mjukvarutjänst för avancerad AI-styrning av värmecentraler – ökar inomhuskomforten för hyresgäster och energieffektiviteten i fastighetsbeståndet. Lösningen är särskilt anpassad för fastighetsägare med en öppen digital infrastruktur och är anpassningsbar efter fastighetsägarens API.

               Nuläge

Med ett traditionellt system regleras uppvärmning av fastigheten baserat på utomhustemperatur – detta utan återkoppling från fastigheten och den faktiska inomhustemperaturen.

             Utmaning

Stora variationer i inomhustemperatur upplevs av hyresgäster som bristande komfort. Samtidigt tampas många fastighetsägare med övertemperaturer, höga energivärden i fastighetsbeståndet och utmanande driftsekonomi.

               Lösning

Lösningen integreras via API med det centrala fastighetssystemet. Med hjälp av befintliga temperatur- och fastighetsdata byggs en självlärande AI-modell för den individuella byggnaden upp. Fastighetsägaren sätter ett spann för önskad inomhustemperatur och algoritmen reglerar i realtid utgående temperatur hos undercentralen.

Kommun

Örebro

Område

Byggnader

Twin Transition

Minskar energianvändningen för uppvärmning av fastighetsbestånd genom prognosbaserad styrning baserad på kombinationen av fastighetsspecifika data med väderprognoser i en självlärande prediktiv modell.

Tema

Energieffektiva byggnader
Resurseffektiv fastighetsförvaltning
Hållbart energisystem

Teknisk lösning

Avancerad AI-styrning av värmesystem
Reglering av inomhustemperatur
Öppna API:er
Självlärande AI-modell
IoT och fastighetsdata
Web applikation för lärande

 

Automatisk reduktion
av värmeanvändning som uppstår direkt vid inkoppling ~ 8-18%.

Faktisk besparing i ton CO₂ per kvm Atemp (uppvärmd yta) beror av energikälla (fjärrvärme, el, bergvärme etc.).

Lösningens eget klimatavtryck varierar med typ och storlek på AI algoritmen, serverlösning och geografisk placering för träning och inferens.

 

 

Lägre direkta kostnader för inköpt energi för uppvärmning.

 

Reducering av effekttoppar

kan ytterligare sänka kostnader från nätägare. Ökad energieffektivitet ökar också värdet av fastighetsbeståndet.

 

 

Fristående mjukvara

utan krav på investeringar i specifika fastighetssystem eller sensorer.

Dock krävs investeringar i en central digital infrastruktur

(se nedan under spridningspotential).

 

Minskning av CO2

En direkt minskning av energianvändning för uppvärmning oberoende av energislag.

Lärande om värmesystemet bidrar till effektivare injustering och optimering av investeringar för energieffektivisering. 

Möjlighet till reducering av effekttoppar.

Klimat för pengarna

Klimatnyttan från denna lösning i relation till nödvändiga investeringar är svår att skilja från ÖBOs övergripande portfölj av insatser för energieffektivitet och investeringar i datadrivet och centrala digitala infrastruktur.

ÖBO har investerat 2 msek i digital infrastruktur och gör årliga besparingar kopplat till energieffektivitet om 120 msek.   

Spridningspotential

Förutsätter en viss digital mognad hos fastighetsägaren samt en central digital infrastruktur (fastighetssystem och datahantering), temperatursensorer (i minst 30% av lägenheterna) och möjlighet till överstyrning av undercentraler.

Implementeringsberättelse

Öbo kom att implementera denna lösning genom en process som initierades av ett behov av att optimera fjärrvärmeanvändningen utan att bli beroende av ett specifikt leverantörssystem och med en önskan om en modulär lösning.

Öbo hade som mål att minska energiförbrukningen i sitt befintliga fastighetsbestånd. Erfarenheter med proprietära system för individuell mätning och debitering hade gjort Öbo försiktiga med att binda sig till leverantörsspecifika lösningar. Därför sökte de en lösning för värmeoptimering som kunde integreras i deras befintliga, öppna infrastruktur.

ÖBO började 2017 arbeta tillsammans med forskare med sitt energi- och fastighetsdata och insåg potentialen för att förbättra fjärrvärmestyrningen.

År 2019 startades det första pilotprojektet hos ÖBO och 2022 inleddes pilotprojekt med både Öbo och Stena Fastigheter. Dessa pilotprojekt föll väl ut och forskningsprojektet började utvecklas till en kommersiell lösning. I mars 2023 kommersialiserades lösningen.

Lösningen, som bygger på modellbaserad prediktionsstyrning med hjälp av AI, passade väl in i Öbos strategi för modulära och utbytbara tekniska lösningar. Lösningen är utformad som en fristående applikation som interagerar med fastighetens befintliga styrsystem via API:er, vilket undviker djup integration i proprietära system. Detta var i linje med Öbos beslut från 2004 att bygga en öppen och flexibel automationsplattform.

Öbo har sedan 2019 då den första piloten inleddes gradvis implementerat lösningen i stor skala i sitt fastighetsbestånd, och lösningen används nu i 87% av fastighetsbeståndet. Öbo framhåller att lösningen är en viktig, men endast en del av flera moduler i deras övergripande system för fastighetsautomation. Implementeringen har bidragit till en jämnare inomhustemperatur och minskad energianvändning hos Öbo.

Resurser

  • Undercentral med möjlighet till överstyrning via DUC eller PLC
  • API för export och import av fastighetsdata
  • Sensorer för temperaturmätning i minst 30% av lägenheterna

Så kommer du igång

1 Säkerställ en standardiserad nomenklatur samt mätmetoder i fastighetsbeståndet. Installera temperaturmätare i minst 30% av lägenheterna. Kravställ på en lösning som är anpassningsbar till fastighetssystemets API för kommunikation mellan systemen.

2 Lösningen bygger på överstyrning av fastighetens undercentral. Inventera befintlig funktionalitet i fastighetsbeståndets styrsystem. Om funktionalitet för överstyrning saknas, utvärdera investering i nytt styrsystem.

3 Kartlägg vilka interna processer som påverkas av molnbaserad AI styrning. Hur påverkas den nuvarande organisationen? Kan någon process/funktion ersättas eller utvecklas? Finns det ett behov av bättre data governance?

Personas som har nytta av lösningen...

Facility Manager

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

Återstår att formulera tillsammans med ÖBO…

Fastighetsvärdar

Minskar klagomål om skiftande inomhustemperaturer från hyresgäster, vilket frigör arbetstid.

UTTC Kontakt

Anna Bondesson
Email: anna.bondesson@ri.se

Johan Sandberg
Email: johan.sandberg@gu.se

Rickard Dahlstrand
Email: rickard.dahlstrand@electricityinnovation.se