Tillsammans med Akademiska Hus skapar Tietoevry en AI-lösning för att effektivisera energianvändningen, vilket ger såväl ekonomiska som miljömässiga besparingar.
Vårt team har byggt en AI som övervakar och gör prognoser av förbrukningen för flera energityper hos Akademiska Hus, där de mest intressanta är fjärrvärme och el. För att skapa tillförlitliga prognoser är AI:n är tränad på långa tidsserier av timupplösta, högkvalitativa data för drygt tusen byggnader, motsvarande närmare 4 miljoner kvadratmeter över hela landet.
Övervakning av energiförbrukning av AI - besparingar både ekonomiskt och klimatmässigt
Besparingarna kommer från två håll. Den första bygger på att AI:n övervakar och upptäcker om den faktiska förbrukningen för en byggnad de senaste timmarna överstiger den av AI:n uppskattade förbrukningen. Detta indikerar att det troligen föreligger ett fel i värmesystemen som leder till för hög förbrukning. Denna byggnad flaggas då och hamnar på en varningslista och visas i en dashboard för driftorganisationen, så att utredning kan inledas och avhjälpande åtgärder kan vidtas. Skillnaden mot mer traditionell uppföljning av energiförbrukning är att denna brukar ske månadsvis i efterhand. Större, men svårupptäckta, fel i byggnader kan i vissa fall leda till ökade kostnader uppemot 100 000 kr innan de fångas upp med traditionella metoder. Snabbare uppföljning och därmed minskad onödig förbrukning leder till besparingar både ekonomiskt och klimatmässigt.
Den andra bygger på att AI:n även gör prognoser av förbrukningen en vecka framåt i tiden och därigenom kan identifiera dagar med förväntad hög förbrukning. Som konsument av fjärrvärme betalar man inte enbart för förbrukningen utan även för den maximala förbrukningen under ett dygn per år (kallat dygnseffekt). Genom att prognostisera dygnseffekttoppar så kan åtgärder vidtas för att minska dessa. Exempelvis kan byggnader förvärmas, där betongen i byggnaderna används som ett slags värmebatteri, och under den dag då förbrukningen annars skulle ha varit väldigt hög, så tillförs mindre energi, vilket därigenom håller nere dygnseffekten detta dygn.
Ytterligare klimatvinster
Genom att minska effekttopparna bedöms effektkostnaderna kunna reduceras med mellan 5% och 10%, vilket motsvarar flera miljoner kronor per år totalt sett. Dessutom leder minskade dygnseffekter till klimatvinster. De dagar som dygnseffekten riskerar att vara som högst, är den troligen hög för många konsumenter, då dessa ofta infaller när det är som kallast, och värmebehovet därför är som högst. När energibehovet är högt i hela samhället behöver energimixen kompletteras med de mest förorenande och klimatförstörande energislagen. Varje sparad kWh dessa dagar är en mindre kWh av förbränd kol eller olja vilket gör att den positiva marginaleffekten för klimatet är väldigt stor.
Under arbetets gång har det byggts upp en robust infrastruktur och en första version av övervakning och prognostisering har implementerats. Nästa steg är att expandera och finjustera systemet för att realisera dess fulla potential, och att implementera automatiserade åtgärder baserade på prognoser.
Proaktiv optimering av energisystemen
Målet är att utveckla en sömlös process där AI inte bara varnar för potentiella problem utan också agerar proaktivt för att optimera energisystemen, genom automatisk återstyrning. Upptäcker AI-systemet att effekten riskerar att överträdas inom en viss tidsperiod, ska det inte bara varna utan det ska också träda in och till exempel förvärma byggnader och sedan hålla tillbaka effekten under de kalla dagarna med prognostiserad hög effekt.
Hör gärna av dig till Magnus Hjelmfeldt, eller kundansvarig Håkan Andersson om du vill veta mer om hur vi kan hjälpa till att optimera din verksamhet med AI, eller är nyfiken på hur ni skulle kunna komma igång med AI!