Effektiv värme med AI-styrning

Initiativtagare:

Örebro kommun

Med sensorer i fastigheterna och en molnbaserad AI-modell styr ÖrebroBostäder (ÖBO) sina värmecentraler efter faktisk inomhustemperatur i stället för enbart utomhustemperatur. Det har höjt inomhuskomforten för hyresgästerna och ökat energieffektiviteten i fastighetsbeståndet.

Lösningen, som är en del av ÖBOs bredare satsning på digitalisering, fastighetsautomation och energieffektivisering, ger störst effekt och klimatnytta i fastighetsbestånd som har varierande inomhusklimat och höga energivärden per Atemp (uppvärmd yta). AI-tjänsten är särskilt anpassad för fastighetsägare med en öppen digital infrastruktur och tillgång till data om inomhusklimat. API-anpassningen gör den enkel att koppla in.

Totalt sparar bolaget omkring 120 miljoner kronor per år genom att identifiera och åtgärda energislöseri, bland annat med hjälp av denna lösning. Den årliga investeringsnivån för att minska förbrukningen har i genomsnitt varit cirka 12 miljoner kronor.

Lösningen är genomgripande, berör många funktioner eller hela processer, och kännetecknas av starka beroenden mellan delarna. Införandet kräver bred samverkan och betydande specialistkunskap.

Diskutera lösningen på Dela digitalt

Detaljer

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.

Lösningen har analyserats och beskrivits av Urban Twin Transition Center (UTTC).

Värde

Lägre energianvändning

8-18% lägre energianvändning direkt efter inkoppling

Utsläppsminskning

~0,3–0,7 kg CO₂/kvm Atemp utsläppsminskning per år

Lägre klimatavtryck

~0,02 kg CO₂/kvm Atemp i klimatavtryck

≈1 400 ton CO₂/år i netto klimateffekt

Så kommer du igång!

Om du vill påbörja implementering

Säkerställ 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.

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.

Koppla in AI-modellen och hämta effekt

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.