Vad?
Denna lösning har utvecklats i samarbete mellan fastighetsavdelningen och Luleå tekniska universitet. Idag är systemet i drift på delar av fastighetsbeståndet och fungerar som ett verktyg för att följa upp energianvändning. Systemet övervakar både den faktiska energiförbrukningen och hjälper till att identifiera avvikelser, vilket bidrar till tidiga insatser vid onormal användning.
Hur?
Systemet utgår från maskininlärning, där modeller har tränats på data från fastigheter för att lära sig varje byggnads specifika förutsättningar i dess geografiska och klimatmässiga kontext. Datainformation flödar mellan energipartners, AI-systemet och SMHI:s väderindex-tjänst. Ursprungligen utvecklades lösningen inom ramen för ett forskningsprojekt, men idag används och förvaltas systemet operativt. Data visualiseras genom Power BI-rapport.
Varför?
Att använda AI för att energioptimera fastigheter innebär flera betydande fördelar. Genom att utnyttja avancerad dataanalys och maskininlärning kan systemet identifiera mönster och avvikelser som annars vore svåra att upptäcka manuellt. Detta leder till en mer effektiv drift där onödig energiförbrukning snabbt kan upptäckas och åtgärdas, vilket minskar både miljöpåverkan och driftskostnader. Dessutom möjliggör AI en anpassning till varje byggnads unika förhållanden, såsom väder, användarbeteenden och tekniska begränsningar, och skapar därmed skräddarsydda åtgärdsförslag. På sikt bidrar energioptimering med AI till en mer hållbar utveckling och hjälper fastighetsägare att uppfylla lagkrav och miljömål samtidigt som komforten för de som vistas i byggnaderna kan säkerställas eller till och med förbättras.
Närmare uppgifter om systemet
Här kan du bekanta dig med informationen som används till systemet, driftlogiken och dess styrning inom de områden som intresserar dig.
Systemet använder sig av registrerade energidata för el och fjärrvärme med dygnsfrekvens för att monitorera och skapa prognoser för kommande energiförbrukning och avvikelsedetektering. Data samlas in via integration med energipartner, SMHI’s väder indextjänst och Skellefteå kommuns styrsystem för fastigheter. Data som använts för att träna upp maskininlärningsmodeller har ett spann på 5-12 år beroende på byggnad och hur mycket data som varit tillgänglig vid uppbyggnad av systemet.
Data överförs till kommunens dataplattform där maskininlärningsmodeller processar denna utifrån två scenarion: prognoser och avvikelser.
Modellarkitektur prognoser:
LSTM neuralt nätverk tränat på datamängder där varje byggnad har en modell. Alla el-modeller tränas med dataset fram till juni 2023. Alla FV-modeller tränas med datauppsättningar fram till september 2022. Totalt representerar 15 LSTM-modeller varje skolbyggnads energiförbrukningsbeteende, för el och FV, separat.
Utdata: är en förutsägelse av tre dagars energianvändning.
Modellarkitektur avvikelser:
VAE neuralt nätverk tränat på datamängder där varje byggnad har en modell. Alla elmodeller tränas med dataset fram till juni 2023. Alla FV-modeller tränas med datauppsättningar fram till september 2022. Totalt finns det 15 VAE-modeller som representerar varje skolbyggnads energiförbrukningsbeteende, för el och FV separat.
Utdata: avvikelse/normal baserat på tröskelvärdet som rekonstruerats från tränade data.
Idag finns lösningen på svenska, vilket kan innebära att personer med annat modersmål än svenska kan vara begränsade. För att göra uppföljning tydlig visualiseras värden och utfall genom olika grafer för att stödja fler sätt att ta till sig informationen.
Visualiseringen som uppdateras dagligen ger god insyn i hur systemet fungerar och informationen följs upp av energitekniker. Indikation på eventuella problem i lösningen upptäckts tidigt och systemet går att pausa eller stänga ned vid behov.
Riskhantering
Lösningen kommer aldrig att hantera uppgifter om personer och det finns inga fritextfält att hantera i lösningen. Dataöverföring sker genom API och med konventionella säkerhetsmekanismer där konsumerande och avlämnande system identifieras
De risker som är förknippade med lösningen handlar om eventuellt felaktiga värden och utfall som ges till användaren. Felaktigheter i dessa leder till minskad förståelse och effektivitet av systemet med påverkar inte drift av fastigheten eller tillgång energikonsumtion. Systemet befinner sig inom risknivån ”minimal risk” i AI-förordningen.