Vår utmaning

Orsaker till ökad energianvändning kan vara t.ex. felaktigt fungerande styrenheter i ventilationssystemen, fjärrvärmesystem, eller att användningen av byggnaden har förändrats. Det finns också ett behov av att jämföra byggnader för att identifiera och besluta om uppgradering av utrustning och renoveringsåtgärder för minskad energianvändning och förbättrad funktion. Stora fastighetsägare som t.ex. kommuner har ett stort antal byggnader med tiotusentals värden som övervakas och kan generera larm. Där är det mycket tidskrävande att analysera, sortera och hantera avvikelser.

Nuläget

Vi har en brist på system/produkter/tjänster som möjliggör en optimering av energianvändningen i samhället. Stora fastighetsbestånd har en onödigt hög energiförbrukning, det finns inte heller några bra verktyg för att balansera förbrukningen mellan fastigheter vilket leder till att effektbehovet är högre än vad det skulle kunna vara med effektiva verktyg.

Vad vill vi åstadkomma?

Projektet syftar till att utveckla innovationer för att analysera energibehovet hos byggnader under olika omständigheter genom att använda historiska data med hänsyn till väderförhållanden, bygginformation och byggnadens användning. Dessa data används för att förutsäga kommande energibehov i byggnader, för att balansera energibehovet mellan byggnader, och för att minska den totala energiförbrukningen.

Projektet kommer att bidra till ny kunskap, lösningar, processer, arbetssätt och metoder som leder till effektiv energi- och resursanvändning i bebyggelsen, samspel med angränsande sektorer, funktionalitet och välbefinnande.

  • Energioptimering

    Vi optimerar energiförbrukningen i stora fastighetsbestånd genom att inkludera datamängder om konstruktion, analysera energianvändningsmönster, aktiviteter i byggnaderna, mikroklimat m.m. Med hjälp av denna kombination av datamängder som inte inkluderas i dagens fastighetsstyrningar, kan man fatta mer välgrundade beslut om energiåtgärder.

  • Cybersäkerhet

    Fastighetssystem kan vara attraktiva måltavlor för attackerar. Därför arbetar vi också med att bygga in cybersäkerhet i våra system.

  • Maskininlärning

    Vi arbetar med maskininlärning för att automatiskt känna igen vad som är normala mönster i data från fastigheterna, och vad som är avvikelser. För att snabbare träna upp våra modeller använder vi ”transfer learning” d.v.s vi använder redan tränade modeller från liknande fastigheter och kompletterar träningsdata med en mindre mängd från den aktuella fastigheten.

  • Förstärkt verklighet och 3D-visalisering

    Vi använder oss av förstärkt verklighet och 3D-visalisering för att informera energitekniker om tillståndet i fastigheterna, samt föreslå åtgärder.

Mål

Projektets övergripande mål är att genom datainsamling och användning av maskinlärande metoder/artificiell intelligens minska den totala energianvändningen med upp till 15% inom stora fastighetsbestånd. Detta åstadkoms genom ökad förståelse och balanserad energianvändning utifrån fastigheters verksamhet och användning.

Målgrupper

Projektets huvudsakliga målgrupp är ägare till och företag som förvaltar stora byggnadsbestånd. I första hand ingår fastigheter i Skellefteå, Piteå och Kristianstad, men vi kommer att ta in behov från, och sprida resultatet till andra ägare av stora byggnadsbestånd i Sverige.