Artificiell intelligens sparar energi

Anders Kallebo, Myrspoven berättade hos EMTF i Stockholm.

Teknikföredrag i Stockholm om AI och styr- och övervakning

Text: Mark Kretz Foto: Privat

En fastighetsägare kan med hjälp av artificiell intelligens optimera fastighetens energianvändning med maskininlärning.

STOCKHOLM. Med hjälp av AI (artificiell intelligens) går det att optimera komplexa fastigheters energianvändning utifrån den övergripande algoritmen ”rätt inneklimat till lägsta möjliga kostnad”.

Ett företag som arbetar med den typen av maskininlärning kopplat till fastighetsautomation och väderdata är Myrspoven.

Vid en teknikträff arrangerad av EMTF i Stockholm berättade Anders Kallebo, en av de två grundarna till Myrspoven, hur tekniken fungerar och vad systemet kan åstadkomma.

Grunden är att AI används för driftoptimering vilket är komplext.

– Det är svårt att arbeta med driftoptimering, det kan vara svårt att hitta driftingenjörer som vill ägna sig åt detta. Den andra saken är att det är skillnad på energi och kostnad. Kostnaden kan bestå av flera taxor och dygnsvariationer i taxor.

Myrspoven är AI-leverantör åt bland annat Stockholms stads skolbolag, Sisab, som använder detta i sin AI-plattform Solida. Systemet som driftsattes i januari 2020 på 50 fastigheter har cirka 20 000 sensorer runt om i Stockholms skolor.

Dessa sensorer mäter för koldioxid och temperatur och placeras ut i så pass hög upplösning, att de insamlade värdena representerar inneklimatet. I en skola kan det bli en sensor för temperatur och koldioxid i varje rum och korridor. I ett kontor kanske det räcker med tre fyra per plan.

– Då har vi data på inneklimatet och vvs-systemet via BMS-systemet. Till det kommer väderdata från SMHI plus att vi har social data, där vi kan se belastningen på tidsnivå. Den är superviktig, eftersom den mäter beteendemönstret. Det är ju oerhörd stor skillnad i internlasterna en arbetsdag eller skollovsdag. Till det tar vi energimätningen.

Det AI-systemet gör är att ”tröska” igenom datamängden för att se kopplingen mellan inneklimatet och alla andra faktorer som påverkar detta och hur BMS-systemet påverkar energimätaren. Varje natt tränar det med nya datamodeller för att styrsystemet ska bli så effektivt som möjligt.

I fallet Sisab samlas en miljon värden in dagligen från temperaturmätare och koldioxidsensorer vilket bland annat lett till att felanmälningarna minskat med 23 procent, samtidigt som energianvändningen har minskat.