AI-tillämpningar för energilagring i kulturhistoriska byggnader

AI-tillämpningar för energilagring i kulturhistoriska byggnader

Projektsammanfattning

Kulturhistoriska byggnader står för en avsevärd del av energianvändningen i dagens fastighetsbestånd, 20% för de som byggdes före 1945, och det finns oftast begränsade energibesparingsåtgärder att tillgå på grund av varsamhetskrav och förvanskningsförbudet.

Syftet med det här projektet är att använda byggnaden som ett värmebatteri och minska uppvärmningseffekter via lagring av energi i byggnadsstommen utan att påverka bevarandet.
Med hjälp av Artificiell Intelligens (AI) och maskininlärningsmodeller styrs värmetillförsel av väderprognos, vilket möjliggör optimering av energianvändning och effektbehov vid bibehållen adekvat innetemperatur. Tekniken kan kombineras med tillfällig minskning av uppvärmning utan att nämnvärt påverka drifttemperatur och termisk komfort i byggnaderna. Metoden kan även användas för att spara nedkylningsenergi på sommaren. Projektet utvärderar energilagringspotential för effektivare energianvändning i kulturhistoriska byggnader via både fältmätningar och energisimuleringar.


Mål

Målsättningen är att projektets resultat skall få stor inverkan och höja kunskapen om automatiserad laststyrning och effektiv energianvändning i byggnadsbestånden genom väderprognoser och dess miljöpåverkan. Dessutom kommer andra energieffektiviserings/-besparingsåtgärder att undersökas, såsom utnyttjandet av både intern och extern energireglering inklusive solstrålning samt tillfällig minskning av att värmesystems börvärdestemperatur hos äldre kulturhistoriska byggnader.

Genomförande

För att kunna utveckla AI-modeller behövs en väl strukturerad (flerårig) datahistorik från energianvändning av kulturhistoriska byggnadsbeståndet med minimum timvis tidsupplösning. Energidata måste synkroniseras med väderdata. Datainsamling ska ske i samråd med fastighetsägare (utvalda byggnader ur Gävlefastigheter och Gävlegårdarnas bestånd (inklusive både lokaler och flerbostadshus) och energibolaget (Gävle Energi AB). När det gäller fjärrvärme som är i fokus i denna studie, kan via så kallade DUC (DataUnderCentraler) hela värmetillförseln i varje fjärrvärmecentral styras på ett mer koncentrerat och centralt sätt, det vill säga energi och effekttillförsel samt att innetemperatur kan avläsas och valideras i realtid centralt från energibolaget.


Efter datainsamling kommer olika ML-algoritmer inklusive state-of-the-art djupinlärningsmetoder att utvecklas och prövas på uppmätta energi- och effektdata hos vissa byggnadsbestånd, för att få modeller som exakt kan förutsäga effekttoppar.

Laststyrningsmodellernas potential för att minska toppeffekter bör prövas och valideras mot mätdata (avvikelsedetektering). För detta kommer de utvecklade ML-modellerna att användas i samarbete/interaktion med energibolaget för att korrigera eventuella avvikelser i en iterativ process. För att förbättra robustheten av termisk reglering inomhus, utvecklas osäkerhetsmedvetna ML-modeller med hjälp av vilka AI-systemet kan växlas till att kontrollera i säkert läge när osäkerheten för ML-modellen är hög. Probabilistiska modeller byggs för att hantera osäkerheter som uppstår på grund av de
oregelbundna toppeffekterna i fjärrvärmeanslutna byggnadsbestånd.

Algoritmen ska ”utbildas” för att kunna upptäcka toppeffekter i god tid och implementera en lämplig åtgärd eller beslutssekvens för att styra värmetillförsel, minska toppeffekten med bibehållen termisk komfort. I en senare fas av projektet kommer algoritmen att tränas i beslutfattande riktlinjer för att lära sig optimal hantering av osäkerheter baserade på algoritmer för förstärkningsinlärning (RL). Denna lösning bygger på att uppnå ett mål baserat på regler och belöningar som försöker maximera den totala belöningen genom att använda offline data som samlades in i föregående steg. Sådana RL-algoritmer som lär sig av offline-data istället för slumpmässiga trial-and-error kallas offline RL och är särskilt lämpliga för vår problemformulering eftersom en behaglig rumstemperatur måste uppnås hela tiden även under RL-träning.

Projektägare: Högskolan i Gävle, Department of Building Engineering, Energy Systems and Sustainability Science.

Projektledare: Abolfazl Hayati

Kontaktuppgifter: abolfazl.hayati@hig.se

Comments are closed.