Modellbaserad reglering
Algeno styr idag värmesystemen i över 40 000 lägenheter i Sverige. Vår modellbaserade reglering ser till att fastighetsägare reducerar sina fastigheters klimatavtryck genom smartare optimering av värmesystemen.
Vad är modellbaserad reglering och hur fungerar det?
Modellbaserad prediktionsreglering (MPC, eng. Model Predictive Control) är en avancerad metod för att optimera värmesystem i fastigheter. Den bygger på en dynamisk modell som kontinuerligt lär sig och anpassar sig efter fastighetens specifika egenskaper och beteende. Denna modell skapas och uppdateras automatiskt genom att analysera data från fastigheten och dess system, vilket eliminerar behovet av manuell inmatning av byggnadsinformation.
Modellen syftar till att återspegla hur fastigheten reagerar på olika faktorer, både interna (t.ex. uppvärmning, ventilation) och externa (t.ex. utomhustemperatur, solinstrålning, vind). När modellen är tillräckligt tränad fungerar den som en digital tvilling av fastigheten, vilket möjliggör noggranna simuleringar och prediktioner.
I nästa steg används modellen för att styra värmesystemet på ett optimalt sätt, baserat på förutbestämda mål och villkor. Fastighetsägaren definierar de mål som ska uppnås, exempelvis minimering av energianvändning eller effektuttag, samt de villkor som måste uppfyllas, såsom önskad inomhustemperatur.
Styrsystemet tar även hänsyn till väderprognoser för de kommande 48 timmarna för att kunna agera proaktivt och anpassa uppvärmningen i förväg. Resultatet är en jämnare inomhustemperatur, minskad energi-förbrukning och lägre kostnader.
Vad är skillnaden mot traditionell styrning med temperaturkurva eller rumsåterkopplad reglering?
Traditionell reglering av värmesystem bygger ofta på en förinställd temperaturkurva som relaterar utomhustemperaturen till framledningstemperaturen i radiatorsystemet. Detta innebär i grunden att vid kallare utomhustemperaturer används högre framledningstemperatur och tvärt om vid varmare utomhustemperatur. Ingen information eller återkoppling från hur inomhusklimatet är används i regleringen utan man förlitar sig på att temperaturkurvan ställts in på bra sätt initialt och sedan görs manuella justeringar vid återkoppling från hyresgäster eller när en drifttekniker inser att inomhusklimatet inte är vad man förväntat sig.
En mer avancerad form av traditionell reglering är rumsåterkopplad reglering, där man använder data från inomhussensorer för att justera framledningstemperaturen. Enkelt beskrivet så höjer man framledningstemperaturen om inomhustemperaturen är för låg jämfört med den måltemperatur man vill uppnå, och tvärt om när inomhustemperaturen är för hög.
Även om detta är ett steg i rätt riktning, har det fortfarande betydande begränsningar jämfört med modellbaserad reglering där de två främsta egenskaperna som saknas är:
Prognosbaserad reglering
En återkopplad reglering är en rent reaktiv styrning som endast svarar på förändringar i fastigheten. Modellbaserad reglering är i grunden en proaktiv styrning där både historik och framtida prognoser används.
Eftersom man har tillgång till en modell för hur fastigheten beter sig och dess egenskaper kan man simulera hur fastigheten kommer bete sig kommande timmar/dagar beroende på väderprognoser samt hur värmesystemet regleras. Genom att använda prognoser för olika väderfaktorer kan man exempelvis ta höjd för en snabbt sjunkande utomhustemperatur som kommer imorgon eller dra ner framledningstemperaturen redan nu eftersom man vet att solinstrålning ökar kraftigt om några timmar.
Resultatet blir ett väldigt mycket jämnare inomhusklimat som inte påverkas lika mycket av förändring av externa faktorer.
Ekonomisk reglering
Återkopplad reglering har som mål att alltid uppnå en viss medelinomhustemperatur, men den ekonomiska aspekten i regleringen tas aldrig med. I modellbaserad reglering har man ett tydligt ekonomiskt mål i optimeringen som är att minimera kostnad för uppvärmningen och samtidigt respektera de uppsatta villkoren. Detta gör att man alltid reglerar för att minimera kostnaden vilket innebär att både energi- och effektkostnad kan tas med i optimeringen. Det gör det även möjligt att optimera styrningen beroende på spotpriser på el i de fall man har värmepumpar som primär energikälla.
Resultatet blir en minimerad kostnad för uppvärmningen där de uppsatta villkoren respekteras.
Hur lär sig AI-modellerna fastigheternas beteenden?
En av de utmanande delarna i Algenos reglering är att lära sig de olika fastigheternas beteenden och egenskaper. För varje enskild fastighet skapas en unik AI-modell som kontinuerligt lär sig hur byggnaderna reagerar på förändringar i både interna och externa faktorer. Modellerna är helt datadrivna vilket betyder att de förlitar sig endast på data från fastigheterna och deras system. Inga manuella steg eller byggnadsinformation krävs utan AI-modellerna lär sig direkt utifrån hur fastigheten faktiskt beter sig.
Viktigt är också att ha en kontinuerlig uppdatering av modellerna eftersom fastigheter beter sig olika beroende på årstid och förändringar sker hela tiden i fastigheten och dess beteenden.
Hur kan jag lära mig mer?
För att få mer information kontakta oss på info@algeno.se så förklarar vi gärna i detalj hur vår teknik fungerar.
Prenumerera på Algenos nyhetsbrev
Vill ni få de senaste nyheterna om Algenos verksamhet och området värmestyrning? Anmäl er i så fall till vårt nyhetsbrev som vi skickar tre-fyra gånger om året.
I nyhetsbrevet skriver vi bland annat om nya pilotprojekt, forskning kopplat till energioptimering och andra nyheter om Algenos verksamheten.