AI visar hur energirenovering kan minska utsläpp och kostnader

Byggnader står för omkring 30 procent av världens energianvändning och över en fjärdedel av de globala koldioxidutsläppen. För att nå klimatmålen krävs därför att befintliga byggnader blir betydligt mer energieffektiva. Samtidigt bygger många av dagens planeringsmodeller på förenklade antaganden – där byggnader delas in i grova kategorier och rekommenderas samma åtgärder, oavsett lokala skillnader.

I sin doktorsavhandling har Santhan Reddy Penaka, doktorand vid Institutionen för tillämpad fysik och elektronik vid Umeå universitet, utvecklat nya datadrivna metoder som tar större hänsyn till att varje byggnad är unik.

– Befintliga modeller utgår ofta från att alla byggnader inom en kategori fungerar likadant, vilket leder till generella renoveringsråd. I verkligheten kan den mest effektiva åtgärden skilja sig avsevärt – även mellan två grannhus, säger Santhan Reddy Penaka.

AI fångar byggnaders olikheter

Genom att kombinera maskininlärning, så kallad explainable AI och data fusion – där flera ofullständiga datakällor sätts samman – har forskningen identifierat vilka delar av en byggnad som har störst påverkan på energianvändningen: väggar, fönster, tak eller golv.

I en fallstudie av 81 byggnadskluster i Linköping, Lund och Umeå visar resultaten att den mest effektiva renoveringsåtgärden varierar kraftigt beroende på byggnadstyp, klimatzon och geografisk plats. I vissa fall är till exempel tilläggsisolering av väggar den viktigaste insatsen, medan den i andra fall har mycket liten effekt.

– Generella renoveringsplaner riskerar att missa denna variation. Med mer detaljerade analyser kan resurser användas där de gör störst nytta, säger Santhan Reddy Penaka.

Hur vi beter oss spelar roll

En annan viktig del i modellen är att den tar hänsyn till hur människor faktiskt använder sina bostäder – till exempel hur ofta fönster öppnas eller hur elektriska apparater används – istället för att anta ett genomsnittligt beteende.

Forskningen visar att förenklade antaganden om beteenden kan snedvrida beräkningar av energianvändning med upp till 15 procent. När modellen används för att analysera Sveriges kommande effektbaserade eltariff (planerad till 2027), visar resultaten att beteendeförändringar i sig kan minska topplasten i elsystemet med 6–17 procent, beroende på typ av byggnad.

Från forskning till praktisk nytta

För att göra resultaten tillgängliga även utanför akademin har Santhan Reddy Penaka utvecklat en interaktiv 3D-visualiseringsplattform. Där kan husägare jämföra sin byggnads energiprestanda med liknande byggnader i närområdet och testa olika ”tänk om”-scenarier för både renoveringar och förändrade beteenden.

– Målet är att gå från breda policyrekommendationer till lokalt anpassade och kunskapsbaserade strategier som kommuner och fastighetsägare faktiskt kan använda, avslutar Santhan Reddy Penaka.

Om disputationen

Santhan Reddy Penaka, Institutionen för tillämpad fysik och elektronik, försvarar sin avhandling med titeln Heterogeneity-Aware Building Stock Modelling for Urban Energy Transitions onsdag 29 april. Disputationen äger rum kl. 09.00 i NAT.D.300 i Naturvetarhuset, Umeå universitet. Opponent är Joakim Widén, professor vid Uppsala universitet.

Läs hela avhandlingen