Data-drevet intelligent styring av bygninger - DATABYGG

Digitization is an important tool for achieving effective interaction between the buildings and the energy system. Technological development within smart buildings is happening quickly and the development is largely based on digital technologies. The market has long demanded to be able to manage the technical facilities in buildings by predicting the building's future state and being able to visualize the results. Typical wishes are to be able to optimize energy use and indoor climate as well as to reduce the risk of future serious technical incidents (breakdowns). Since 2001, IWMAC / Kiona has collected 1,200 billion data measurements from 3,800 buildings in the Nordics. This database can be used for the management and regulation of technical facilities in the DATABYGG project, which has DNB Næringseiendom and SINTEF, with the institutes Community and Digital, as partners. The project deals with predicting the building's thermal dynamics, i.e. indoor temperatures and thus the need for heating and cooling. A building that is operated in a predictive manner will predict the building's technical condition and adjust the management and regulation based on a large amount of data. Users and tenants, owner and society will at this level experience a building that prepares for upcoming operational situations, adjusts itself and communicates proposals for measures. The building utilizes large amounts of historical data to improve its prediction models (self-learning), without this being at the expense of the user experience. By using machine learning, the system learns the unique usage patterns of the buildings. These usage patterns are continuously updated, so that the changes in the building, for example after upgrading or remodeling a building, can be taken into account in the control algorithms. In the course of the project, a predictive control algorithm has been developed which adjusts the flow temperature of a water-borne system independently of the outside air temperature. The control framework finds and implements a supply temperature every hour that satisfies the heating and cooling needs in the building. This is done by predicting room temperatures for all rooms for the next 12 hours. The prediction model takes into account the hourly weather forecast and a number of parameters from the technical installation in the building.

• Tilgang til historiske data er avgjørende for treningen av modeller og for å korte nedtiden før oppstart av tjenesten. Vi har erfart at ett næringsbygg ofte gjennomgår betydelige endringer i løpet av et år. Derfor har vi utviklet flere modeller som gir oss fleksibilitet og mulighet til å tilpasse oss til de tilgjengelige dataene som er reelle å bruke. • Forretningsmessig har det vært viktig for prosjektet at vi hele tiden har tenkt på at løsningen må være skalerbar. Dvs at vi ikke trenger store ressurser for å implementere løsningen i ett bygg eller å følge det opp. Dette har vi i stor grad lyktes med, og i tillegg har vi gjort løsningen generisk slik at den ikke bare kan brukes på Kiona’s produkter. • Å redusere energiforbruket uten at det skal gå utover den termiske komforten har vært hovedfokus fra dag en. Vi har erfart gjennom prosjektet at drift av bygg med et stort fokus på å spare energi, ofte kan resultere i en dårligere opplevd termiske komfort. I dag ser vi at å bruke løsningen har vi fått tre mulige virkninger: 1. Spare energi uten at det går utover den termiske komforten. 2. Spare energi og forbedre den termiske komforten. (Forutsatt at feil og mangler blir rettet) 3. Forbedre den termiske komforten med et optimalisert energiforbruk (dersom det termiske innemiljøet ikke er godt nok fra før). • SINTEF har bidratt med kompetanse rundt styring og modellering / bruk av maskinlæring. Vi har lært at pågående forskning er langt ifra å enkelt kan implementeres i «vanlige» bygg, spesielt med tanke på løsningene rundt energifleksibel drift. Et eksisterende bygg setter fysiske begrensinger for hva som er mulig å faktisk gjennomføre, særlig med tanke på styring av innetemperaturer på romnivå. • For DNB har prosjektet gitt økt kompetanse om hvor viktig det er at automasjonsnivået er velfungerende. I prosjektet har vi kunnet avdekke feil og mangler som vi ikke har vært klar over, noe som gjorde at virkningen av ML/AI ikke ble tilfredsstillende før dette var utbedret. Langsiktige endringer: • De bygg som denne løsningen blir innført på vil ha mer fornøyde leietakere, med henblikk på godt termisk inneklima og lavt energiforbruk . • SINTEF har fått en del interesse fra internasjonale forskningsinstitutter (KTH; Aarhus Universitet; Fraunhofer; Polimi) rundt implementering av slike løsninger i bygg. • Vi ser at det er helt avgjørende for en velfungerende implementering av data-drevne løsninger i bygg, at automasjonsfaget og ideen av å ta i bruk data-drevne løsninger i bygg, at automasjonsfaget og ideen av å ta i bruk data-drevne løsninger i driftsfasen av bygget blir vurdert tidlig i anbudsfasen (bestillerkompetanse). Dessuten er det svært viktig at innreguleringen til det tekniske anlegget er gjennomført nøyaktig for at data-drevet styring av bygg er enklere å implementere og kan gi energi- og/eller kostnadsbesparelser. Det er også svært viktig at endringer i bygget som gjøres underveis i driftsfasen også ivaretar de data-drevne løsningene.

Den overordnete idéen for verdiskapning i DATABYGG er at prediktiv styring av bygninger vil minimere energiforbruket, mens den termiske komforten er optimalisert. Bygningene vil i fremtiden ha en mer aktiv rolle i energisystemet. Fra å bare være en energibruker, vil byggene også være energiprodusenter og de vil kunne gi mer fleksibilitet i kraftnettet. Et "smart prediktivt" bygg vil predikere byggets tekniske tilstand og justere styringen og reguleringen basert på en stor mengde data. Et "smart kognitivt" bygg vil i tillegg utnytte store mengder historiske data til å forbedre sine prediksjonsmodeller og systemer (selvlæring), uten at dette går på bekostning av brukeropplevelsen. IWMAC leverer i dag tjenesten «Smarte funksjoner» som er en egenutviklet regelbasert software. IWMAC ønsker å videreutvikle tilbudet og å være den første til å levere tjenestene som skal til for å kunne bygge «smarte prediktive» og «smarte kognitive» -bygg. I dette prosjektet sikter vi mot å bruke modell-prediktiv kontroll (MPC, fra engelsk model-predictive control). MPC er en teknikk der en matematisk modell av en bygning blir brukt for å muliggjøre planlegging av driften av bygningen som en funksjon av, for eksempel, forutsagt predikert vær og beboers tilstedeværelse. Derimot reagerer konvensjonelle bygningskontrollsystemer på endringer i vær- og tilstedeværelsessituasjoner når de forekommer, uten noen forkunnskap. Den proaktive "fremtidsrettet" tilnærming til MPC gjør det mulig å optimalisere driften av VVS og andre systemer, noe som resulterer i betydelige forbedringer i energieffektivitet, komfortforhold, effektstyring og interaksjon mellom bygninger og nett, blant andre applikasjoner. Løsninger til prediktiv styring skal utvikles. IWMAC ser at denne tjenesten vil kunne brukes på alle typer bygg og vi ønsker å tilby en slik tjeneste til alle våre eksisterende 3.800 kunder og alle våre fremtidige kunder.