Tilbake til søkeresultatene

ENERGIX-Stort program energi

Data-drevet intelligent styring av bygninger - DATABYGG

Alternativ tittel: Data-driven intelligent control of buildings

Tildelt: kr 15,0 mill.

Prosjektnummer:

317442

Prosjektperiode:

2020 - 2023

Midlene er mottatt fra:

Organisasjon:

Digitalisering er et viktig verktøy for å oppnå et effektivt samspill mellom bygningene og energisystemet. Teknologisk utvikling innen smarte bygninger skjer raskt og utviklingen baserer seg i stor grad på digitale teknologier. Markedet har lenge etterspurt å kunne styre de tekniske anleggene i bygg ved å predikere byggets fremtidige tilstand og å kunne visualisere resultatene. Typiske ønsker er å kunne optimalisere energibruk og inneklima samt å redusere fare for fremtidige alvorlige tekniske hendelser (havari). IWMAC / Kiona har siden 2001 samlet 1200 milliarder datamålinger fra 3800 bygg i Norden. Dette datagrunnlaget kan brukes til styring og regulering av tekniske anlegg i DATABYGG-prosjektet, som har DNB Næringseiendom og SINTEF, ved instituttene Community og Digital, som partnere. Prosjektet tar for seg predikering av byggets termiske dynamikker, dvs innetemperaturer og dermed behov for varme og kjøling. Et bygg som driftes på en predikiv måte vil predikere byggets tekniske tilstand og justere styringen og reguleringen basert på en stor mengde data. Brukere og leietakere, eier og samfunn vil på dette nivået oppleve et bygg som forbereder seg på kommende driftssituasjoner, justerer seg og kommuniserer forslag til tiltak. Bygget utnytter store mengder historiske data til å forbedre sine prediksjonsmodeller (selvlæring), uten at dette skal gå på bekostning av brukeropplevelsen. Ved bruk av maskinlæring lærer systemet seg de unike bruksmønstre til bygningene. Disse bruksmønstrene oppdateres fortløpende, slik at endringene i bygget, for eksempel etter oppgradering eller ombygging av et bygg, kan tas hensyn til i styringsalgoritmene. I løpet av prosjektet er det utviklet et prediktiv styringsalgoritme som justerer turtemperaturen til et vannbåren system uavhengig av utetemperaturen. Styringsrammeverket finner og implementerer hver time en turtemperatur som tilfredstiller varme- og kjølebehovet i bygget. Dette gjøres ved å predikere romtemperaturer til alle rom for de neste 12 timene. Prediksjonsmodellen tar hensyn til været fremover og en del parametere fra det tekniske anlegget i bygget.

• 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.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Budsjettformål:

ENERGIX-Stort program energi