Indata – grunden för AI lösningar i planeringsstadiet

Energisystem kan i teorin optimeras redan i planeringsfasen med hjälp av AI

Idag optimerar fastighetsägare och energibolag sin energianvändning utifrån den egna verksamheten vilket innebär en suboptimering i relation till optimering av det övergripande energisystemet. Genom att utnyttja simulerade förbrukningsprofiler för fastigheter i planeringsstadiet av en stadsdel skulle man dock (i teorin) kunna påvisa vilka val av energilösningar som skulle behövas för att hjälpa en stad att nå sina klimatmål och göra stadsdelen så klimatneutral som möjligt. Men trots att städerna skriver på klimatkontrakt som är högt ställda, och trots att svenska städer idag expanderar och bygger nytt, så är data svåråtkomligt för att genomföra dessa simuleringar och optimeringar som visar vägen till ett hållbart samhälle.

Praktisk erfarenhet från ett konkret användarfall

Inom ramen för Kraftsamling AI så drivs ett användarfall där målbilden har varit att redan i planeringsfasen av stadsdelen Mälarporten i Västerås kunna använda AI för att kunna optimera energilösningar i den nya stadsdelen som är så effektiva och klimatsmarta som möjligt.

Grundbulten för att en sådan AI-lösning ska kunna ge rekommendationer på vilka energikomponenter som behövs inom stadsdelen samt optimera energianvändningen, är att den matas med bra och kvalitativ indata.

Övergripande så är det två typer av indata som behövs:

Information kring vilka fastigheter som är tänkta att byggas inom stadsdelen
Förbrukningsprofiler för olika fastighetstyper

Information kring vilka fastigheter som är tänkta att byggas inom stadsdelen

Tidigt i en planprocess saknas ofta exakt information kring hur faktiska byggnader kommer utformas. Det som ofta framkommer i ett tidigt skede är dock vilka typer av fastigheter som kommer byggas och i vissa fall görs en volymstudie där bruttototalarea (BTA) för de olika fastighetstyper tas fram. Inom projektet har vi tagit fram information kring vilka typfastigheter som kommer att finnas samt dess BTA. Se bild nedan på en övergripande skiss över området.

Förbrukningsprofiler för olika typer av fastighetstyper

För att kunna möjliggöra optimering och beräkningar behöver AI-lösningen tillgång till förbrukningsprofiler, som beskriver energianvändning av värme och el, för de typfastigheter som kommer finnas inom stadsdelen. Förbrukningsprofilerna behöver vara på timbasis för att optimeringarna ska fungera så bra som möjligt.

Genom att nyttja andra parter inom Kraftsamling AI samt externa parter så har vi fått tag på anonymiserad data för de fastighetstyper som kommer byggas inom området Mälarporten. Se bild nedan för hur en sådan förbrukningsprofil för 1 månad se ut.

Förbrukningsprofilerna levererades i olika format och strukturer vilket innebar mycket arbete med att transformera och jämka data så den blev användbar. Beroende på källa och format behövde projektet ta fram transformeringar och script som gjorde om data till en mer strukturerad form som kan matas in i en databas. Detta påvisar att det i nuläget inte finns någon enkelt och lättåtkomligt sätt att få tag på dessa förbrukningsprofiler.

Förbrukningsprofiler för följande fastighetstyper togs fram utifrån översiktsplanen för Mälarporten:

Bostäder
Kontor
Publik byggnad/verksamhet(60% Kontor, 40% Handel/Restaurang)
Publik byggnad/verksamhet i bottenplan på bostadshus (80% bostäder, 20% Handel/Restaurang)
Förskolor
Skolor
Handel

Dataägare behöver involveras och det tar tid att identifiera och bearbeta indata

Den största lärdomen från användarfallet har varit att så tidigt som möjligt i processen identifiera eftersökt data och ägare till densamma. Om dataägare inte är med i projektet så tar det oftast långt tid att identifiera aktörer med lämplig kvalitet och tillgång till den data man eftersöker. I vårt användarfall visade det sig till exempel att energibolaget var de egentliga behovs- och dataägarna, inte kommunens planavdelning som vi initialt trott. Även processen för att ta ut och förstå relevanta data och mått har tagit lång tid.

När man väl börjar ta fram data så finns det viktiga saker att tänka på som kommer påverka AI-modellen:

Urval och generaliserbarhet: Vilken tidsperiod har man data från? Är den ett år som ser ut som de flesta andra eller ett väldigt speciellt år.
Metadata: Vad är det för typ av fastighet och har den t.ex. fjärrvärme
Kvalitet: Vilken kvalitet är det på data. Är det luckor i data, går det att lita på den data man får etc.
“Skit in – skit ut” som det klassiska talesättet går är superviktigt att förstå när man jobbar med AI modeller, och även att andra runt om kring förstår det för att ha rimliga förväntningar på resultat.

Rekommendationer för framtiden

1. Tillgängliga förbrukningsprofiler för typfastigheter

Projektet kommer försöka paketera de förbrukningsprofiler som har tagits fram och dela dessa med intressenter som skulle ha nytta av densamma i olika typer av användarfall. Dock är detta en begränsad mängd typfastigheter och historisk data.

Något som projektet tror skulle addera mycket framtida värde och möjliggöra andra innovationer och projekt skulle vara om man kunde bygga upp ett öppet bibliotek av förbrukningsprofiler för typ-fastigheter som skulle kunna användas vid simuleringar. En sådan databas tror vi skulle vara bra för att få en data med hög kvalitet samt anpassad för framtidens energianvändning. Mälarenergi undersöker just nu möjligheten att bygga en databas med förbrukningsprofiler för typfastigheter som skulle kunna användas för liknande och andra användarfall och i förlängningen även kunna delas med andra aktörer.

2. Lättåtkomlig data från planprogram och detaljplaner

I dagsläget finns mycket av den data man skulle kunna använda för simulationer utspritt på många olika parter och allt som oftast i Word- eller PDF-rapporter. För att möjliggöra AI och en mer effektiv digital process så skulle denna data behöva finnas tillgänglig på ett standardiserat och lättåtkomligt sätt. Det saknas också ofta någon i kommunen som har ett helhetsperspektiv på den här typen av frågor vilket försvårar engagemanget.

Om användarfall planering inom Kraftsamling AI

Inom ramen för initiativet Kraftsamling AI drivs ett användarfall inom stadsplanering. Tanken är att ta fram en lösning som med hjälp av AI möjliggör en planeringsprocess som optimerar på stadsdelsnivå och inte på byggnadsnivå.

Behövsägare och mottagare av lösningen är Mälarenergi och Västerås stad. Teknisk utveckling drivs av ABB, Utilifeed och Renbloc. Data Edge projektleder användarfallet.

Text: Johan Bergman, Vd Data Edge och delprojektledare i projektet Kraftsamling AI i samhällsbyggandet och Joacim Sundqvist, Mälarenergi.