Rätt val av renoveringsåtgärder kan påverka både klimatpåverkan och kostnader. Vilka åtgärder som är mest lämpliga varierar dock mellan olika byggnader, platser och användningsmönster. En studie från Umeå universitet undersöker hur AI-baserade analyser kan användas för att ge mer plats- och byggnadsspecifika rekommendationer som rör energianvändning, utsläpp och kostnader.
Byggnader står för omkring 30 procent av världens energianvändning och över en fjärdedel av de globala koldioxidutsläppen. För att minska utsläppen behöver befintliga byggnader bli mer energieffektiva. Samtidigt bygger många planeringsmodeller på förenklade antaganden, där byggnader delas in i breda kategorier och får liknande rekommendationer oavsett lokala skillnader.
I sin doktorsavhandling har Santhan Reddy Penaka, doktorand vid Institutionen för tillämpad fysik och elektronik vid Umeå universitet, utvecklat datadrivna metoder som tar större hänsyn till variation mellan enskilda byggnader.
– 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 för att analysera skillnader mellan byggnader
Genom att kombinera maskininlärning, så kallad explainable AI, och data fusion – där flera ofullständiga datakällor kombineras – har forskningen undersökt vilka delar av en byggnad som har störst betydelse för energianvändningen, exempelvis väggar, fönster, tak och golv.
I en fallstudie av 81 byggnadskluster i Linköping, Lund och Umeå visar resultaten att lämpliga renoveringsåtgärder varierar beroende på byggnadstyp, klimatzon och geografisk plats. I vissa fall har till exempel tilläggsisolering av väggar stor betydelse, medan effekten i andra fall är mindre.
– Generella renoveringsplaner riskerar att missa denna variation. Med mer detaljerade analyser kan resurser användas där de gör störst nytta, säger Santhan Reddy Penaka.
Betydelsen av beteende i energianvändning
Modellen tar också hänsyn till hur människor använder sina bostäder, till exempel hur ofta fönster öppnas och hur elektriska apparater används, i stället för att utgå från genomsnittliga antaganden.
Studien visar att förenklade antaganden om beteende kan påverka beräkningar av energianvändning med upp till 15 procent. Vid analys av Sveriges planerade effektbaserade eltariff (2027) indikerar resultaten att förändrat beteende kan minska topplasten i elsystemet med 6–17 procent, beroende på byggnadstyp.
Från forskning till tillämpning
För att göra resultaten mer tillgängliga har Santhan Reddy Penaka tagit fram en interaktiv 3D-visualiseringsplattform. Den gör det möjligt att jämföra en byggnads energiprestanda med liknande byggnader i närområdet och att testa olika scenarier för renovering och beteendeförändringar.
– Målet är att gå från breda policyrekommendationer till lokalt anpassade och kunskapsbaserade strategier som kommuner och fastighetsägare kan använda, avslutar Santhan Reddy Penaka.
