AI-screening gør energimærkningsdata operationelle i arbejdet med fremtidens fjernvarme – HOFOR A/S

Kunde: HOFOR A/S

Kort fortalt

Hvordan finder man de bygninger, der kræver særlig opmærksomhed, når temperaturen i fjernvarmenettet sænkes? For HOFOR har 4BC kombineret energimærkedata, målerdata og viden til at lave en AI-model, der har screenet ca. 2.000 bygninger og skabt et datadrevet grundlag for at prioritere den videre indsats med at gøre bygningsmassen klar til fremtidens fjernvarme.

HOFOR arbejder med at sænke temperaturen i fjernvarmenettet. Det reducerer varmetabet i nettet og øger effektiviteten af varmepumpen, der producerer fjernvarmen. Det stiller samtidig større krav til de tilsluttede bygninger og deres varmeanlæg.

I den sammenhæng har 4BC undersøgt, hvordan eksisterende energimærkedata kan kombineres med HOFORs egne målerdata for at identificere mønstre og prioritere de bygninger, hvor en nærmere teknisk undersøgelse forventes at have størst værdi.

I arbejdet har EnergyCheck været en væsentlig del. Platformen har gjort energimærkernes omfattende tekniske data strukturerede, søgbare og sammenlignelige på tværs af mange bygninger. Resultatet er ikke en automatisk teknisk diagnose af den enkelte bygning, men et screenings- og prioriteringsværktøj, der hjælper HOFOR med at gå fra store datamængder til en mere målrettet indsats.

Fra tusindvis af datapunkter til de rigtige bygninger

HOFORs driftsdata og energimærkedata findes på forskellige niveauer og kan sjældent kobles én-til-én mellem måler, BFE og bygning. Ved at kombinere energifaglig viden, databehandling og teknologi blev data struktureret og koblet, så energimærkerne kunne gå fra statisk dokumentation til et aktivt værktøj i fjernvarmearbejdet.

Resultater

Fra energimærker til prioriteret indsats

4BC har udviklet en risikoscreening, hvor bygningerne kan rangeres efter, hvor relevante de er at undersøge nærmere. HOFOR får dermed mulighed for at målrette analyser og tekniske undersøgelser frem for at behandle hele bygningsmassen ens.

Kendte problemer koncentreres, og nye kandidater findes

På testdata koncentrerer modellen en stor del af de kendte højreturproblemer blandt de højest rangerede bygninger og målere. Samtidig identificerede analysen 114 højrisikoinstallationer, som ikke tidligere havde optrådt på HOFORs højreturliste. De udgør potentielle kandidater til en mere målrettet teknisk kontrol.

EnergyCheck gør analysen anvendelig og transparent

AI-modellen kan kombinere mange variable og finde mønstre på tværs af porteføljen. EnergyCheck supplerer modellen med en mere transparent tilgang, hvor konkrete tekniske kriterier kan undersøges direkte på tværs af tusindvis af energimærkedata.

Projektet viser dermed værdien af at kombinere avanceret dataanalyse med enkle, energifagligt forståelige screeningsregler: AI kan hjælpe med at finde mønstrene og de overraskende cases, mens EnergyCheck gør det muligt at undersøge, forklare og operationalisere resultaterne.

Nøgletal