AI i ISO 50001: Sådan automatiseres energigennemgange, EnPI'er og baselines i praksis

Kort fortalt

ISO 50001 stiller krav til energigennemgange, EnPI'er og baselines – men i store bygningsporteføljer er det umuligt at leve op til manuelt. Sådan bruger du AI til at automatisere kernen i energiledelsen.

Indhold

ISO 50001's styrke er også dens udfordring: Standarden kræver løbende energigennemgange, veldefinerede energipræstationsindikatorer (EnPI'er) og dokumenterede energibaselines. I en portefølje med hundredvis af bygninger og tusindvis af målere kan disse krav ikke håndteres med regneark og manuelle udtræk.

Her ændrer AI spillet. Når energidata, standardkrav og AI-platforme kobles sammen, kan kernen i energiledelsen automatiseres – fra dataindsamling og afvigelsesanalyse til opfølgning på EnPI'er. Denne artikel viser, hvordan det gøres i praksis, baseret på vores erfaringer fra store bygningsporteføljer og fra EUDP-projektet Next-gen Energy Management.

Hvorfor ISO 50001 og AI hører sammen

ISO 50001 er bygget op omkring Plan-Do-Check-Act-cyklussen: Planlægning med energigennemgang og baselines, drift med mål og indsatser, kontrol med EnPI'er og måling, og handling med ledelsesevaluering og forbedring.

Fælles for alle fire faser er, at de afhænger af data – og at datamængden i store porteføljer overstiger, hvad mennesker kan overholde manuelt. En kommune eller virksomhed med flere hundrede bygninger har typisk tusindvis af målepunkter, der leverer data hver time.

AI-platforme kan analysere disse datastrømme løbende: identificere unormale forbrugsmønstre, beregne normaliserede EnPI'er og pege på de bygninger, hvor indsatsen giver størst værdi. Dermed bliver ISO 50001's krav ikke en administrativ byrde, men et levende styringssystem.

Automatiserede energigennemgange i praksis

Energigennemgangen er standardens fundament: Hvor bruges energien, hvad driver forbruget, og hvor er potentialerne? Traditionelt har det krævet manuelle besøg, regneark og statiske analyser – ofte opdateret kun en gang om året.

Med AI kan energigennemgangen løbe kontinuerligt. Platformen indsamler data fra målere, CTS-anlæg og bygningsdata og identificerer automatisk afvigelser: bygninger der opvarmes uden for åbningstiden, anlæg der kører i weekenden, eller forbrug der stiger uden forklaring.

Hos Landbrug & Fødevarer har vi etableret energiledelse på tværs af 110.000 m² med AI-platformen Ento som analysemotor. Arbejdet har indbragt os Best Practice-udmærkelser fra Bureau Veritas – netop fordi energigennemgangen blev omsat til konkret handling.

EnPI'er og baselines: Fra manuelt regneark til løbende overvågning

Energipræstationsindikatorer (EnPI'er) og energibaselines er standardens måleværktøjer. Men de er kun nyttige, hvis de opdateres løbende og normaliseres for forhold som vejr, åbningstider og aktivitet.

I praksis ser vi ofte EnPI'er, der beregnes en gang om året til ledelsesevalueringen – og som derfor ikke kan bruges til at styre driften. AI ændrer dette ved at beregne EnPI'er kontinuerligt og sammenligne faktisk forbrug med den forventede baseline i næsten realtid.

Hos DTU Campus Service har vi hjulpet med at gøre ISO 50001 praktisk i en kompleks universitetsdrift på tværs af campusserne i Lyngby, Ballerup og Risø – med energikortlægning, væsentlige energianvendelser (SEU'er), mål og handlingsplaner på over 500.000 m² opvarmet etageareal. Og hos Fokus Nordic har fokuserede energiscreeninger på fire større erhvervsejendomme omsat data til handling: dokumenterede besparelser på over 500.000 kr. årligt, implementeret via drift og styring uden større investeringer.

EUDP-projektet: Next-gen Energy Management

I EUDP-projektet Next-gen Energy Management udvikler vi sammen med projektets partnere fremtidens AI-baserede energiledelse. Projektet undersøger, hvordan AI kan omsætte standardkrav til konkrete handlinger i driften – ikke kun rapporter, men beslutningsstøtte der bruges hver dag.

Det er netop koblingen mellem ISO 50001's strukturerede krav og AI's analysekraft, der gør forskellen: Standarden sikrer, at energiledelsen er systematisk og dokumenterbar, mens AI sikrer, at den er aktuel og handlingsorienteret.

Sådan kommer du i gang

Overgangen til AI-baseret energiledelse kræver ikke, at alt ændres på én gang. Vores erfaring peger på tre trin:

• Få styr på datagrundlaget: Sørg for at målerdata er tilgængelige, valide og samlet ét sted.

• Start med de største bygninger: Automatiseret analyse giver størst værdi, hvor forbruget er størst.

• Kobl analyserne til jeres ISO 50001-proces: Brug AI-output som direkte input til energigennemgang, EnPI-opfølgning og ledelsesevaluering.

Har jeres organisation en ISO 50001-certificering – eller overvejer I en – kan vi hjælpe med at vurdere, hvordan AI kan styrke jeres energiledelse i praksis.