En vanlig anledning till att fjärrvärmesystem är ineffektiva är att det finns en uppsjö av avvikelser i systemet som inte upptäcks. För att öka effektiviteten krävs att avvikelser upptäcks och åtgärdas snabbare. Här kommer AI och avancerad analys in i bilden. Genom att ta vara på all den data som redan finns går det att träna systemet på smart igenkänning av energiförbrukningsmönster och avvikelser.
– Här har energibranschen en del att jobba på, men det finns förutsättningar till många framtida vinster – ekonomiska, för kunden och för klimatet. Detta eftersom branschen har tillgång till så mycket data, säger Maria Hansson på Solita och den som leder projektet.
I projektet, som kallas Data Science Brava, deltar ett 40-tal energibolag samt forskare från bland annat Chalmers, Lunds tekniska högskola och Högskolan i Halmstad. De arbetar tillsammans för att utveckla AI-metoder för mätare, fjärrvärmecentraler och energitjänster. Inledningsvis har man valt att fokusera på mätarna.
En avgörande faktor för att kunna genomföra detta utvecklingsprojekt är att det finns stora mängder högkvalitativa och uppmärkta data. Tillgången till data finns, men de flesta energibolag saknar rutiner för att märka upp och kategorisera data för systemens normala beteenden och olika typer av avvikelser. Arbetet med att få tillgång till och kvalitetssäkra data har därför varit omfattande i projektet. De medverkande energibolagen har lämnat anonymiserade data för att man ska kunna dra analytiska slutsatser.
– Genom att använda avancerad analys och AI-metoder undersöker vi vilka förbättringar som finns kring övervakning av fjärrvärmesystemet och detekterar avvikelser och läckage i fjärrvärmedistributionen, säger Maria Hansson och fortsätter:
– Därefter behöver metoderna valideras, för att energibolagen ska kunna använda dem i praktiken. Dessa metoder blir ett viktigt komplement till de traditionella metoderna i arbetet med att identifiera avvikelser, felorsaker och ta fram åtgärdsförslag.
För att ta fram AI-metoderna finns ingen färdig mall, utan det krävs att man jobbar mycket kring ett analytiskt resonemang, där deltagarna i projektet diskuterar vilken data de ska använda, vilka parametrar som ger mest värde, hur de når högst precision genom att använda olika typer av algoritmer osv. Dessutom behöver de som utvecklar metoderna föreslå och beskriva hur dessa ska tillämpas i praktiken, så det är flera steg innan energibolagen kan använda metoderna.
Maria Hansson lyfter fram två viktiga resultat som hittills har kommit fram i projektet – en branschgemensam taxonomi för avvikelseorsaker och en nyutvecklad metod för att beräkna och uppskatta värdet av att så tidigt som möjligt identifiera en avvikelse och genomföra en åtgärd. Denna metod går just nu under namnet Analysvärdesmatrisen.
– Ska vi jobba med information som gemensam tillgång behöver vi ha ett sätt att beskriva informationen på ett liknande sätt. Vi har därför tagit fram en taxonomi som benämner alla nivåer på komponenter, avvikelser, åtgärder och felorsaker. Det är en förutsättning för att kunna arbeta med detta gemensamt när vi gör analyser eller gör gemensamma tillämpningar.
– Delar vi inte begrepp eller vokabulär kommer vi inte heller att kunna dela lösningar, betonar Maria Hansson.
En av de största fördelarna med AI-metoder är att energibolagen kan jobba proaktivt med fel, säger Maria Hansson, projektledare, Solita.
Analysvärdesmatrisen är ett sätt att visa på värdet av att jobba med den här typen av analytiska metoder.
– Matrisen ger underlag till ett business case, det vill säga till varför en investering bör genomföras av ett företag, men är också ett stöd för att kunna rangordna vad som ska prioriteras, förklarar Maria Hansson.
När man arbetar med datadriven analys får man tillgång till väldigt mycket information och då är rangordningen väldigt viktig. Har ett fel funnits länge och får stor konsekvens får den ett högt värde för att åtgärda felet.
– Det som är en av de största fördelarna med AI-metoder är att energibolagen kan jobba proaktivt med fel, eftersom de får indikationer på ett avvikande mönster, som bland annat kan bero på en liten läcka eller att en mätare mäter fel. Det kan också göra att de kan jobba mer med planerade insatser. De traditionella metoderna handlar mer om att reaktiva åtgärder, det vill säga att man gör en åtgärd när ett fel upptäcks exempelvis för att en kund ringer, säger Maria Hansson.
En utmaning med att kunna jobba med dessa AI-metoder är att det krävs rätt kompetens i bolagen och generellt sett behöver energibolag höja kompetensen inom detta område. Maria Hansson pekar på en lämplig arbetsform att börja med: att skapa ett team där en person arbetar minst halvtid med de analytiska metoderna och att det i teamet ingår två servicetekniker.
– Bolagen lägger dessutom ofta sedan till verksamhetutvecklare för att kunna ta fram och erbjuda sina kunder nya typer av tjänster baserat på dessa metoder, säger Maria Hansson.
Vi kortar tiden från upptäckt av fel till att vi kan åtgärda felet och hittar mätarfel som vi tidigare inte upptäckt, sägerAndreas Carlsson, energitjänstchef, Borås Energi och Miljö.
En av finansiärerna till projektet är Smart Energi, som är ett nätverk för digital utveckling i energibranschen. Borås Energi och Miljö är ett av bolagen som är initiativtagare till Smart Energi och de har inte haft AI-kompetens inom det egna företaget, utan sökt den kompetensen inom just nätverket Smart Energi. De har även initierat ett forskningssamarbete tillsammans med Högskola i Borås.
– Att samarbeta med andra gör också att vi kan hitta lösningar till en lägre kostnad. Att utveckla digitala lösningar inom exempelvis AI skulle för oss som medelstort bolag bli väldigt kostsamt, säger Andreas Carlsson, energitjänstchef på Borås Energi och Miljö.
– Genom att gå samman med andra får vi större ekonomiska resurser och kan därmed bygga ett mycket bättre system, men det handlar också om att vi tillsammans får större kunskap vilket gör att systemet blir bättre än om vi försökt att lösa detta på egen hand. Tillsammans blir vi en kompetent beställargrupp, säger Andreas Carlsson vidare.
På Borås Energi och Miljö har de använt AI-metoderna i sin dagliga verksamhet sedan 1,5 år tillbaka. Rådata hade bolaget sedan tidigare, men med hjälp av AI kan de nu enklare sortera ut vad som är viktigt att fokusera på.
– Systemet är intelligent på det viset att det riktar ljuset mot de anläggningar och mätare där det finns något som avviker på något sätt. En stor nytta med detta är att vi sparar mycket tid och därmed pengar, säger Andreas Carlsson och fortsätter:
– Vi kortar också tiden från upptäckt av fel till att vi kan åtgärda felet. Vi ser också att AI-systemet hittar mätarfel som vi tidigare inte upptäckt.
Borås Energi och Miljö ser att det finns många fördelar med att arbeta med AI på detta vis och de har bedömt att det är lönsamt redan från start att jobba med dessa metoder.
– Den insatsen vi gör får vi igen på fler områden. Det handlar exempelvis om vi genom att upptäcka fel tidigare kan få en mer effektiv energiproduktion och vi kan också öka kundnöjdheten eftersom fjärrvärmesystemet fungerar bättre, säger Andreas Carlsson.
Han tycker dessutom att det leder till ett bättre arbetsflöde, genom att fler fel hittas, att de benämns likadant tack vare taxonomin och att åtgärderna klassificeras. Detta sammantaget gör att det finns underlag till en forskningsdatabas som tränar upp algoritmerna.
Ytterligare en stor nytta för den akademiska världen är tillgången till data. Forskare som arbetar med analyser av fjärrvärmesystemet får normalt lägga en väldigt stor del av sin arbetstid på att leta data. Här har energibolagen, genom att lämna anonymiserade data, öppnat upp för väldigt stora datamängder.
– Det gör att forskarna kan lägga full kraft på själva forskningen, vilket snabbar på utvecklingen och är till större nytta för såväl forskare som energibolag, avslutar Andreas Carlsson.
Branschsamarbete för värmedistributionData Science BRAVA står för branschsamarbete för avancerad analys av värmedistribution och uppvärmningsbehov. Projektet ska med hjälp av avancerad analys, artificiell intelligens och maskininlärning, gradvis förbättra precisionen i att identifiera avvikelser och mönster i leveranser av fjärrvärme. I projektet deltar ett 40-tal energibolag, forskare och mjukvaruutvecklare. Projektet pågår under två år och avslutas under hösten 2021. Det finansieras av Energimyndigheten, Energiforsks program Futureheat och nätverket Smart Energi.
Ann-Sofie Borglund
