Jämn temperatur – en stor utmaning i flerbostadshus
Att hålla jämn inomhustemperatur i flerbostadshus är komplicerat och ställer krav på såväl byggnad som effektiva styrsystem och noggrann värmereglering. För hög inomhustemperatur innebär inte bara onödigt hög värmeenergianvändning, utan kan också orsaka komfortproblem.

Traditionellt har inomhusklimatet och byggnaders vattenburna värmesystem reglerats och baserats på utomhustemperatur. Framledningstemperaturen till byggnadens system har reglerats utifrån en värmekurva som anger ett antal punkter där önskad framledningstemperatur anges i förhållande till aktuell utomhustemperatur. Detta system har två grundläggande svagheter:
• För det första vet inte systemet vad det är för inomhustemperatur och kan därmed fortsätta att värma byggnaden även om det är varmare än önskat, exempelvis på grund av hög solinstrålning eller höga internlaster.
• För det andra tar systemet normalt enbart hänsyn till de aktuella förutsättningarna. Det kan exempelvis innebära att systemet värmer byggnaden ända tills ett väderomslag sker. Det kan jämföras med om man
kör en bil fram till en trafikkorsning; det mest ekonomiskt och komfortabla alternativet är att stegvis och mjukt lätta på gasen, istället för att tvärnita precis vid korsningen – som om man sett korsningen först när man var framme vid den.

I dag finns ett stort antal leverantörer som marknadsför smartare styrning på olika sätt. Det kan ibland benämnas som AI-styrning (artificiell intelligens) och ML-styrning (machine learning). Ofta marknadsförs dessa med olika exempel på mycket stora energibesparingar och/eller förbättrat inomhusklimat. En utmaning för fastighetsägare är att det är svårt att jämföra de olika marknadsförda exemplen, eftersom de haft olika förutsättningar och att det ofta är oklart hur stora förbättringar som skett genom förbättrad styrning eller om det även genomförts andra åtgärder.
Lunds kommuns fastighets AB (LKF) har därför under 2023–2024 i ett pilotprojekt utvärderat ett antal olika leverantörer av modellbaserad AI-styrning för enklare flerbostadshus och jämfört fördelar gentemot mer traditionella metoder. Jämförelsen baseras på kostnad, kvalitet och funktion. Även mjuka värden, såsom samarbete, leverans och utvecklingsmöjligheter, togs med i utvärderingen. I denna artikel fokuserar vi på förändrad energianvändning och inomhusklimat.
Genomförande
Pilotprojektet omfattar sju byggnader på fastigheterna Solgårdarna på Väster i Lund, vilka färdigställdes 1948, se figur 1. Dessa byggnader valdes för sin enkelhet, med en fjärrvärmecentral per byggnad, självdragsventilation och utan lokaler. Eftersom huskropparna är likvärdiga, underlättas jämförelser av resultaten mellan dem.
Innan projektet startades var temperaturen och varmvattenanvändningen i lägenheterna okända. Projektet inleddes med installation av varmvattenmätare, innetemperaturgivare och vattenbesparande
utrustning i samtliga lägenheter.
I fyra av byggnaderna har fyra olika modellbaserade styrningar från externa
leverantörer utvärderats parallellt med LKF:s egen prognosstyrning och adaptiva styrning.
Inledningsvis fördes dialog med fem leverantörer, men utvärderingen av den femte leverantören avbröts på grund av att tjänsten inte levde upp till förväntningarna avseende smarthet. Tjänsten uppfattades inte bygga på ML-styrning och/eller AI-styrning.
Uppföljning
Under utvärderingen följdes energianvändningen under större delen av värmesäsongen för 2023–2024 (oktober–februari) och jämfördes med medelvärden för uppvärmning från 2019 till 2022. I tabell 1 redovisas alla värden, normalårskorrigerade och avser enbart uppvärmningsenergi. De två styrningsalternativen som visar en märkbar förändrad energianvändning är leverantör 3, där energianvändningen minskar med 4,0 procent, samt LKF adaptiv, där energianvändningen minskar med
6,6 procent.
Det är naturligtvis enkelt att minska energianvändningen om man tillåter lägre inomhustemperatur. Därför är en viktig uppföljningsparameter hur stor avvikelse som uppmätts från måltemperaturen, 21 °C inomhus. I figur 2 redovisas resultat av mätningar som gradtimmar, det vill säga avvikelse med 2 °C i två timmar resulterar i fyra gradtimmar.
Om avvikelsen är mindre än ± 0,2 °C räknas den som 0. Samtliga avvikelser adderas till summan, oavsett om de är under eller över måltemperaturen. Leverantör 1 och LKF adaptiv avviker mest. Leverantör 1 har stor avvikelse på grund av att värmekurvan i fastigheterna var för låg, vilket leverantör 1, till skillnad från de andra, inte kunde kompenseras för. Att enbart använda adaptiv styrning utan prognosreglering (LKF adaptiv) visar sig vara minst effektivt när det gäller att bibehålla en jämn temperatur.
I figur 3 redovisas hur respektive styrning påverkade inomhustemperaturen
och energianvändningen. Här tas hänsyn till om avvikelsen är över eller under måltemperaturen. I figuren redovisas även en linjär interpolering med ekvation och hur väl interpoleringen överensstämmer med data (R2). Det låga R2-värdet visar att det inte finns ett tydligt samband mellan minskad energianvändning och lägre inomhustemperatur, även om det alternativ som minskade energianvändningen mest (LKF adaptiv) även var det alternativ som hade störst mängd negativa gradtimmar.
Diskussion och slutsatser
Det finns teknisk möjlighet att skala upp samtliga tjänster. För LKF finns det fördelar med att undvika fastlåsning i en specifik teknik och därför ser vi att öppna gränssnitt och API:er är att föredra vid val av värmeregleringsteknik.
Man bör vara försiktig med att dra för långtgående slutsatser eftersom detta pilotprojekt enbart testade en fastighet för respektive styrningsalternativ och tidsbegränsningar gjorde att hela värmesäsongen inte utvärderades. Fokus denna gång var dock inomhusklimat och inte energianvändning. Men det bör ändå understrykas att inget av alternativen kom i närheten av energibesparing i de nivåer som ofta kommuniceras i marknadsföring av olika styrningsalternativ. En orsak är naturligtvis att hela värmesäsongen inte inkluderats. En längre utvärdering hade sannolikt visat på större energibesparing. En annan möjlig orsak till detta kan vara att man, i de fall som används i marknadsföring, i samband med implementering av ny styrning upptäckte brister som åtgärdades. Dessa brister kan kanske ha upptäckts utan ny styrning och bör då inte räknas som en energibesparing som uppnåtts tack vare styrningen.
LKF:s prognosstyrning presterar väl jämfört med övriga leverantörer och innebär, för LKF, inga ökade kostnader. Det går dock inte att dra några slutsatser från denna pilotstudie om vi hade kunnat spara mer energi genom att använda en AI-tjänst. Vi efterlyser därför fler tydligt dokumenterade studier som undersöker och kvantifierar nyttan med olika alternativ för styrning av fastigheter. LKF kommer att arbeta vidare och skala upp sitt arbete inom detta område och bland annat lägga mer kraft på att utvärdera hur olika styrningsalternativ påverkar energianvändning.
Henrik Adamsson och Stefan Kock, Lunds kommunala fastighetsbolag
Gustav Karlström och Björn Berggren, Sveriges allmännytta