Hvordan kan man sikre energieffektiv ventilation af større bygninger?
Én måde er gennem prædiktiv styring, som er et system, der forudsiger og tilpasser sig fremtidige forhold som vejr og elpriser.
Teknologien bruges dog sjældent, fordi den kræver kompliceret og kostbar opsætning.
I et nyt projekt skal Teknologisk Institut, Aalborg Universitet og ventilationsproducenten Airmaster udvikle en selvlærende algoritme, der skal fjerne det manuelle arbejde.
7 ud af 10 ejendomschefer står med samme hovedpine
– Prædiktiv styring har et dokumenteret potentiale, men i dag kræver det specialistviden at sætte det op korrekt til hvert enkelt lokale, og forkerte indstillinger kan i værste fald øge energiforbruget frem for at sænke det, siger projektleder Jakob Wulff Andersen fra Teknologisk Institut og fortsætter:
– Med SAAVER vil vi undersøge, om anlægget i stedet selv kan regne ud, hvordan lokalet reagerer termisk. Lykkes det, fjerner vi en væsentlig barriere for at udbrede teknologien.
Besparelse på 44 pct.
Teknologisk Institut og Airmaster har i et tidligere projekt vist, at et ventilationsanlæg kan optimere driften ved at tænke forud og tilpasse sig vejrudsigter, brugsmønstre og svingende elpriser.
Projektet viste en energibesparelse på 44 pct. sammenlignet med en fast temperaturindstilling på 23 grader.
For at et anlæg kan køre optimalt, skal det dog først konfigureres manuelt med data om det enkelte lokales isoleringsevne, rumvolumen og vinduernes type og orientering mod solen samt evt. solafskærmning.
For tørt indeklima flyver under radaren i bygningsreglementet
Det er en tidskrævende opgave med risiko for menneskelige fejl.
Ved hjælp af maskinlæring og tidsrækkeanalyse er det projektets ambition at udvikle en algoritme, der selv kan estimere et rums termiske egenskaber ud fra data fra anlæggets egne sensorer.
Projektet har et samlet budget på 5,25 mio. kr. og er støttet med 2,6 mio. kr. af Det Energiteknologiske Udviklings- og Demonstrationsprogram (EUDP) under Energistyrelsen.
