Tidningen Energi 1
E n 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 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 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 energi bolagen 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 En av de största fördelarna med AI-metoder är att energibolagen kan jobba proaktivt med fel. Maria Hansson, projekt ledare, Solita 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. A nalysvärdesmatrisen 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 TIDNINGEN ENERGI NR 2 2021 37