Hoppa till huvudinnehåll

Värmeptimering med AI

Vad är Värmeoptimering med AI?

Energioptimering handlar generellt om att använda tillgängliga resurser – värme, kyla, ventilation, belysning, laddning – på ett sätt som minimerar kostnader och miljöpåverkan utan att komfort eller funktion försämras. När artificiell intelligens används i det arbetet förändras förutsättningarna på ett grundläggande sätt: i stället för fasta scheman och manuella justeringar kan systemet kontinuerligt lära sig, förutse och anpassa sig.

Från statiska styr- och reglersystem till inlärning​

Traditionell värmereglering bygger på styr och reglersystem som en människa har programmerat: "starta pumpen när utomhustemperaturen är lägre än 17 °C", "höj temperaturen på vardagar, sänk vid helger", "utekompensera värmen till radiatorerna". Det fungerar i stabila miljöer – men verkligheten är mer komplex. Byggnaden beter sig olika beroende på väder, beläggning och årstid. Det gör att vi får onödiga temperaturvariationer, för stor luftomsättning och följden blir förhöjd energianvändning och ett större klimatavtryck.

AI-baserad värmeoptimering ersätter eller kompletterar dessa fasta regler med modeller som kontinuerligt uppdateras baserat på verkliga mätvärden. Systemet lär sig hur byggnaden reagerar på kyla, sol och vind, och anpassar styrningen efter det – automatiskt och utan manuell inblandning. En bra analogi är vädertjänsternas "temperatur" och "upplevd temperatur".

Klimatstyrning av byggnader och vädertjänsternas "upplevd temperatur" – en jämförelse

När du kollar vädret i telefonen inför en promenad ser du oftast två siffror: den faktiska temperaturen och den upplevda temperaturen. En dag kan termometern visa +4 °C men upplevd temperatur är −2 °C på grund av vinden. En annan dag kan +8 °C i vindstilla solsken kännas som ett tiotal grader varmare. Det är välkänt att den uppmätta temperaturen sällan berättar hela sanningen.

Exakt samma princip gäller för byggnader – och den har djupgående konsekvenser för hur byggnader borde styras.

Vad mäts, och vad upplevs?​

En traditionell utegivare mäter lufttemperatur: Det är ett precist och reproducerbart mätvärde. Men det är inte detsamma som vad en byggnad påverkas av.

Byggnder påverkas av minst tre faktorer utöver lufttemperaturen:

  • Rymd- och solstrålning Byggnadens tak och ytterväggar kyls genom att värmen strålar ut ur atmosfären – oberoende av lufttemperaturen. Ett biltak kan t ex ha frost även om utomhustemperaturen är över 0 °C. Omvänt ger solinstrålning på tak, väggar och fönster ett effekt-tillskott som utegivaren inte kan mäta.
  • Vind. vindkylans effekt utomhus kan rörelse i luften inomhus – från ventilation, otäta fönster eller konvektionsströmmar – göra att rummet upplevs kallare än vad mätaren visar.
  • Fuktighet. En fuktig stenfasad påverkas när vattnet dunstar genom s.k sorptiv kyla. Du kan jämföra det med att doppa handen i jummet vatten. I vattnet är handen varm. När du tar upp handen så börjar vattnet avdunsta, enerig avges från huden, och du upplever den sorptiva kyleffekten.

Parallellen till vädertjänsternas modell​

Meteorologernas "upplevd temperatur" handlar alltså om att gå från en enkel mätpunkt till en kontextualiserad bild av verkligheten. En byggnad som styrs enbart utifrån utomhustemperaturen befinner sig i samma situation som en väderapp som bara visar termometervärdet. Den har en bit av sanningen – men inte hela.

Vad det innebär för klimatstyrning​

Ett värmesystem som enbart använder utetemperaturen som styrparameter antar implicit att alla andra faktorer är konstanta. Det stämmer sällan. En solig vinterdag med klar himmel och vindstilla kan solvärme via fönster tillföra betydande energi till byggnaden – energi som ett system utan klimatdata inte "ser". Resultatet blir övertemperering och onödig energianvändning. På kvällen, när solen gått ner och temperaturen sjunker snabbt, kan samma system reagera för sent.

En blåsig dag med hög vindavkylning och/eller sorptiv kylning, kyler fasaden och infiltrerar kall luft via otätheter – men det syns inte vid utetemperaturgivaren. Systemet kan undervärdera behovet och temperaturen sjunker inomhus.

Precis som en vindkylekorrigering förbättrar väderprognosens relevans, förbättrar en sammansatt bild av klimatpåverkan fastighetsstyrningens träffsäkerhet.

Den felplacerade utegivaren​

Ett värmesystems värmekurva är direkt beroende av den utetemperatur som systemet mäter. Om den givaren mäter fel – inte på grund av tekniskt fel, utan på grund av var den sitter – kompenserar systemet för ett klimat som inte stämmer med verkligheten. Ett vanligt exempel är utegivare placerade på innergårdar i stadsmiljöer. En innergård är ofta vindskyddad och omgiven av fasader som absorberar och återstrålar värme. På en kall vinterdag kan temperaturen på innergården vara flera grader högre än på den exponerade gatusidan. Givaren rapporterar −3 °C medan det i verkligheten är −7 °C mot den fasad där värmeförlusterna faktiskt uppstår. Värmesystemet tror att det är varmare än det är – och värmer för lite. Resultatet är att drifttekniker eller förvaltare över tid kompenserar för detta fel genom att manuellt höja värmekurvan. Det löser symtomet men inte orsaken: kurvan är nu inställd mot en felaktig mätpunkt, och systemet är permanent felinställt. Vid mildare väder – när innergårdens mikroklimat är mer representativt – värms byggnaden för mycket. Energin som förbrukas i onödan syns aldrig som ett enskilt fel, bara som en för hög energiräkning. Samma problem uppstår med givare placerade i direkt solljus, nära ventilationsuttag, under takutsprång eller på fasader med ovanligt hög eller låg exponering. Gemensamt är att mätpunkten är lokal och situationsberoende – den mäter sitt eget mikroklimat, inte det klimat som byggnaden faktiskt utsätts för.

Från mätpunkt till upplevd komfort – den smarta styrningens uppgift​

Det moderna svaret på detta är att kombinera flera datakällor och modellera byggnadens faktiska termiska beteende – inte bara reagera på en enda mätpunkt. Det innebär att ta in:

  • Utomhustemperatur, men också vindstyrka och solinstrålning
  • Faktisk inomhustemperatur från flera punkter i byggnaden
  • Väderprognoser som gör det möjligt att agera proaktivt, inte reaktivt
  • Kunskap om byggnadens termiska tröghet – hur lång tid det tar att värma upp eller kyla ner

Målet är inte att mäta mer för mätandets skull – det är att styra mot det som faktiskt upplevs som behagligt och energieffektivt, på samma sätt som "upplevd temperatur" ger ett mer användbart tal än rå termometerdata.

En sista parallell: baslinje och avvikelse​

Vädertjänster rapporterar också avvikelse från normalt: "tre grader varmare än genomsnittet för årstiden". Det ger sammanhang. En mätning utan referenspunkt berättar lite. Detsamma gäller energistyrning. En byggnad som förbrukar 180 kWh/m² per år – är det bra eller dåligt? Det beror på klimatzon, ålder, användning och en rad andra faktorer. Det är när man jämför mot en väldefinierad baslinje och följer avvikelsen över tid som man kan se om styrningen faktiskt gör skillnad. AI-baserade system gör just detta: de bygger en modell av vad "normalt" är för den specifika byggnaden och mäter kontinuerligt hur utfall förhåller sig till prognos. Avvikelserna driver förbättring.

Optimate – styrning som förstår mer än utomhusgivaren​

Enkey Optimate är byggt kring insikten att en utomhusgivare inte räcker. Systemet kombinerar väderprognoser med faktisk inomhustemperatur från trådlösa rumsgivare och byggnadens egna historik för att beräkna optimal styrning i realtid. Precis som "upplevd temperatur" ger en mer relevant bild än det värde du avläser på en termometer, ger Optimate en styrning som utgår från verklig komfort och faktiskt energibehov – inte bara en siffra från en givare på norrsidan av fasaden. Resultatet är jämnare inomhusklimat, lägre energiförbrukning och ett värmesystem som reagerar på vad som påverkar byggnadens uppvärmning och avkylning, inte vad utegivaren mäter.

Vad menas med "AI" i det här sammanhanget?​

I energioptimering av byggnader handlar AI framför allt om tre tekniker:

  • Maskininlärning innebär att algoritmer identifierar mönster i historiska data – till exempel hur länge det tar för en byggnad att nå önskad temperatur efter en kall natt – och använder dessa mönster för att fatta bättre beslut framöver.

  • Prediktiv modellering kombinerar interna mätvärden med externa datakällor som väderprognoser för att förutse framtida behov. Om en köldknäpp väntas inom 12 timmar kan systemet agera proaktivt i stället för reaktivt.

  • Optimeringsalgoritmer väger flera mål mot varandra – lägsta möjliga energianvändning, bibehållen komfort, reducerade effekttoppar – och hittar den styrning som bäst balanserar alla dessa krav under givna förutsättningar.

Vad kan optimeras?​

AI-baserad energioptimering kan tillämpas på en rad olika system i en fastighet:

  • Uppvärmning och kylning är det vanligaste området. Genom att styra den tillförda värmen dynamiskt – baserat på faktisk inomhustemperatur och väderprognos snarare än ett fast schema – kan energianvändningen för uppvärmning minska påtagligt, 10-20%, utan att komforten försämras.

Varför är det relevant nu?

Under lång tid var energi en förutsägbar kostnad i fastighetsbudgeten. Priset varierade lite från år till år, och det fanns sällan starka skäl att aktivt optimera förbrukningen. Den bilden har förändrats i grunden.

Fjärrvärmepriserna har stigit kraftigt​

Fjärrvärme är det dominerande uppvärmningssättet i svenska flerbostadshus och många kommersiella fastigheter. Under de senaste åren har priserna ökat markant hos ett stort antal nätägare. Bakom uppgångarna ligger en kombination av stigande bränsle- och produktionskostnader, ökade nätinvesteringar och en energimarknad som blivit mer volatil och svårprognostiserad. Eftersom fjärrvärme levereras som ett monopol inom varje nätområde har fastighetsägare begränsade möjligheter att byta leverantör. Det sätter press på att i stället minska behovet – att använda varje kilowattimme mer effektivt och undvika onödig förbrukning. Energioptimering handlar i det sammanhanget inte bara om komfort, utan om direkt kostnadskontroll i en miljö där priserna bestäms av andra.

Elpriserna är mer volatila och svårare att planera för​

Elektriciteten har gått från en stabil bakgrundskostnad till en av de mer oförutsägbara posterna i fastighetens driftbudget. Extrema prisvariationer – mellan timmar, dagar och säsonger – har blivit vardag snarare än undantag. Prisskillnaden mellan en natt med hög vindkraft och en kall vintermorgon med hög belastning kan vara mångdubbel.

För fastigheter med värmepumpar, elpatroner eller elberoende ventilationssystem påverkar dessa variationer driftskostnaderna direkt. Effektavgiften – en separat kostnad baserad på det högsta effektuttaget under en mätperiod – har dessutom fått ökad vikt i nättarifferna och kan utgöra en stor andel av den totala elkostnaden. Det räcker med ett fåtal olyckliga toppar per månad för att avgiften ska bli kännbar.

Från och med hösten 2025 handlas el i EU:s dagahead-marknad i 15-minutersintervall, vilket gör prisvariationerna ännu mer granulära. Det ökar både behovet av och möjligheten till precis styrning: en fastighet som kan anpassa sin förbrukning i 15-minutersintervall kan dra fördel av prisdalarna och undvika topparna på ett sätt som inte var möjligt tidigare. Detta löser Enkey med tjänsten efterfråganflexibilitet.

Kraven på uppföljning och rapportering ökar​

Parallellt med prisutvecklingen skärps de regulatoriska kraven. EU:s CSRD-direktiv innebär att ett växande antal fastighetsägare och förvaltare måste redovisa sin energiförbrukning och klimatpåverkan på ett spårbart och revisionsvänligt sätt. Vaga uppskattningar räcker inte längre – det krävs faktiska mätvärden, metodik och möjlighet till extern granskning.

Det skapar ett dubbelt tryck: att minska förbrukningen, och att kunna bevisa att man gör det. Genom att integrera befintliga mätare eller komplettera med nya mätare kan Enkey Building Insight® hjälpa dig att följa CSRD-direktivet. Här kan du läsa mer om rapportkrav

Sammantaget​

Stigande fjärrvärmepriser, volatil el och effektavgifter som slår hårt vid fel tidpunkt – tillsammans med ökade krav på mätbarhet och rapportering – gör energioptimering till en strategisk fråga snarare än en teknisk detalj. Det som tidigare var en nice-to-have har blivit en direkt ekonomisk och regulatorisk nödvändighet för den som förvaltar fastigheter med ambition att hålla kostnaderna under kontroll.

Optimate – intelligent värmestyrning för din fastighet​

Enkey Optimate är ett konkret exempel på hur AI-baserad energioptimering fungerar i praktiken. Systemet kombinerar trådlösa rumsgivare, väderprognoser och byggnadens egna temperaturdata, med realtids- och historisk energi- och effektdata, för att kontinuerligt justera värmestyrningen – utan att något befintligt system behöver bytas ut.

Resultaten är mätbara: jämnare inomhustemperatur, lägre energiförbrukning och reducerad effektavgift. Och eftersom all styrning loggas och visualiseras i realtid får du det underlag som krävs för uppföljning, rapportering och framtida optimering.