Rätt typer av renoveringar kan ha en betydande påverkan på både miljön och ekonomin. Det som fungerar bäst skiljer sig dock avsevärt beroende på byggnader, platser och hur de används. Ny studie från Umeå universitet visar att analyser som baseras på AI kan ge skräddarsydda rekommendationer som resulterar i minskad energiförbrukning, färre utsläpp och lägre kostnader.
Byggnader svarar för cirka 30 procent av den globala energiförbrukningen och mer än en fjärdedel av de internationella koldioxidutsläppen. För att uppnå klimatmålen är det därför nödvändigt att nuvarande byggnader blir avsevärt mer energieffektiva. Samtidigt baserar många av dagens planeringsmetoder sig på förenklade antaganden där byggnader klassificeras i breda grupper och får samma rekommendationer, oavsett lokala variationer.
I sin avhandling har Santhan Reddy Penaka, doktorand vid Umeå universitets avdelning för tillämpad fysik och elektronik, skapat nya datadrivna metoder som tar bättre hänsyn till att varje byggnad är unik.
– Befintliga modeller utgår ofta från att alla byggnader inom en kategori fungerar likadant, vilket leder till generella renoveringsråd. I verkligheten kan den mest effektiva åtgärden skilja sig avsevärt – även mellan två grannhus, säger Santhan Reddy Penaka.
AI fångar skillnaderna mellan byggnader
Genom att använda maskininlärning, så kallad förklarbar AI och dataintegration – där olika ofullständiga datakällor sammanförs – har forskningen lyckats avgöra vilka delar av en byggnad som mest påverkar energiförbrukningen: väggar, fönster, tak eller golv.
I en studie som granskade 81 byggnadskluster i Linköping, Lund och Umeå framgår att den mest effektiva renoveringsstrategin skiljer sig markant beroende på typ av byggnad, klimatzon och geografiskt läge. I vissa exempel är tilläggsisolering av väggar den mest avgörande åtgärden, medan den i andra situationer har en mer begränsad påverkan.
– Generella renoveringsplaner riskerar att missa denna variation. Med mer detaljerade analyser kan resurser användas där de gör störst nytta, säger Santhan Reddy Penaka.
Hur vi agerar har betydelse
En central aspekt av modellen är dess beaktande av hur människor faktiskt använder sina hem. Det handlar om detaljer som hur ofta fönster öppnas eller hur hushållsapparater används, i stället för att förlita sig på en genomsnittlig användning.
Studier visar att förenklade antaganden om användarbeteenden kan leda till att energiförbrukningen beräknas felaktigt med så mycket som 15 procent. När modellen tillämpas för att utvärdera Sveriges kommande effektbaserade eltariff, som är planerad till 2027, framkommer det att förändringar i beteendet kan minska toppbelastningen i elsystemet med 6 till 17 procent, beroende på byggnadens typ.
Från forskning till praktisk tillämpning
För att göra forskningsresultaten mer tillgängliga för allmänheten har Santhan Reddy Penaka skapat en interaktiv 3D-visualiseringsplattform. Där kan husägare jämföra energiprestandan hos sina hem med liknande byggnader i området och experimentera med olika ”tänk om”-scenarier angående både renoveringar och förändringar i beteende.
– Målet är att gå från breda policyrekommendationer till lokalt anpassade och kunskapsbaserade strategier som kommuner och fastighetsägare faktiskt kan använda, avslutar Santhan Reddy Penaka.
