Hvordan AI omformer fremtidens energi i bygninger

‍

I løbet af det seneste år har verden været vidne til et transformativt skift forårsaget af generativ kunstig intelligens. Denne revolutionerende teknologi har ført til hidtil usete fremskridt i mange forskellige brancher, og mange eksperter har udråbt den til at være et af de mest betydningsfulde teknologiske gennembrud i nyere tid.

I denne artikel ser vi på, hvordan andre former for kunstig intelligens i øjeblikket er ved at revolutionere et af de vigtigste infrastrukturelle elementer i det moderne samfund: energisektoren.

I de sidste to århundreder har energi i dens forskellige former været en vigtig drivkraft for økonomisk udvikling og forbedringer i levestandarden over hele kloden. Men denne intense efterspørgsel efter energi blev primært dækket gennem forbrug af fossile brændstoffer, hvilket førte til udvinding af store mængder kulstof, der var lagret under jordskorpen, og frigivelse af det i atmosfæren. Denne proces har været katalysator for en af de største eksistentielle trusler, menneskeheden nogensinde har stået over for: ^{klimaforandringer1}.

I de senere år, hvor flere og flere videnskabelige beviser er begyndt at fremhæve, hvor presserende og alvorligt det er med et varmere klima, er energibesparelser blevet et primært fokus og er nu på dagsordenen i de fleste offentlige og private organisationer rundt om i verden. Drevet frem af enorme mængder computerkraft og med flere og flere data til rådighed er flere AI-baserede løsninger begyndt at dukke op på energiområdet.

Dette er det første af en række indlæg, hvor jeg vil give et generelt overblik samt nogle dybe nedslag i forskellige emner og teknologier i skæringspunktet mellem AI og energi. I denne første artikel vil fokus være på optimering af energiforbruget i bygninger ved hjælp af Machine Learning-modeller.

‍

Forskellen mellem kunstig intelligens og maskinlæring

For at undgå forvirring, lad os hurtigt afklare begreberne kunstig intelligens (AI) og maskinlæring (ML), som ofte bruges i flæng.

AI er et bredere begreb inden for datalogi, der refererer til skabelsen af systemer, der er i stand til at udføre opgaver, der typisk kræver menneskelig intelligens.

ML er en delmængde af AI, der involverer brugen af algoritmer til at gøre det muligt for maskiner at lære af data og træffe beslutninger baseret på disse data. Maskinlæring er en af de vigtigste teknikker, der i øjeblikket bruges til at realisere kunstig intelligens, men ikke alle AI-systemer bruger ML som deres underliggende ^teknologi2. De teknikker, vi vil analysere i dette indlæg, hører til kategorien Machine Learning.

Nu, hvor vi har afklaret de to begreber, er vi klar til at gå i gang med vores rejse. Men før vi dykker ned i de tekniske detaljer, så lad os tage et skridt tilbage og prøve at forstå bygningernes kontekst og deres betydning i vores globale indsats for at reducere CO2-udledningen.

‍

Hvorfor er bygninger relevante for klimaforandringer?

Ifølge Det Internationale Energiagentur (IEA) står driften af bygninger (dvs. ekskl. byggeri) for 30 % af det endelige energiforbrug og 26 % af de globale energirelaterede CO2-udledninger på ^verdensplan3. Dette omfatter 8% direkte emissioner i bygninger og 18% indirekte emissioner fra produktion af elektricitet og varme, der bruges i bygninger.

‍

‍

‍

At gøre bygninger mere energieffektive ses derfor som afgørende for at nå de globale klimamål til tiden. Ifølge IEA's prognose kan implementering af energieffektivitet give en reduktion i de årlige energirelaterede udledninger på 3,5 Gt CO2-ækv, hvilket bidrager til over 40% af den reduktion, der kræves for at være i overensstemmelse med ^{Paris-aftalen4}.

De seneste rapporter har imidlertid vist, at den globale indsats for at reducere energiforbruget i bygninger ikke gør de nødvendige fremskridt. Der er brug for en markant ændring i tendensen og en betydelig indsats, hvis vi skal nå vores 2030-mål i "Net Zero by 2050"-scenariet.

‍

‍

‍

Dette nødvendige temposkift kan lettes af AI-baserede løsninger. Dette er i stigende grad muligt på grund af den hurtige digitalisering af bygninger og den udbredte installation af sensorer og målere, som gør det muligt at implementere sådanne løsninger nu og vil fortsætte med at gøre det i de kommende år. Så lad os gå videre til at forsøge at besvare det næste spørgsmål: På hvilke måder kan AI hjælpe os med den ambitiøse opgave at dekarbonisere bygningssektoren?

‍

Use-cases til forudsigelse af energiforbrug

Det er ikke let at reducere CO2-udledningen i bygninger. Det er et komplekst puslespil med mange bevægelige dele. En vigtig brik i puslespillet er at skabe pålidelige forbrugsmodeller for bygninger, som derefter kan bruges til at optimere energiforbruget på forskellige måder. Nøjagtig modellering af energiforbruget gør det muligt at træffe rettidige og informerede beslutninger om energiforbrug, reducere spild og i sidste ende bidrage til vores bestræbelser på at opnå energineutrale bygninger. Dette særlige område er en vigtig mulighed for AI til at gøre en betydelig forskel.

Alt dette lyder måske stadig en smule abstrakt, så lad os se på seks almindelige brugsscenarier, hvor modellering af energiforbrug kan hjælpe med at reducere CO2-udledningen i bygninger.
‍

1. Detektering af energispild og uregelmæssigheder i forbruget: De fleste store bygninger drives på en ineffektiv måde, hvilket fører til, at store mængder energi går til spilde. Energiforudsigelsesmodeller kan bruges til at fastlægge en bygnings baselineforbrug. Når det foreligger, kan algoritmer til detektering af afvigelser bruges til løbende at evaluere bygningens ydeevne i forhold til baseline. Eventuelle væsentlige afvigelser i forbruget kan indikere problemer eller ineffektivitet, f.eks. fejl i udstyret, som så kan løses med det samme. Dette er især vigtigt i store bygninger, hvor det kan være svært at kontrollere alle systemer, og hvor små fejl kan resultere i et betydeligt energispild, hvis de ikke opdages i tide.
   ‍
2. Evaluering af energieffektivitetstiltag i bygninger gennem avanceret måling og verificering: Det er en kompleks proces at estimere effekten af energieffektiviseringsprojekter, også kaldet måling og verificering (M&V). Energieffektivitetsbesparelser repræsenterer et fravær af forbrug og kan derfor ikke måles med et instrument. En måde at overvinde dette problem på er ved at beregne en kontrafaktisk energimodel. Kontrafaktiske modeller er modeller, der bruges til at overveje, hvad resultatet ville have været i en situation, hvis der var blevet truffet en anden beslutning, eller hvis der var sket en anden hændelse. Når man arbejder med energieffektivitet, kan en kontrafaktisk energimodel bruges til at estimere forbruget i en bygning i et alternativt scenarie, hvor en energieffektivitetsforanstaltning ikke blev implementeret. Ved at sammenligne det reelle målerforbrug med det kontrafaktiske modelforbrug kan vi estimere størrelsen af besparelserne. Disse modeller hjælper energiledere med kvantitativt at vurdere virkningen af implementerede tiltag og vejlede fremtidige strategier.
   ‍
3. Optimering af styring af varme, ventilation og aircondition (HVAC) ved hjælp af Model Predictive Controllers (MPC'er): Airconditionanlæg kan udgøre en stor del af det samlede energiforbrug i en bygning. Det betyder, at bygningens forbrug kan reduceres betydeligt blot ved at styre disse systemer på en optimal måde. Men afhængigt af bygningens størrelse kan disse systemer bestå af hundredvis af komponenter, og det kan være en udfordrende opgave at styre dem. Model Predictive Controllers (MPC'er) er prædiktive modeller, der hjælper med at træffe optimale kontrolbeslutninger for at balancere det delikate samspil mellem at opretholde indendørs komfortniveauer og reagere på information fra bygningssensorer, udendørs vejr og elnetværkets tilstand. Dette fører ikke kun til energi- og kulstofbesparelser, men bidrager også til bredere mål såsom at støtte integrationen af vedvarende energikilder og samtidig stabilisere energinettet.
   ‍
4. Estimering af virkningen af fleksibelt forbrug: Demand Side Flexibility (DSF) henviser til praksis med at modulere efterspørgslen efter energi i en bygning eller et anlæg for at matche udbuddet, primært i spidsbelastningsperioder. Kontrafaktiske energimodeller kan bruges til at estimere effekten af fleksibilitetsudrulning, hvilket giver en "hvad nu hvis"-analyse, der kontrasterer det faktiske scenarie med et alternativt scenarie, hvor energiefterspørgslen ikke blev reduceret. Dette har særlig relevans, når man beregner fleksibilitetskompensationer for enheder, hvilket muliggør en nøjagtig repræsentation af den værdi, der bidrager til det samlede energinets effektivitet og stabilitet.
   ‍
5. Støtte til energiselskaber i Day-Ahead markedsplanlægning: Day-ahead energimarkeder er baseret på forudsigelse af den næste dags energibehov pr. time, en proces, der er afgørende for energiselskaberne. Prognosealgoritmer spiller en meget vigtig rolle i forudsigelsen af denne efterspørgsel og giver forsyningsselskaberne den indsigt, de har brug for til at deltage i auktionerne på energimarkedet. På den måde kan de bestemme den mængde energi, de vil levere, og den tilsvarende pris. Takket være disse algoritmers nøjagtige estimater sikres optimal ressourceallokering, hvilket betyder, at energikilder med høj CO2-intensitet, såsom naturgas, kan holdes på standby, når der ikke er brug for dem, hvilket sænker bygningers indirekte CO2-udledning betydeligt.
   ‍
6. Karakterisering af bygningskonvolutter gennem inferensmodeller: En bygningskonvolut består af de fysiske elementer i en bygning, der adskiller dens indre fra det ydre miljø, såsom vægge, tage og vinduer. Ved at få indsigt i kvaliteten af en bygnings klimaskærm kan man fremhæve områder med ineffektivitet, som f.eks. varmetab gennem dårligt isolerede vægge, og dermed få vejledning til målrettede forbedringer. Energiforbrugsmodeller kan analysere historiske energiforbrugsdata for automatisk at opdage dårligt isolerede bygninger, hvilket reducerer behovet for ad hoc-energirevisioner og nedsætter tiden til disse analyser betydeligt.
   ‍

‍

Hver af de beskrevne applikationer tjener et specifikt formål og bidrager til energioptimering og emissionsreduktion i det byggede miljø. De understreger den generelle værdi og potentialet af Machine Learning-algoritmer i energisektoren, og disse eksempler er kun toppen af isbjerget. Efterhånden som AI-feltet fortsætter med at udvikle sig og blive raffineret, kan vi forvente endnu flere innovative og effektive anvendelser af disse teknologier.

‍

Hvis du vil dykke dybere ned i emnet om, hvordan man udnytter AI til at forbedre energieffektivitet og bæredygtighed, skal du gå til Benedettos Substack.

Noter og kilder:

1. Hvis du er interesseret i en detaljeret og velskrevet beretning om de eksistentielle trusler, menneskeheden står over for, kan du med fordel læse Afgrunden af Toby Ord

2. For en mere detaljeret analyse, se Googles oversigt over AI vs. ML.

3. Kilde: https://www.iea.org/energy-system/buildings

4. Kilde: https://www.iea.org/reports/multiple-benefits-of-energy-efficiency/emissions-savings

‍

‍