1.
Kraftsamling – AI i
samhällsbyggandet
AI användarfall inom förvaltning
Referensgruppsmöte 2 - 14 jan​

2.
Agenda
09:00 Incheckning
09:20 Kort återblick till Kraftsamlingen kring AI och användarfallet
09:30 Output från sprint 2
• Projektets målnivåer inkl. diskussion (25 min inkl. diskussion)
09:55 Paus
10:05 Demo Myrspoven (40 min inkl. diskussion)
10:45 Nästa steg
• Fokus kommande sprint
10:50 Nästa möte
10:55 Utcheckning
11:00 Avslutning

3.
Inledning och
incheckning

4.
Referensgruppens uppdrag och roll
• Få ta del av resultat och output från användarfallet
• Bidra med och utbyta kunskaper och erfarenheter
• Hjälpa till att styra in användarfallet på rätt spår mot resultat
som maximerar nyttan för samhälle, bransch och enskilda
aktörer

5.
Input från referensgruppen
föregående möte
• Avvikelsedetektering där
referensgruppen såg störst potential
• Det fanns även ett resonemang om att vissa
problemområden bygger på varandra - tex vad
behöver vi veta om en avvikelser och vad det är
innan vi kan komma med ett åtgärdsförslag.
• Ett viktigt medskick från
referensgruppen var också att det bör
finnas med ett fokus på hur lösningen
ska användas för att avlasta driften
som ofta har mycket att göra.
• Referensgruppen gav även feedback
kring att hitta en bra nivå på hur vi
presenterar tekniska koncept inom AI
för att göra det lättförståeligt.

6.
Inchecking - diskussion
- Har ni fått nya ideér eller tankar från
föregående möte?
- Vad har du för förväntningar på dagens
möte?
Diskutera i grupp och sedan
återsamling

7.
Kraftsamling AI och
användarfall Förvaltning –
kort återblick

8.
Syftet med Kraftsamling AI är att öka
tillämpningen av AI och skapa faktiska nyttor

9.
Intro till användarfallen
Planering Förvaltning
E-huset Styrpinnen 15
Övergripande idé: Ett beslutsstöd
vid planering av energisystem i nya
stadsdelar. Lösningen bygger på
simulering, modellering och
visualisering. ​
Övergripande idé: Lösning för att
effektivisera fastighetsdrift och
energiarbete genom en
samordnad bild av fastighetsdrift.
Resecentrum
Övergripande idé: Förbättra
arbetsmiljön på byggarbetsplatser
med hjälp av kameror, AI och
nudging
Produktion
Byggarbetsplatsen

10.
Kraftsamling AI
och användarfall
Förvaltning - Output från
sprint 2

11.
Recap - den initiala idén för
användarfall förvaltning
Beskrivning:
En AI-lösning för att effektivisera fastighetsdrift och energiarbete genom en samordnad
bild av fastighetsdrift. AI:n undersöker händelser, samordnar data, parametrar (BMS)
och analyserar samband som genererar en rapport/analys.
Utgångspunkten för den tekniska lösningen är att den ska vara möjlig att skala upp och
tillämpas i fler fastigheter/bolag. Systemet ska även vara skalbart för fler funktioner.
Kund/användare:
Teknisk personal inom förvaltning och drift på större fastighetsbolag.
Nytta:
• Automatiserade energikartläggningar
• Beslutstöd driftstöd och energiåtgärder
Under sprint 2: Mer fokus på att lösningen ska skapa nytta genom förståelse för
energikonsumtion och mönster i olika delar av byggnader utifrån befintliga mätare för att
slippa kostnadsdrivande installationer och öka skalbarheten

12.
Projektets målnivåer

13.
Går det att särskilja på
energier i byggnaden över
dygnet med en
någorlunda noggrannhet
+/- 20%
Kan vi använda
slumpmässig styrning för
att få AI att förstå vad som
påverkar vad i fastigheten.
Går det att standardisera
vilken typ av data och hur
stor mängd data som
behövs för att applicera
detta.
Kartlägga ger godkänt
här.
Går det att få en
noggrannhet när +/-5%
vilket kan innebära att
detta kan användas som
en sanningsenligt verktyg
även i byggnader utan
undermätare.
Hitta en lyckad strategi för
att inför slumpmässig
styrning som hjälper Ain.
Skapa en grundläggande
vy för användare så de
kan följa och göra utdrag
på olika byggnader och
använda detta för att
planera för investeringar.
Skapa en vy för data som
kan användas för hjälpa
till med exempel
energikartläggning (EKL)
och annan uppföljning av
byggnaden. Flertalet
grafer skall kunna tas
fram där användaren ska
kunna använda detta som
ett fullständig verktyg i
arbetet. Export (csv/Excel)
av data ska även kunna
göras för att arbeta med
data på annat håll.
Utvecklade vyer för att
skapa varningar för olika
händelser.
Genom att extrapolera
beteende kunna ge
rekommendationer på fel i
byggnaden.
Nivå 1 Nivå 2 Nivå 3 Nivå 4
Nivåmål
Genom att extrapolera
beteende kunna ge
förslag på åtgärder för att
förebygga fel eller planera
in service.
Nivå 5

14.
Samtal och återkoppling i grupper
• Ser ni andra nivåmål än föregående bild?
• Vilken nivå känner ni skulle behövas för att
skapa värde hos er?
• Diskutera i mindre grupp (10 min) och
sedan diskussion i full-grupp

15.
Demo Myrspoven

16.
Hypotesen är att AI-lösningen är kostnadseffektiv samt
möjliggör bättre förståelse för drift/uppföljning/planering
● Hypotesen är att denna AI-lösning ska:
○ Kunna ersätta kostnadsdrivande installationer av undermätare
■ Huvudmätare finns alltid, undermätare saknas ofta
○ Kunna skapa bättre förståelse för vad som händer i byggnader
(optimalt målnivå 5 enligt tidigare dragning)

17.
Huvudmätare
Färdig modell:
AI modell
Validering:
=
Beräknad
Beräknad Faktisk
Genom AI-lösningen så kan vi utifrån enbart
huvudmätaren förstå olika komponenter i en byggnad

18.
KP01_MQ001 VP01_MQ001
KB01 KB02
LB01 LB02 Kylbafflar & Fläktluftkylare
VS01 VS02 VV01
MQ45 MQ46
LB01 LB02 Radiatorer & CAV0201
Kyla Värme
IT:MQ47-MQ51
I byggnaden Styrpinnen 15 så byggs komponenter upp i en
trädstruktur

19.
Få tillgång till system
Upprätta dataströmmar
oktober December
Se över data &
homogen data
Tagga användbara
datapunkter och till
undermätare
Skapa modell som predikterar
energianvändning för
underliggande system
Jämföra modell mot
riktiga värden
Förväntad tidslinje

20.
Få tillgång till system
Endast Vasakronan
Upprätta dataströmmar
Mycket hål och
oregelbunden ström
Problem med
Homogen data
Utfall
Modellen kan ej särskilja data
”Black Box” - Ej godkända resultat
Hur kan vi få modellen att
särskilja på data?
Vad för metod istället för
”Black Box”?
oktober December
Tagga användbara
datapunkter och till
undermätare

21.
Sprinten visade två huvudsakliga problem
som projektet måste hantera
1 2
Normal körning av
fastigheter ger data som
inte ger AI-modellen
möjlighet att särskilja
vad som påverkar vad
Black box
Det går inte att låta
datorn få sätta ihop vilka
parametrar som är viktiga
och hur de ska påverka
utan input från en
människa

22.
Återkoppling och diskussion
- Vilka problem har ni stött på när ni jobbat med
AI-lösningar (t ex datalagring)?
- Hur löste ni problemen dvs. vad kan vi lära av
det?
Diskutera i grupp 10 minuter och sedan
återsamling

23.
#𝑑𝑟𝑢𝑛𝑘𝑛𝑖𝑛𝑔𝑠𝑜𝑙𝑦𝑐𝑘𝑜𝑟 = 𝛽0 + 𝛽1 ∙ 𝑇𝑢𝑡𝑜𝑚ℎ𝑢𝑠 + 𝛽2 ∙ 𝐺𝑙𝑎𝑠𝑠𝑓ö𝑟𝑠ä𝑙𝑗𝑛𝑖𝑛𝑔
𝑇𝑢𝑡𝑜𝑚ℎ𝑢𝑠
𝐺𝑙𝑎𝑠𝑠𝑓ö𝑟𝑠ä𝑙𝑗𝑛𝑖𝑛𝑔
Hypoteser på lösningar - Korrelation är inte
önskvärt (multikollinearitet)

24.
Multikollinearitet

25.
Hur löses detta problem?
Kan vi styra subsystem utanför normal drift?
Vår hypotes för att lösa det första problemet är att skapa
datapunkter som inte uppstår under normal drift
Skapa datapunkter utanför normal drift
Hur skulle resultaten se ut?
Kan vi ta fram hypotes för detta?
Ja, det kan vi

26.
Efter onormal styrning ser vi mindre korrelerande signaler
Före Efter (Hypotes)

27.
Vi ser även att signalerna är mindre kopplade
Före Efter (Hypotes)

28.
Jämför man 1 signal mot alla andra så har styrningen
även förbättrat möjligheten för AI-modellen
Före Efter (Hypotes)

29.
Vår hypotes på lösning för det andra problemet är att
introducera Termodynamik
𝐸 = ሶ
𝑚 ∙ Cp ∙ ∆𝑇
Relation mellan huvudmätare
och undermätare. Energi kan
ej förstöras eller skapas,
endast omvandlas.
𝐸𝑚𝑎𝑖𝑛 = ෍
𝑖=1
𝑛
𝐸𝑖,𝑠𝑢𝑏
Energiekvationer för de olika
subsystem som finns. Beräkning av
undermätare från massflöde och
temperatur.
Fördel Nackdel
Modellen får bättre utgångspunkt och
får mer information kring datapunkterna.
Modellen blir mindre generell
och kräver mer manuellt arbete.

30.
Våra (tekniska) lärdomar från sprinten – arbetet under "huven"
● Åtkomst till data och datakvalitet tar längre tid och är mer
omfattande än vi trodde
● Mängden data och kvalitet på data är inte alltid tillräcklig för AI-
modeller, vi måste kunna skapa mer data som gör modellen
smartare
● Första bästa modell fungerar inte alltid, utan man måste
experimentera med olika modeller för att få en bra lösning

31.
För att förbättra AI-modellerna kommer vi nu att styra
byggnader utanför normal drift samt introducera
termodynamik
𝐸 = ሶ
𝑚 ∗ Cp ∗ ∆𝑇
Styra byggnader utanför normal drift Termodynamik
𝐸𝑚𝑎𝑖𝑛 = ෍
𝑖=1
𝑛
𝐸𝑖,𝑠𝑢𝑏
Hypotes Drift-test Utvärdering

32.
Nästa steg Kraftsamling AI
och användarfall
Förvaltning - Output från
sprint 2

33.
Fokus kommande sprint
• Fokusera på slutanvändarna och börja skissa på User
Interface
• Involvera slutanvändarna
• Hur visualiseras AI:t?
• Applikationen får inte uppfattas som en "Blackbox".
• Vad får vi ut av algoritmen och vad kan vi använda den till?
• Jobba vidare på algoritm

34.
Nästa möte
• Fredag 8 april 2022 samma tid dvs. Kl. 9-11
• Inbjudan kommer inom kort

35.
Den 21 januari kör vi webbinarium –
tipsa gärna kollegor och kontakter!
Uppdaterad information om oss hittar ni på följande länk:
https://www.smartbuilt.se/projekt/informationsinfrastruktur/kraft
samling-ai-i-samhaellsbyggandet/

36.
Utcheckning
Skriv i chatten eller dela i helgrupp
• Vad tar du med dig från dagen?
• Vad skulle du vilja se mer av nästa gång?

37.
Avslutning – tack för idag!
Kraftsamling AI
och användarfall
Förvaltning - Output från
sprint 2

38.
Kontakta oss
Mariell Juhlin
Projektledare
• Mejl: mariell.juhlin@policy-impact.se
• Mobil: 070-366 9029
Marcus Weiland
Delprojektledare, Tillämpningsstöd
• Mejl: marcus.weiland@savantic.se
• Mobil: 070-762 3866
Ann-Kristin Belkert
Delprojektledare, AI Arena
• Mejl: ann-kristin@actinate.se
• Mobil: 070-366 6969
Leo Jakobsson
Delprojektledare, Användarfall
• Mejl: leo.jakobsson@dataedge.se
• Mobil: 076-853 2797
Johan Bergman
Delprojektledare, Användarfall
• Mejl: johan.bergman@dataedge.se
• Mobil: 076-635 3212