AI-skolan del 1: Så har Aira utvecklat sin AI-tränade värmepump i fyra steg

Denna text är ett betalt samarbete ihop med branschorganisationen Teknikföretagen. Läs mer om det i rutan under artikeln.

Till skillnad från i Norden värms de flesta hem ute i Europa upp med gaspanna, vilket bidrar med enorma mängder utsläpp. Det är något Aira vill förändra med sina energisnåla värmepumpar. Med miljardbackning från investerare som Temasek, Altor och Kinnevik med flera i ryggen har de etablerat sin egen fabrik i Polen för att tillverka sina egna värmepumpar, som de sedan säljer med en finansieringslösning som gör att kunderna både minskar sina utsläpp och sina kostnader.

Köper någon i Storbritannien, Tyskland eller Italien (länderna där Aira idag är aktiva) ett värmepumpssystem från bolaget så är tanken att det ska vara utformat för att anpassas till varje enskilt hem. För det krävs att systemet är smart – och det är här AI kommer in i bilden.

“Det börjar med att vi besöker varje kund och i samband med det bygger en termisk modell av huset där vi kan beräkna saker som till exempel värmeförluster och flödestemperaturer”, sa Airas teknik- och produktchef Kaj af Kleen på meetupen, och fortsatte:

“Sedan börjar vi samla in ännu mer data om huset. Hur mycket energi som behövs för att värma upp det, hur solens strålar värmer, antal fönster, hur kunden själv vill ha temperaturen och så vidare. Den datan använder vi sedan för att träna upp olika maskininlärningsmodeller.”

När systemet väl är installerat fortsätter hårdvaran att generera en rad olika datapunkter.

“Då ser vi hur mycket de olika delarna behöver jobba och kan korrigera efter användarens preferenser”, sa Kaj af Kleen.

Inlärning i fyra steg

I april i år installerade Aira sina första värmepumpar. Sedan dess är läroprocessen igång. Kaj af Kleen summerade processen i fyra steg.

1. Simulering av hus

Eftersom Aira ville bygga sin maskininlärnings-process redan innan de hade en produkt ute hos kund, var de tvungna att göra en komplett simulering av ett hus. Det gjorde de ihop med ett forskarteam från KTH. Att ta hjälp av forskare i olika projekt var något Kaj af Kleen tipsade om, det är väldigt givande att periodvis komplettera teamet med den typen av akademisk spetskompetens och kostnaden behöver inte bli särskilt hög.

Här jämförde de hur olika åtgärder kunde påverka systemet under fastställda fysiska förhållanden, som väder, värmeförlust och förbrukning.

2. Optimering

När värmepumpen väl är på plats börjar de olika modellerna att jobba (Aira använder en kombination av olika maskininlärningsmodeller). Det skickas signaler till värmepumpen som justerar driftschemat med hänsyn till användarens preferenser, väderprognos, solinstrålning, eltariffer och så vidare.

3. Utfall

Här ser man hur optimeringen samspelar med värmepumpssystemet och hur det påverkar hemmet i sin helhet. Hur värmen rör sig i huset och hur energiförbrukningen påverkas.

4. Modell för utvärdering

För att utvärdera effekten av optimeringen har Aira utvecklat en modell som besvarar frågan: 'Vad skulle energiförbrukningen ha varit om inga optimeringsåtgärder hade vidtagits?' Det kan sen jämföras med det faktiska utfallet av optimeringen.

Lärdomen: riktig data behövs

Så finns det några lärdomar från utvecklingen av den AI-tränade värmepumpen? Absolut, menade Kaj af Kleen:

“Det är svårt att börja utan någon stor mängd data. Det första året handlade mycket om att få just hårdvaran att kommunicera rätt. I vårt fall hade vi ingen data alls från husen. Det var därför vi fick bygga en simulering av ett hus, en termisk modell som gav många svar – men inte alla.”

Det var alltså här de tog hjälp av forskarteamet från KTH.

“Det handlar mycket om att testa och leka runt, innan man har den här stora mängden data.”

Är det något annat som ni i efterhand kan se att ni gjorde helt fel, som det går att dra lärdomar av?

“Jag kan säga att vi hade underskattat vikten av hur mycket solen påverkar uppvärmningen av ett hem. Exempelvis har vi idag data på alla möjliga fönsterstorlekar.”