Tänk om värmepumpen visste när du kommer att duscha eller använda stora mängder varmvatten? Då skulle den kunna producera varmvatten vid rätt tidpunkt i stället för att värma i onödan. Det är just denna idé som står i centrum för industridoktoranden Manal Rahals forskning hos Thermia, där maskininlärning används för att göra värmepumpar smartare och mer energieffektiva.
I dag styrs många värmepumpar av fasta regler och förinställda gränsvärden. Problemet är att de inte tar hänsyn till att människors varmvattenanvändning varierar över tid. En familj som duschar tidigt på morgonen har andra behov än ett hushåll där de flesta duschar sent på kvällen. När värmepumpen inte förstår dessa mönster kan det leda till onödig energianvändning eller att varmvattnet inte räcker till när det behövs.
I sin licentiatavhandling, Data-Centric Machine Learning for Reliable Industrial Systems, undersöker Manal Rahal, industridoktorand inom forskarskolan EXACT, hur maskininlärning kan användas för att förutse hushållens varmvattenbehov och därmed styra värmepumpar mer effektivt. Målet är att gå från dagens reaktiva styrning till en mer förutseende och efterfrågestyrd drift.
– Fokus i min forskning är att använda maskininlärning för att göra värmepumpar smartare. Genom att lära sig hur ett hushåll använder varmvatten kan systemet förutsäga framtida behov och anpassa produktionen därefter, säger Manal Rahal.
Lär sig hushållets vanor
Forskningsprojektet bygger på data från svenska hushåll med värmepumpar. Genom att analysera stora mängder sensordata kan algoritmerna identifiera mönster i varmvattenanvändningen och upptäcka återkommande händelser som exempelvis duschar.
I avhandlingen presenterar Manal Rahal ett system som kombinerar prediktiva modeller med metoder för avvikelsedetektering. Tillsammans skapar de en slags personlig kalender över hushållets varmvattenanvändning. På så sätt kan värmepumpen förbereda sig inför perioder med hög efterfrågan och samtidigt undvika onödig uppvärmning när behovet är lågt.
Forskningsresultaten visar att den maskininlärningsmodell som kallas LightGBM gav både högre träffsäkerhet och betydligt kortare beräkningstid än flera avancerade djupinlärningsmodeller. Modellen var mellan tre och fyra gånger snabbare att träna och gav samtidigt bättre prognoser för varmvattenförbrukningen.
Kan bidra till lägre energikostnader
Uppvärmning och varmvatten står för en betydande del av energianvändningen i många bostäder. Enligt Manal Rahal finns därför stor potential att minska både energiförbrukning och elkostnader genom smartare styrning.
– Om värmepumpen kan producera varmvatten vid rätt tidpunkt i stället för att arbeta enligt fasta regler kan vi minska energianvändningen utan att försämra komforten, säger Manal Rahal.
Forskningen är särskilt relevant i ett energisystem som blir allt mer beroende av effektiv användning av el. Smarta värmepumpar skulle inte bara kunna minska kostnaderna för enskilda hushåll utan också bidra till ett mer hållbart energisystem genom att minska den totala efterfrågan på el.
Från forskning till verklig användning
Nästa steg i forskningen är att testa och vidareutveckla tekniken i mer realistiska miljöer. Ett mål är att låta modellerna hantera ännu större variationer i användarbeteenden och att kombinera hushållsdata med information om exempelvis väderprognoser och elpriser. På så sätt skulle värmepumpar kunna fatta ännu bättre beslut om när det är mest fördelaktigt att producera varmvatten.
EXACT
Manal Rahal är industridoktorand inom forskarskolan EXACT vid Karlstads universitet. Hennes forskning hos Thermia fokuserar på hur värmepumpar kan bli mer energieffektiva genom att använda data och maskininlärning för att styra produktionen av varmvatten efter faktisk efterfrågan.
Industriforskarskolan EXACT finansieras genom anslag från KK-stiftelsen.
Ta del av forskningen
