Sådana effektivitetsförbättringar är nödvändiga i Sverige, där energianvändningen via fjärrvärme fortsätter öka. För att möta EUs energieffektivitetsdirektiv om 30 % energieffektivitet till 2030, behöva uppfylla flera krav vars införande av energieffektivitetsåtgärder, förbättrad effektivitet hos uppvärmningssystem och tillåta bättre styrning av konsumtion via mätardata.

På den vetenskapliga sidan berör projektets mål flera av de mest dynamiska områdena inom maskininlärning och dataanalys t.ex. ”deep learning”, anomalidetektion, ”imbalanced learning”, tolkningsbarhet, prediktion med konfidens och koncept drift, samt ”loss function optimization”. Relevanta verktyg och teknologier kommer att använda för att lösa problemen runt automatisk övervakning av, detektera och förutsäga fel i fjärrvärmesystem med hjälp av sensordata insamlad från stationer, t.ex. från individuella mätare hos kunder.

Tidigare forskning har funnit att många fjärrvärmestationer (användare) är onödigt ineffektiva på grund av trasiga komponenter, felaktig konfigurering, suboptimala kontrollstrategier, sen feldetektion, etc. Således finns det utrymme för förbättringar både i effektivitet och kostnad.

Högskolan i Borås tillsammans med företagsparterna Borås Miljö och Energi, NODA Intelligent Systems och AB Bostäder har identifierat följande företagsutmaningar för projektet:

• On-line detektering av abnormt beteende per station
• Detektering av suboptimalt kontroll stationer i ett fjärrvärmenät
• Klassificering av upptäckt abnormt beteende

Projektet är organiserat i sex arbetspaket (AP):

AP1 - Projektledning och forskning miljö

AP2 - ”Deep learning” för tid serien anomali detektering, prediktering och klassificering

AP3 - Feldetektering och prediktering med konfidens i tid serien

AP4 - Integrering av dataanalys för fel prediktering i ett Intelligent beslutsstödsystem ramverk

AP5 - Resultats spridning och kunskapsöverföring

AP6 - Replikerbarhet och potential för kommersialisering