Smart utformning, styrning och optimering av termisk energilagring

Varför valde du ämnet för din doktorsavhandling?

Motivationen för forskningsområdet var en lucka i den befintliga litteraturen: trots betydande fokus på termisk energilagring (TES), finns det ett viktigt behov av smart integration av TES inom system som samtidigt är utrustade med högtemperaturkylning (HTC) och lågtemperaturvärmekällor (LTH). Många studier koncentrerar sig enbart på LTH-tillämpningar, medan traditionella system ofta förlitar sig på enkla kontrollstrategier som presterar dåligt i komplexa, verkliga operationer. Denna observation indikerade ett behov av forskning om avancerade kontroll- och optimeringsramverk som kan låsa upp TES:s fulla potential i LTH- och HTC-system.

Möjligheten att arbeta med en befintlig kommersiell byggnad – Juvelen i Uppsala, som förvaltas av Vasakronan och utvecklats av Skanska med hjälp av dess Deep Green-koncept – gav ett verklig sammanhang för forskningen. Juvelen rankas bland de mest energieffektiva byggnaderna i Sverige och använder borrhålstermisk energilagring och fjärrvärme utan mekaniska kylmaskiner eller värmepumpar. Dock hade systemet fortfarande utrymme för förbättring när det gäller kostnadseffektivitet, dynamisk responsivitet och miljöprestanda.

Detta projekt syftade till att undersöka potentialen hos smart kontroll, adaptiv drift och maskininlärningsbaserad optimering för att förbättra ultraeffektiva byggnaders effektivitet, miljövänlighet och kostnadseffektivitet, och därmed bidra till de vetenskapliga och praktiska målen för Termo-programmet från Energimyndigheten och IEA-EBC Annex 37.

Vilka är de viktigaste resultaten?

Det föreslagna systemets prestanda förbättrades markant genom en serie intelligenta uppgraderingar via optimerings- och kontrollutvecklingsfaser. Integrationen av artificiella neurala nätverk med multi-objektiva algoritmer som NSGA-II resulterade i en förbättring av levererad användbar energi med 11 %, 14 % lägre kostnader och en minskning på 12,2 ton årliga CO₂-utsläpp. En PSO-optimerad adaptiv kontrollalgoritm som dynamiskt justerade radiatorernas tillförseltemperaturer efter solstrålning, beläggning och ventilation uppnådde en minskning av temperaturavvikelse med 72,7 %, 54,4 % förbättring av komfortkonsekvens och en minskning av värmeanvändningen med 13,2 %. Införandet av jordvärmepumpar med adaptiv säsongssmart kontroll förbättrade systemets prestanda betydligt och uppnådde en ökning av jordvärmeuttag med 27 %, 29 % minskning av värmekostnader och en minskning av årliga CO₂-utsläpp från 23,9 ton till 1,6 ton trots måttliga ökningar av investeringar och elanvändning. Implementeringen av modellprediktiv kontroll i det förbättrade systemet, som inkluderar integrerade värmepumpar och varmvattenlagring, visade betydande potential och resulterade i en minskning på upp till 15 % av årliga driftskostnader genom prognosbaserad realtidsoptimering.

Stötte du på något oväntat under ditt arbete med avhandlingen?

Flera viktiga överraskningar dök upp under forskningen. En var att inse hur enkla kontrollstrategier begränsade prestandan hos till och med avancerade byggnader som Juvelen. Trots dess ultraeffektiva design hindrade bristen på smart kontroll energi- och komfortprestandan.

En annan positiv överraskning var effektiviteten av att kombinera maskininlärning med optimeringsalgoritmer – ANN–NSGA-II-ramverket levererade bättre resultat och snabbare bearbetning än förväntat.

Under värmepumpintegrationsfasen blev vi inspirerade av hur Skanskas Deep Green Technology redan fungerade nära optimalt, men vi upptäckte att ytterligare förbättringar fortfarande var möjliga genom smart integration och kontroll.

Dock var inte alla fynd lovande. En utmaning var att modellprediktiv kontroll visade sig vara känslig för prognosnoggrannhet och krävde omfattande beräkningstid och datakalibrering, vilket gjorde verklig implementering mer komplex än ursprungligen förväntat.

Vem kommer att dra nytta av dina resultat? Vilken typ av påverkan kan det ha på det omgivande samhället?

Denna forskning erbjuder praktiska metoder för byggnadskonstruktörer, intressenter, energibolag och beslutsfattare för att effektivt designa och driva smarta TES-integrerade LTH- och HTC-system med avancerad kontroll. Den möjliggör kostnadseffektiv, energieffektiv och lågutsläppsdrift i byggnader, inklusive de med befintliga högpresterande system.

Denna studie stöder direkt Sveriges klimatmål att uppnå nettonollutsläpp till 2045 och en 50 % minskning av energiintensitet till 2030, och visar hur smart integration och maskininlärningsoptimering avsevärt kan minska energianvändning, driftskostnader och CO₂-utsläpp.

Det representerar också Sveriges bidrag till IEA-EBC Annex 37, genom att dela validerade modeller med lovande smarta lösningar och strategier internationellt, vilket stärker Sveriges ledarskap inom hållbar bygginnovation.

Vad kommer du att göra härnäst och var kan man nå dig?

Efter att ha avslutat min doktorsexamen planerar jag att fortsätta med en postdoktorstjänst, med fokus på att implementera intelligenta och AI-drivna renoveringsbeslut i samband med Sveriges åldrande byggnader. Medan mitt doktorarbete centrerade kring en ultraeffektiv ny byggnad, är mitt nästa mål att anpassa och tillämpa denna avancerade kunskap i äldre, mindre effektiva byggnader, som utgör större praktiska och politiska utmaningar.

Detta är särskilt betydelsefullt i Sverige, där cirka 30 % av byggnaderna uppfördes under 1970- och 1980-talen och fortsätter att fungera under föråldrade energistandarder (E eller lägre). Dessa byggnader representerar betydande möjligheter för energieffektiv renovering under det kommande decenniet och är centrala för Sveriges nationella renoveringsstrategi.

Kontakta mig på abehzadi@kth.se eller via Linkedin. Jag söker samarbeten med forskare, kommuner och intressenter som fokuserar på hållbar renovering, nationella koldioxidneutralitetsmål och den gröna energiomställningen.