Selvlærende algoritme skal bidrage til energieffektiv ventilation

Pressemeddelelse den 21. september 2026

Ny teknologi kan spare energi i skoler og kontorer, men kræver i dag dyr og kompliceret opsætning. Nyt projekt skal automatisere processen.

Prædiktiv styring, det vil sige et system der forudsiger og tilpasser sig fremtidige forhold som vejr og elpriser, kan reducere energiforbruget til ventilation og temperaturregulering i skoler og kontorer. Men teknologien bruges sjældent, fordi den kræver kompliceret og kostbar opsætning. Teknologisk Institut, Airmaster og Aalborg Universitet vil i et nyt projekt, SAAVER, udvikle en selvlærende algoritme, der skal fjerne det manuelle arbejde.

Teknologisk Institut og Airmaster har vist i et tidligere ELFORSK-projekt, at et Ventilationsanlæg kan optimere driften ved at tænke forud og tilpasse sig vejrudsigter, brugsmønstre og svingende elpriser.

Men for at et anlæg kan køre optimalt, skal det først konfigureres manuelt med data om det enkelte lokales isoleringsevne, rumvolumen og vinduernes type og orientering mod solen samt evt. solafskærming m.m. Det er en tidskrævende opgave med risiko for menneskelige fejl, og de høje omkostninger betyder, at teknologien nok i praksis kun vil blive brugt sporadisk.

— Prædiktiv styring har et dokumenteret potentiale, men i dag kræver det specialistviden at sætte det op korrekt til hvert enkelt lokale, og forkerte indstillinger kan i værste fald øge energiforbruget frem for at sænke det. Med SAAVER vil vi undersøge, om anlægget i stedet selv kan regne ud, hvordan lokalet reagerer termisk. Lykkes det, fjerner vi en væsentlig barriere for at udbrede teknologien, siger projektleder Jakob Wulff Andersen fra Teknologisk Institut.

SAAVER står for Self-Learning Adaptive Algorithms for Ventilation and Energy Reduction, og  her skal man undersøge, om man kan ændre. Projektet har et samlet budget på 5,25 mio. kr. og er støttet med 2,6 mio. kr. af Det Energiteknologiske Udviklings- og Demonstrationsprogram (EUDP) under Energistyrelsen.

Målet: Opsætning uden en ekspert
Ved hjælp af maskinlæring og tidsrækkeanalyse er det ambitionen at udvikle en algoritme, der selv kan estimere et rums termiske egenskaber ud fra data fra anlæggets egne sensorer – uden at en tekniker skal konfigurere det manuelt.

Udover selve selvkalibreringen skal projektet også afprøve, hvordan funktioner som koordineret solafskærmning, forbedret nattekøling og en model for træk og luftens lagdeling kan bidrage til yderligere besparelser og bedre komfort.

Bygger videre på dokumenterede resultater
Projektet tager afsæt i et tidligere ELFORSK-projekt, hvor prædiktiv styring i en måleperiode på tre sommermåneder gav en energibesparelse på 44 procent sammenlignet med en fast temperaturindstilling på 23 °C. Målet i det nye projekt er at opnå yderligere besparelser oven i dette – men på årsbasis og i en almindelig driftssituation forventer partnerne mere moderate tal.

— Besparelsen afhænger meget af bygningen, årstiden og hvad man sammenligner med. Nogle af de funktioner, vi vil udvikle, er stadig på idéstadiet, og en stor del af projektet handler netop om at afklare, hvad der reelt kan lade sig gøre i praksis, siger Jakob Wulff Andersen.

Tilpasset til lokale forhold
Airmaster A/S, der producerer decentrale ventilationsanlæg, skal på sigt kommercialisere resultaterne som en softwareopdatering bl.a. til virksomhedens AMX4-anlæg, der har integreret varmepumpe.

— Vi ved fra tidligere analyser, at der allerede er store energibesparelser forbundet med at forsyne friskluft decentralt, fordi vi undgår energitab i distributionen gennem kanaler. Samtidig gør anlæggets indbyggede varmepumpe den til et oplagt valg til opvarmning og køling af rummet, fordi den har høj effektivitet. Vi har tidligere demonstreret, at MPC-teknologien giver store energibesparelser, fordi den i praksis kan "se ind i fremtiden". Med SAAVER sikrer vi os via machine learning, at systemet automatisk kan tilpasse sig de lokale forhold, også når de ændrer sig over tid. Dermed står vi med et fremtidssikret system, hvis energiforbrug kun udgør en brøkdel af mange af de løsninger af lidt ældre dato, der sidder i bygningerne i dag, siger Erik Bjørn, Head of Technology and Innovation hos Airmaster A/S.

Test i laboratorium og fuld skala
Aalborg Universitet bidrager med den matematiske modellering. En central udfordring bliver at få de beregningstunge algoritmer til at køre lokalt på anlæggets egen hardware, så løsningen ikke bliver afhængig af cloud-tjenester eller en konstant internetforbindelse.

De første prototyper skal testes under kontrollerede forhold i Teknologisk Instituts indeklimalaboratorium i Taastrup. Derefter skal systemet testes i fuld skala på et demonstrationssite hos Kamstrup A/S i Stilling, hvor der allerede er installeret 28 AMX4-anlæg. Resultaterne vil løbende blive formidlet gennem bl.a. fagartikler, konferencer og en videnskabelig publikation.

Fakta om SAAVER:

• Formål: At forske i og udvikle en selvlærende algoritme til prædiktiv styring (MPC) af decentral ventilation, der automatisk kan estimere et rums termiske parametre og dermed fjerne behovet for manuel opsætning.
• Projektperiode: 1. januar 2026 – 31. marts 2028.
• Samlet budget: 5,25 mio. kr., heraf 2,6 mio. kr. i støtte fra EUDP under Energistyrelsen.
• Partnere: Teknologisk Institut (projektleder), Airmaster A/S og Aalborg Universitet.
• Demonstrationssite: Kamstrup A/S, Stilling.

Faglig kontakt

• Projektleder Jakob Wulff Andersen, Center for Energieffektivitet og Ventilation, Teknologisk Institut, tlf. +45 72 20 32 31, mail: jwan@teknologisk.dk

Pressekontakt

• Chefkonsulent Niels Tradsfeldt, Kommunikation, Teknologisk Institut, mobil: 7220 2769, mail: ntt@teknologisk.dk