Projekt

Maskinläsbara prismodeller för fjärrvärme

I dagsläget är det svårt att på ett enkelt och strukturerat vis få tillgång till och förstå de olika prismodeller som olika fjärrvärmebolag använder. Förenklat är prismodellerna uppbyggda av fyra olika grundkomponenter, men eftersom de utformas och kombineras på flera olika vis, finns i dagsläget upp mot ett hundratal olika variationer av prismodeller. Ofta syftar prismodellerna till att ge ekonomiska incitament till att minska effekttoppar och energianvändning när behovet i fjärrvärmenäten är som störst. Men för att det ska ske krävs att fastighetsbolagen kan styra sin fjärrvärmeanvändning efter prismodellen för fjärrvärme. Problemet är dock att prismodellerna inte är digitalt tillgängliga och de är även svåra att förstå fullt ut.

Under 2024 har en förstudie genomförts för att kartlägga olika existerande prismodeller för fjärrvärme och undersöka möjligheten att ta fram en kravspecifikation för hur fjärrvärmebolagen kan tillgängliggöra sina prismodeller så att de blir maskinläsbara. Något som skulle hjälpa fastighetsägare att bättre styra sin fjärrvärmeanvändning, t.ex. med hjälp av optimeringsalgoritmer eller AI-stöd. Målet är att kunna minska både miljöpåverkan och kostnader genom att använda mindre energi när den är dyr eller har hög miljöbelastning, vilket skulle gynna både fjärrvärmeleverantörer och kunder.

Förstudien har genomförts i samarbete mellan Belok, BeBo och Fraunhofer Chalmers samt intresserade medlemmar från respektive nätverk.

Efter genomförd förstudie föreslås ontologisk modellering för maskinläsbara prismodeller för fjärrvärme. Genom att använda en semantisk strukturerad modell (ontologi) som beskriver grundläggande koncept, relationer och parametrar för prissättning, möjliggörs en högre grad av interoperabilitet utan krav på absolut standardisering av gemensamt API. På så vis bibehåller fjärrvärmeleverantörerna viss flexibilitet kring strukturering av data och affärsprocesser samtidigt som kunderna kan dra nytta av en tillräcklig standardiserad datamodell som stödjer både historiska simuleringar och realtidsoptimering av energianvändning.

Läs mer om resultat, rekommendationer och förslag till nästa steg i rapporten nedan.