Hvordan gøres det bedst, når KEA skal have solceller som led i effektiviseringen af energiforbruget? Den opgave har studerende på Økonomi & IT løst, og det er et eksempel på KEA som living lab.
Solceller på KEA i samarbejde med studerende
Mathias, Gustav og Emil er vant til at arbejde med cases fra virkelighedens erhvervsliv på uddannelsen i Økonomi & IT, men det var alligevel noget andet, da det var deres egen uddannelsesinstitution, de skulle løse et problem for:
”Det gjorde det mere interessant og håndgribeligt. Vi tilbringer vores hverdag her, og det har alt andet lige været nemmere at være i dialog med Jakob Møldrup, som er chef for Facility på KEA, og vi har nok fået mere sparring, end hvis det havde været fx IBM – jeg tror ikke, der havde været helt den samme adgang der.”
Og så har processen også været ekstra givende på en anden måde, fortæller de tre studerende:
”Opgaven tjente et real life formål, nemlig at KEA reelt stod overfor en udfordring i forhold til at investere i solceller. Vi er vant til at arbejde med rigtige cases, men når vi samarbejder med virksomheder, er det ofte opstillede scenarier, og vi er ikke inde i deres forretningsprocesser. Vi har hele tiden været i en iterativ proces og dialog med Jakob Møldrup, hvor vi kunne bruge ægte data til at komme med realistiske – og underbyggede - forslag til investeringer.”
I forhold til selve opgaveløsningen var det i princippet lige meget, om analysen og investeringen gjaldt solceller elle flødekarameller, men det gav alligevel ekstra god mening for de tre studerende, at emnet var grøn energi:
”Vi vil gerne imødekomme den bæredygtige agenda, som er KEAs vigtigste strategimål, og det er fedt, når emnet både rummer et bæredygtigt og et finansielt element - vi har både beregnet den Co2-mæssige gevinst samt kroner-ører omkostninger og reduktionen.”
De studerendes analyser og beregninger viste, at et solcelleanlæg på taget af Campus Guldbergsgade vil være profitabelt både økonomisk og miljømæssigt.
Trænede algoritmer med data fra KEA
De brugte blandt andet machine learning til at afklare de ret komplicerede forhold med masser af ukendte parametre:
”Vi brugte historisk data sat op imod solskinstimer for at kunne træne en algoritme til med en vis nøjagtighed at sige, hvor meget el KEA kan producere i fremtiden. Producenterne af anlæggene tager ikke højde for lokale faktorer - det har vi gjort - og sammen med en masse andre faktorer, kan vi give en mere sikker beregning på, hvad KEA rent faktisk får ud af investeringen.”
De studerende analyserede på fire forskellige typer af anlæg, men kiggede også på vedligeholdelsessystemer og rengøring, og regnede så ud hvad der var det mest hensigtsmæssige.
”Men vi har også lært en hel masse om vigtigheden af ikke bare at kunne finde en god løsning, men også at kunne kommunikere løsningen, så dem, der skal ’købe’ den, også forstår det. Vi har blandt andet arbejdet med datavisualisering i Power BI, så man kan vise alle på KEA og alle KEAs gæster, hvor meget strøm man har produceret med solcelleanlægget, og hvor meget CO2 man har sparet.”
Og hvordan blev jeres løsning så modtaget hos Facility?
”Jakob Møldrup var meget glad. Især beslutningsberegningen var interessant for ham, fordi det er en beregning og et værktøj, han kunne gå ned på kontoret og bruge med det samme - og også på andre aspekter og emner end solceller.”