Energibesparande renoveringspotential - Renoveringspotentialen för det svenska flerbostadshusbeståndet uppskattad med maskininlärning

Det Svenska flerbostadshusbeståndet från åren 1945-1975 är på väg att nå slutet på sin tekniska livslängd. Byggnaderna från denna tidsperiod är i stort behov av renovering samt energieffektiviserande åtgärder för att minska energianvändningen och möjliggöra fortsatt användning av byggnaderna i framtiden, samtidigt som ekonomiskt utsatta personer har råd att bo kvar i byggnaderna. Dagens utmaning är att en del särdrag hos byggnader, som behövs för att uppskatta renoveringspotentialen, saknas. Tack vare det faktum att samtliga EUs medlemsländer måste presentera en långsiktig renoveringsstrategi, som främjar investering av renovering för de byggnader som är i behov av det, intresserar sig Sveriges beslutsfattare kring denna frågeställning. För att göra renoveringstrategin realistisk behöver fler byggnadsspecifika särdrag tas fram. Kännetecken för flerbostadshusbeståndet kan tas fram genom tillämping av genererade maskininlärningsmodeller. Särdragen förväntas bidra till utvecklingen av en hållbar långsiktig renoveringsstrategi för Sverige. Projektet är utformat för att undersöka möjliga lösningar att identifiera byggnadsspecifika särdrag hos flerbostadshus från aktuell tidsperiod. Först utfördes observationer av byggnader genom att använda Google street view verktyget i Google maps. Denna information i kombination med information från energideklarationer gjorde det möjligt att utveckla användbara maskininlärningsmodeller. Därefter utvecklades, testades och optimerades maskininlärningsmodellerna för att uppnå en så hög träffsäkerhet som möjligt. Modellerna med bäst träffsäkerhet användes för prediktion av byggnadskategori samt byggnadskarakteristik. Baserat på denna information lämnades förslag på renoveringsplaner. Projektet visade att det var möjligt att använda maskininlärning för att förutse och således samla mer information om beståndet. Beroende på vad som skulle predikteras varierade resultatet. Det var enklare att förutse byggnadskategori, där en träffsäkerhet på ungefär 90% uppnåddes, jämfört med byggnadskarakteristik som resulterade i träffsäkerheter mellan 67-93%. Baserat på dessa prediktioner presenterades förslag på möjliga renoveringsplaner, med uppnådd energibesparing runt 35%, för att bidra till den långsiktiga renoveringstrategin.The Swedish apartment building stock from 1945-1975 is reaching the end of its technical life span. Renovations and energy efficiency measures are needed to reduce energy use and enable continued usage of the buildings in the future and still provide affordable housing to socioeconomic vulnerable groups. The problem today is that some building features, which are needed to estimate the renovation potential, are unknown. The policy makers in Sweden care about this problem due to the fact that every EU country has to submit a long-term renovation strategy that foster investments in the renovation of buildings. To make this renovation strategy realistic, more information such as specific building features, are needed. Patterns of the building stock can be found using sophisticated Machine Learning methods. These will contribute in developing a sustainable long-term renovation strategy for Sweden. This study is made to investigate possible solutions in finding more specific building features. Firstly, observations of buildings were done using the street view tool in Google maps. These observations together with information from energy performance certificates made it possible to develop useful Machine Learning models. Secondly, the Machine Learning models were developed, tested and optimized to get the best accuracy. The most accurate model was used to predict building categories and specific building characteristics. Based on this information, suggestions about potential renovation actions were designed. The investigation showed that it was possible to use Machine Learning to predict and gather more infor- mation about the building stock. Depending on what was supposed to be predicted the result varied. It was easier to predict building categories, with an accuracy of about 90%, than building characteristics which resulted in an accuracy in between 67-93%. Based on the predictions suggestions about reasonable renovation actions were presented, with energy savings around 35%, to contribute to the long-term renovation strategy