> For the complete documentation index, see [llms.txt](https://docs.myrspoven.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.myrspoven.com/myrspoven-docs/myrspoven-docs-sv/utvardering-och-rapportering/climate-compensated.md). # Klimatkompensering Energiåtgången för uppvärmning och kylning domineras av utomhusförhållandena. En kall januari ser sämre ut än en mild, även när byggnaden körs identiskt. Klimatkompensering tar bort väderkomponenten så att perioder kan jämföras på lika villkor — månad mot månad, vinter mot vinter och en byggnad mot sig själv före och efter att myCoreAI tog över styrningen. ## Vad klimatkompensering gör myCoreAI normaliserar uppmätt energianvändning mot en referens för utomhustemperatur. I stället för att rapportera råa kWh rapporterar den energi *per enhet värmebehov*. Vädret räknas i stort sett bort, och resten speglar byggnaden och dess styrstrategi. Principen tillämpas på tre ställen: * **Effektivitetsmått per byggnad** som jämför perioder med AI på mot perioder med AI av vid motsvarande utomhustemperaturer. * **Besparingsuppskattningar baserade på regression** för uppvärmningssäsongen — energi anpassas mot utomhustemperatur (eller graddagar för uppvärmning) separat för varje styrläge, och gapet mellan anpassningarna är besparingen. * **Referensjämförelser** mot normaliserad förbrukning för liknande byggnader. ## Graddagar för uppvärmning (HDD) HDD är den standardiserade normaliseringsparametern. För varje dag beräknar myCoreAI skillnaden mellan byggnadens bastemperatur (den utomhustemperatur över vilken ingen uppvärmning behövs) och dagens genomsnittliga utomhustemperatur, och summerar endast de timmar då utomhustemperaturen ligger under bastemperaturen. En kall dag ger ett högt HDD-värde; en mild dag ger ett lågt; en varm dag ger noll. Energi dividerat med HDD uttrycker förbrukning per grad av värmebehov — jämförbart mellan perioder och väderförhållanden. Graddagar för kyla fungerar symmetriskt för fjärrkyla. ## Upplösning och noggrannhet | Upplösning | Metod | Resultat | | ------------------- | -------------------------------------- | --------------------------------------------------------------------------------------------------------------- | | Timvis eller daglig | Regression mot utomhustemperatur / HDD | Renaste normaliseringen; korta köldknäppar förvränger inte anpassningen | | Månatlig | Nationella normaliseringsfaktorer | Fungerar för rapportering på hög nivå; kan inte isolera vilken vecka eller vilket system som drev en förändring | Energidata med högre upplösning är den enskilt största förbättringen för klimatkompenserad rapportering. ### Exempel i praktiken Ett fjärrvärmeuppvärmt kontor i centrala Sverige förbrukar 180 MWh i en kall januari och 140 MWh följande januari under myCoreAI-styrning. Råa siffror antyder en minskning på 22 %. Efter att myCoreAI normaliserar båda månaderna mot HDD med hjälp av byggnadens bastemperatur är den klimatkompenserade förbrukningen för den andra januari 155 MWh — en minskning på 14 % när det mildare vädret tas med i beräkningen. 14 %-siffran är den som speglar styrprestanda; 22 %-siffran blandar ihop väder och styrning. ## Var kompenserade siffror visas * Den **besparingsanalys** vyn i myPortal plottar energi direkt mot utomhustemperatur, med separata trendlinjer för perioder med AI på och AI av — en visuell form av samma normalisering, med vädret på x-axeln. Rå, ej kompenserad förbrukning finns fortfarande tillgänglig i mätaravläsningar, fakturor och exporter. Rå visar vad byggnaden förbrukade; kompenserad visar hur den presterade när vädret räknats bort. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.myrspoven.com/myrspoven-docs/myrspoven-docs-sv/utvardering-och-rapportering/climate-compensated.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.