De energietransitie, essentieel is in het kader van klimaatverandering, brengt de nodige uitdagingen en systeemveranderingen met zich mee. Een voorbeeld hiervan is dat gebouwen steeds meer een actieve component in het energienet worden. Gebouwen gebruiken thermische en elektrische energie om een gewenst binnenklimaat te realiseren. Daarnaast krijgen gebouwen ook steeds meer een rol in opwekken en opslag van energie. Zo kunnen PV-panelen op bijvoorbeeld daken zonlicht omzetten in elektrische energie en kunnen constructies thermische energie opslaan. Ook komt de integratie van batterijsystemen en laadstations van elektrische voertuigen bij gebouwen steeds vaker voor.
Het MOOI project Brains for Building's Energy Systems (B4B) richt zich op onderzoek en ontwikkeling van slimme systemen om energiegebruik en onderhoud van gebouwinstallaties te optimaliseren. Een consortium van 39 partners, bestaande uit zowel marktpartijen als kennisinstellingen, zoekt naar methoden om installaties te diagnosticeren en aan te sturen om gebouwen in verdere mate flexibele componenten in het energienet te maken. Hierbij wordt gebruik gemaakt van artificiële intelligentie en machine learning.
Binnen het B4B project doet Peutz onder andere onderzoek naar robuuste energievoorspelling om energievraag en -aanbod van gebouwen flexibel te balanceren. Energiegebruik voor klimatisering hangt uiteraard samen met het omgevingsklimaat. Zo gaat er bijvoorbeeld op warme dagen meer elektrisch energiegebruik gemoeid met koeling om temperatuuroverschrijding te minimaliseren. Op basis van historische gebouwdata en weerdata kan een machine learning model getraind worden om een verwachting van het energiegebruik van het gebouw te geven. De getoonde correlatiematrix geeft een voorbeeld van de correlaties in een dergelijke dataset voor een groot utiliteitsgebouw. Het elektrisch energiegebruik hangt zoals verwacht duidelijk samen met de buitenluchttemperatuur en het uur van de dag.
Om inzicht te krijgen in de marges waarin voorspelling mogelijk is op basis van de beschikbare monitoringdata wordt in dit geval een machine learning methode toegepast die tevens een verwachtingsmarge geeft naast een verwachtingswaarde van het elektrisch energiegebruik in het gebouw. Nadat het model getraind is met de beschikbare monitoringdata kan het model toegepast worden om voor een nieuwe dag het verwachte verloop van de elektrische energievraag te voorspellen. Een voorbeeld hiervan is gegeven, waarin te zien is dat verwachtingsmarge een goede indicatie geven van het werkelijke energiegebruik.
In het hier gegeven voorbeeld is in de monitoringdata geen onderscheid te maken tussen verschillende aspecten die bijdragen aan het energiegebruik. Voor een goede afstemming tussen energieaanbod en energievraag is informatie nodig over het energiegebruik dat met specifieke klimatisering samenhangt en overig energiegebruik, zoals van elektrische apparatuur, het opladen van elektrische voertuigen e.d.. Met deze data en informatie en een weersverwachting, is een voorspellingsmodel in te zetten om bijvoorbeeld zelfconsumptie van PV-opbrengst te optimaliseren. Ook kunnen piekbelastingen in het energienet hiermee geminimaliseerd worden.
Een voorspellingsmodel als hierboven gegeven voor het totale energiegebruik is schaalbaar en kan ook worden toegepast voor specifieke energiegebruikers onder bepaalde condities. De verwachtingsmarges die het voorspellingsmodel genereert zijn daarin van belang om een indicatie te hebben van de optimalisatieonzekerheid. Voor een dergelijk model is data nodig die nog niet altijd aanwezig is. Dynamische energiesimulaties kunnen hierin ook een rol spelen om datasets die nog niet volledig zijn aan te vullen.
Wilt u meer weten over data-gedreven modellen voor energievraagstukken, neem dan contact op met onze adviseurs. Meer informatie over het B4B project is te vinden op de projectwebsite: https://brains4buildings.org/