Effectief omgaan met energie is essentieel om tot een duurzame samenleving te komen. De gebouwde omgeving is verantwoordelijk voor een significant deel van het energiegebruik van de samenleving. Peutz richt zich, als onderdeel van het Brains4Buildings consortium, een samenwerking van academische en marktpartijen, op onderzoek en ontwikkeling van AI- en machine learning-algoritmes voor optimalisatie van gebouwenergiesystemen. Een belangrijk onderdeel hierin is dat gebouwen energieflexibel worden. Dit houdt in dat gebouwen op een slimme manier worden ingezet om energiegebruik en energieopwekking optimaal op elkaar af te stemmen. Hiermee kunnen piekbelastingen op het energienet worden gereduceerd en kan het gebruik van (decentraal) duurzaam opgewekte energie worden gemaximaliseerd.
Recent is een onderdeel van het onderzoek afgerond dat zich richt op energieflexibiliteit van gebouwen
Peutz heeft hierin een bijdrage geleverd door onderzoek en ontwikkeling van een methodiek om het verwachte energiegebruik per uur in een gebouw te voorspellen. Daarnaast geeft de ontwikkelde methodiek ook een indicatie van de onzekerheid in de voorspelling. Het ontwikkelde concept maakt gebruik van een data-gedreven model waarin contextuele informatie wordt geïmplementeerd. Voor verschillende situaties is het concept getest met een positief resultaat. De voorspelling van verwacht energiegebruik kan worden gebruikt in het optimaliseren van een strategie om energiegebruik en -opwekking op elkaar af te stemmen, waarbij ook de thermische massa van het gebouw gebruikt kan worden voor energieopslag. Het model leert constant door veranderende situaties te implementeren.
The goal of the model
“The goal of the model is to predict the energy use in a building using a black-box model and measure the uncertainty in the prediction. The black-box model is based on a feed-forward neural network. The model has been tested with the data of two buildings: educational and commercial buildings. The strength of the model is in the ensemble prediction and the realization that uncertainty is intrinsically present in the data as an absolute deviation. Using a rolling window technique, the model can predict energy use and uncertainty, incorporating possible building-use changes. The testing in two different cases demonstrates the applicability of the model for different types of buildings.” Alle bevindingen van het onderzoek zijn gepubliceerd in een recent verschenen rapport die u hier kunt downloaden.