AI-gedreven energieflexibiliteit maakt het mogelijk om het energiegebruik van gebouwen af te stemmen op de beschikbaarheid van duurzame energie en de belasting van het elektriciteitsnet. Dit gebeurt door het automatisch voorspellen en aansturen van de energievraag en -aanbod op basis van data, modellen en gebouwinformatie. Hierdoor kunnen gebouweigenaren piekbelastingen verminderen en netcongestie helpen beperken.
Het succes van AI-gedreven energieflexibiliteit hangt sterk af van goede dataverzameling, betrouwbare voorspellende modellen en regelstrategieën die ook onder onzekerheid stabiel blijven functioneren. Binnen het onderzoeksprogramma Brains4Buildings (B4B) is onderzoek gedaan naar de ontwikkeling en toepassing van ‘slimme’ aansturing om de energieflexibiliteit van gebouwen te vergroten.
In deze kennisbundel zetten we de B4B-rapporten over energieflexibiliteit uiteen. Deze rapporten beschrijven op technisch niveau hoe geautomatiseerde regelstrategieën zijn ontworpen, getest en gevalideerd. Ze gaan in op gebruikte modellen en algoritmen, methodieken achter de regelstrategieën, ontwikkelde prototypes en de koppeling met commerciële systemen.
DGBC deelt kennis en inzichten met de markt
Brains4Buildings (B4B) is een vierjarig programma waarin DGBC samenwerkt met 39 organisaties om gebouwen ‘slimmer’ en energiezuiniger te maken. Het onderzoeksprogramma heeft als doel het ontwikkelen en uitbrengen van betaalbare slimme software, sensoren en meters om zo de energie-efficiëntie van gebouwen te optimaliseren. Tegelijkertijd wordt het comfort van de gebruiker bevorderd, worden de operationele en onderhoudskosten verlaagd en wordt ingespeeld op de lokale vraag en aanbod van duurzame energie. De ambitie van B4B is om schaalbare en modulaire oplossingen te ontwikkelen die 20-30 procent energiebesparing realiseren.
In het B4B-project speelt DGBC een verbindende rol, door kennis en innovatie in de gebouwde omgeving te delen met de markt. In een serie ‘kennisbundelingen’ delen we de resultaten en nieuwe mogelijkheden die uit het onderzoeksprogramma naar voren komen. Elke bundel richt zich op een specifiek thema, zoals energieflexibiliteit of foutdetectie en -diagnose. In deze kennisbundeling presenteren we de resultaten uit B4B op het gebied van energieflexibiliteit in slimme gebouwen.
Wat is energieflexibiliteit?
Energieflexibiliteit is het vermogen van een gebouw om zijn energiegebruik en -levering aan te passen aan veranderende omstandigheden in vraag en aanbod, zonder dat dit ten koste gaat van comfort of functionaliteit. Hierbij onderscheiden we een referentieprofiel en het afgeweken profiel:
Het referentieprofiel is het standaard energiegebruikspatroon zonder enige vorm van flexibiliteit of aanpassing.
Het afgewekenprofiel ontstaat door flexibiliteitsmaatregelen, zoals vraagsturing of energieopslag.
Door deze maatregelen kunnen extreme pieken in het referentieprofiel gedempt worden (peak shaving) of verschoven naar momenten met meer lokale opwek (load shifting). We spreken van AI-gedreven energieflexibiliteit omdat kunstmatige intelligentie wordt gebruikt om voorspellingen te doen, beslissingen te optimaliseren en het systeem automatisch aan te sturen.
Energievoorspellingsmodellen
De effectiviteit van ‘slimme’ aansturing wordt in grote mate bepaald door de nauwkeurigheid van de onderliggende voorspellende modellen. Deze modellen vormen de kern van de regelstrategie waarbij beslissingen worden genomen op basis van voorspelde systeemgedragingen in plaats van alleen reactieve sturing.
Voor het modelleren van de energiebehoefte en -opwekking worden doorgaans drie typen modellen gebruikt:
White-box: gebaseerd op fysische wetten en thermodynamische principes. Dit levert nauwkeurige voorspellingen, maar vereisen gedetailleerde gebouwinformatie.
Black-box: volledig datagedreven, vaak op basis van machine learning. Er worden patronen in grote datasets herkend, maar er mist fysieke interpretatie en transparantie.
Grey-box: combinatie van fysische kennis met data-analyse en dit biedt een evenwicht tussen nauwkeurigheid en eenvoud.
Dit rapport presenteert de resultaten en lessen die zijn geleerd uit de implementatie van white-box-, grey-box- en black-box-modellen om het energiegebruik en de energieproductie van gebouwen en gerelateerde variabelen te voorspellen.
Daarnaast is er een dataset beschikbaar gesteld met data over CO2-concentratie, ventilatiestroom en bezetting van 3 kantoorruimten bij de Hogeschool Windesheim, verzameld voor B4B.
Modellen op hoge tijdsfrequentie
Geautomatiseerde regeltechniek kan alleen effectief zijn wanneer het energiemodel nauwkeurig en snel genoeg is om mee te bewegen met veranderingen in vraag en aanbod. Binnen B4B zijn daarom voorspellende energiemodellen ontwikkeld die het energiegebruik en de energiebalans van gebouwen op hoge tijdsfrequentie kunnen voorspellen. Op basis van deze modellen zijn real-time regelstrategieën ontworpen die bepalen wanneer het optimaal is om energie te gebruiken, te verschuiven of op te slaan. De inzichten uit het rapport laten zien dat gebouwen met de juiste modellen en besturing actief kunnen bijdragen aan een stabieler elektriciteitsnet en duurzamer energiegebruik.
Maar hoe vertalen deze flexibiliteitsmodellen zich naar de dagelijkse praktijk van gebouwbeheer? Vanuit het onderzoeksprogramma hebben bedrijven de ontwikkelde flexibiliteitsmodellen en regeltechnieken omgezet in werkende producten en toepassingen. Hiermee zijn de concepten uit het onderzoek toegepast in de commerciële praktijk en is de brug geslagen van concept naar software die gebouwen daadwerkelijk slimmer en energieflexibel maakt.
Dit rapport beschrijft hoe 2 partners binnen B4B slimme energieregeltechnieken hebben vertaald naar toepasbare oplossingen in hun eigen commerciële software:
Kropman voegde nieuwe functionaliteiten toe aan het SCADA-platform InsiteSuite. De onderzoeksresultaten zijn verwerkt in modulaire software, waaronder een volledig operationele toepassing voor slim laden van elektrische voertuigen bij een eigen kantoor en een klantlocatie (zie afbeelding hieronder).
O-Nexus ontwikkelde een oplossing waarbij phase changing material (PCM) wordt gebruikt als thermische buffer voor energiemanagement in gebouwen. Deze aanpak is getest in een praktijkcase op The Green Village en wordt verder gevalideerd in echte gebouwen en woningprojecten.
Aan de hand van een reeks praktijkvoorbeelden geven we inzicht in hoe innovaties vanuit B4B functioneren in bestaande gebouwen, met echte gebruikers. In één van de praktijkvoorbeelden gaan we in op het InsiteSuite platform van Kropman. Deze softwaretool implementeert slim laden op kleine en grotere schaal. Het doel is om het laadproces van elektrische voertuigen op een efficiënte manier te beheren. Dat houdt in: optimalisatie van het energiegebruik, het beperken van piekbelasting en het minimaliseren van de belasting op het elektriciteitsnet.
