Open Knowledge Platform
Binnen het project Brains4Buildings is een Open Knowledge Platform ontwikkeld. Doel van dit platform is het delen van kennis over datagebruik in gebouwen. Praktijkvoorbeelden en oefeningen bieden verdieping op het gebied van data science in de gebouwde omgeving. De kennis is gericht op professionals in Heating Ventilation and Air Conditioning (HVAC) en andere geïnteresseerden.
Met het platform springt B4B in op de nieuwe educatieve uitdagingen die de opkomst van slimme gebouwen met zich meebrengt. Voor professionals in energiemanagement zijn de mogelijkheden namelijk eindeloos. Betaalbare sensoren, slimme meters, gebouwbeheersystemen (GBS) en het Internet of Things (IoT) maken het mogelijk om grote hoeveelheden data te verzamelen, real-time te monitoren, te analyseren en te benutten. De volgende stap is nu om professionals mee te nemen en te helpen deze mogelijkheden ook echt toe te passen.
Mogelijke toepassingen van gebouwdata belicht in 7 secties
Het gebruik van data in gebouwen en het ontdekken van innovatieve technologieën loopt in de praktijk nog tegen verschillende uitdagingen aan. Het B4B Open Knowledge Platform biedt kennis om deze uitdagingen voor de markt aan te pakken. Deze kennis is thematisch geordend en afgestemd op verschillende doelgroepen.
Het platform biedt de kennis aan in 7 secties, die elk een specifiek thema behandelen. Sommige secties nemen een diepe duik in specifieke onderwerpen, terwijl andere een overzicht geven van quick wins of verwijzen naar externe bronnen voor verdere verdieping. Sectie 1 dient ter introductie en gaat in op de aanleiding en achtergrond van het platform, de structuur van de cursus, de doelgroep en de leerdoelen. Vervolgens gaan Sectie 2 tot en met 7 in op verschillende thema’s en leerdoelen.
Sectie 2 ‘HVAC-kennis voor datawetenschappers’
Het effectief benutten van gebouwdata vereist expertise van meerdere vakgebieden, zoals data science, gebouwtechniek, energiebeheer en IT. Dit betekent dat HVAC-ingenieurs zich moeten verdiepen in data-analyse en machine learning. Datawetenschappers hebben op hun beurt juist meer gebouwspecifieke kennis nodig om waardevolle inzichten te verkrijgen.
Deze sectie is bedoeld voor datawetenschappers met beperkte kennis van gebouwen en hun technische systemen. De sectie legt de basisprincipes van gebouwen en hun HVAC-systemen uit, evenals de toepassingen van data science in de gebouwde omgeving. Daarnaast zijn er verwijzingen naar Massive Open Online Courses (MOOCs) over onderwerpen als data science in de bouw, HVAC-systemen, energievoorziening en de kwaliteit van het binnenmilieu. Deze cursussen zijn gericht op zelfstudie en bevatten video’s, praktische oefeningen en quizzen.
Sectie 3 ‘Data science voor HVAC-ingenieurs’
HVAC-ingenieurs die zich willen verdiepen in data science vinden in deze sectie waardevolle handvatten. De groeiende beschikbaarheid van operationele data uit GBS, IoT-apparaten en sensoren biedt nieuwe mogelijkheden om HVAC-systemen te optimaliseren. Om deze data effectief te benutten, is kennis van data-analyse en programmeren belangrijk.
Deze sectie helpt HVAC-ingenieurs en andere professionals in de gebouwde omgeving bij het toepassen van data science op HVAC-systemen. De focus ligt hierbij op praktische toepassingen en relevante technieken.
Sectie 4 ‘Commissioning & Quick Wins’
Data-analyse en machine learning kunnen bijdragen aan het optimaliseren van HVAC-systemen, maar goed ontwerp, correcte instellingen en regelmatig onderhoud blijven noodzakelijk. Data-analyse en machine learning kunnen deze processen wel ondersteunen.
Deze sectie behandelt belangrijke ontwerpregels, energie-efficiënte instelpunten en de basisprincipes van de inbedrijfstelling van HVAC-systemen. Dit geeft professionals inzicht in zowel fundamentele richtlijnen als snelle verbeteringen die ze zonder grote investeringen kunnen realiseren.
Sectie 5 ‘Datalabeling, -voorbewerking en -integratie’
Ruwe gebouwdata zijn vaak incompleet, inconsistent of ongestructureerd. Om data effectief in te kunnen zetten, is het belangrijk om deze correct te labelen, op te schonen en interpreteren.
Deze sectie biedt een solide basis voor datalabeling, -voorbewerking en -integratie binnen machine learning-toepassingen. Omdat ruwe gebouwdata is zelden direct bruikbaar zijn, is voorafgaande verwerking noodzakelijk, vaak met aanzienlijke menselijke inbreng. Deze sectie gaat in op methoden en best practices om de kwaliteit en bruikbaarheid van data te verbeteren.
Sectie 6 ‘Datagedreven vraagvoorspelling’
Om gebouwprofessionals vertrouwd te maken met voorspellingsmodellen en statistische technieken, behandelt deze sectie methoden voor energievraagvoorspelling. Dit omvat fysische (white box), datagedreven (black box) en hybride (grey box) modellen, met praktische voorbeelden.
Energievraagvoorspelling speelt een grote rol in het verminderen van energiegebruik, verbeteren van comfort en integreren van hernieuwbare energie. Model Predictive Control (MPC) maakt gebruik van gebouw- en energienetdata om de energievraag en productie van hernieuwbare energie te voorspellen. Hiermee draagt het bij aan een betere afstemming van de elektriciteitsvraag op momenten dat veel duurzame energie beschikbaar is. Dit resulteert in lagere CO₂-uitstoot, minder netcongestie en lagere energiekosten.
Sectie 7 ‘Foutdetectie en -diagnose’
Deze sectie gaat in op de werking, beperkingen en toekomstperspectieven van foutdetectie en -diagnose (FDD) binnen de gebouwde omgeving. FDD helpt bij het identificeren van defecten in HVAC-componenten, door symptomen van storingen te herkennen.
Het opzetten en beheren van betrouwbare, schaalbare FDD-systemen blijft echter een uitdaging. Veel verschillende HVAC-componenten en -systemen vereisen specifieke diagnosemethoden en FDD werkt niet goed bij defecte of ontbrekende sensoren. Ondanks de vele voorgestelde methoden is de toepassing van geautomatiseerde FDD-systemen in de praktijk nog beperkt.
