Blog
Met Entune BuildingAI optimaliseren we het energieverbruik van grote gebouwen, zoals kantoren, en besparen we tot 30% energie.
Met Entune BuildingAI optimaliseren we het energieverbruik van grote gebouwen, zoals kantoren, en besparen we tot 30% energie.
De meeste gebouwen hebben niet de intelligentie om zich aan te passen aan hun omgeving. Daardoor verbruiken ze onnodig veel energie. Entune BuildingAI gebruikt data en natuurkundige modellen om het energieverbruik nauwkeurig te voorspellen, instellingen te verfijnen en zo energie en kosten te besparen. In een eerdere blog vertelden we al meer over die aanpak.
In deze blog gaan we dieper in op de techniek erachter.
Om het energieverbruik van een gebouw nauwkeurig te voorspellen en te sturen, moeten we de thermische eigenschappen van dat gebouw kennen. Natuurkundige modellen helpen ons om die eigenschappen te berekenen.
Vervolgens combineren we die informatie met data zoals weersvoorspellingen, energieprijzen, gebruikspatronen, de dynamiek van verwarmings- en koelsystemen en persoonlijke voorkeuren. Zo creëren we een Digital Twin van het gebouw. Met een technisch simulatiemodel berekenen we daarna het optimale energieplan tegen de laagst mogelijke energiekosten.
Voor dit technische model stellen we twee belangrijke eisen:
Maar hoe optimaliseer je energieverbruik en energiekosten als je rekening moet houden met beide eisen?
Meestal zijn er twee manieren om zo’n uitdaging aan te pakken: met Machine Learning, ook wel een black-box model, of met natuurkundige modellering, ook wel een white-box model.
Machine Learning-modellen zijn vooral geschikt voor complexe vraagstukken waarvoor veel historische data beschikbaar zijn. Met die data modelleren ze de werkelijkheid. Het grote voordeel is dat deze modellen zeer nauwkeurige voorspellingen kunnen doen. Daar staat tegenover dat ze veel data nodig hebben om goed te presteren.
White-box modellen zijn gebaseerd op natuurkundige wetten. We passen ze vooral toe op minder complexe en beter voorspelbare situaties. Deze modellen hebben weinig data nodig, hoeven we niet te trainen en zijn transparant in hun werking.
Voor ons model hebben we snelheid, flexibiliteit en brede toepasbaarheid nodig. Het moet werken voor elk type gebouw, ook als er weinig of geen historische data beschikbaar zijn. Tegelijkertijd hebben we te maken met veel onderlinge afhankelijkheden, zoals weersinvloeden, energieprijzen en gebruikspatronen.
Daarom combineren we beide benaderingen in één gray-box model. Zo benutten we de eenvoud en uitlegbaarheid van natuurkundige modellen én de kracht van Machine Learning bij complexe dynamiek.
We gebruiken ons gray-box model om de temperatuur in een gebouw te modelleren. Daarbij spelen vier componenten een centrale rol.
De eerste component is de warmte-uitwisseling tussen muren en lucht, of tussen het gebouw en de buitenwereld. Die warmte-uitwisseling hangt af van:
De tweede component is de verwachte zonne-energie. Die bepalen we op basis van weersvoorspellingen en de zogenoemde solar fraction, die aangeeft hoeveel zonlicht een ruimte kan binnendringen.
Gebruikt een gebouw zonwering, dan zetten we ML-algoritmen in om die verwachte zonne-energie nauwkeuriger te bepalen.
Ook de aanwezigheid van mensen en apparaten beïnvloedt de temperatuur in een gebouw. Die invloed berekenen we met bezettingsprofielen, die statisch of dynamisch kunnen zijn.
Bij statische bezettingsprofielen, zoals in een traditioneel kantoorgebouw met vaste werktijden, volstaat vaak een eenvoudig white-box model. Bij dynamische bezettingsprofielen, zoals op een universiteitscampus, combineren we een ML-model met interne warmtefactoren. Daarmee bepalen we hoeveel warmte mensen en apparaten aan een ruimte of gebouw toevoegen.
De vierde component bestaat uit de installaties voor verwarming en koeling. Elk systeem heeft zijn eigen energieverbruiksfactor, die laat zien hoe efficiënt het energie omzet in de gewenste binnentemperatuur.
Voor verwarming en koeling optimaliseert het model de Coëfficiënt van Prestatie, oftewel COP. Dat is de verhouding tussen de geleverde verwarming of koeling en de energie die daarvoor nodig is.
Met deze vier componenten simuleert ons gray-box model talloze scenario’s. Op basis daarvan bepaalt het systeem het optimale energieplan: zo laag mogelijke energiekosten, terwijl het comfort van de eindgebruikers behouden blijft.
Een groot voordeel van deze aanpak is dat het model voortdurend afwegingen maakt op basis van actuele omstandigheden. Een paar voorbeelden maken dat concreet.
In plaats van met één vaste temperatuur te werken, gebruikt het model een dynamisch comfortbereik. Daardoor kan het de temperatuur iets verlagen of verhogen om een efficiënter energieplan te realiseren.
Wanneer we vanaf 12:00 uur veel zonne-energie verwachten, kan het model besluiten om al om 10:00 of 11:00 uur te stoppen met verwarmen. Zo benut het systeem de natuurlijke opwarming van het gebouw.
Is energie vroeg in de ochtend goedkoop, en wijzen weersvoorspellingen en gebouwbezetting later op een temperatuurstijging, dan kan het systeem besluiten om het gebouw iets extra te koelen. Daarmee voorkomt het hogere koelkosten op momenten waarop energie duurder is. Natuurlijk blijft het comfort van gebruikers daarbij gewaarborgd.
Ons gray-box model combineert de voordelen van natuurkundige modellen met die van Machine Learning. Daardoor kunnen we snel starten, ook zonder grote hoeveelheden historische data, terwijl we toch rekening houden met complexe onderlinge afhankelijkheden.
Op basis van vier kerncomponenten simuleert het model vooraf veel combinaties van verwarmen en koelen. Zo bepaalt het hoe het energieverbruik zo ver mogelijk kan dalen, zonder in te leveren op comfort. Elk uur doorloopt het model dit proces opnieuw, stelt het de temperatuurinstellingen bij en bewaakt het het comfort.
Entune BuildingAI en Yuverta werken samen aan het optimaliseren van schoolgebouwen. Met de eerste implementatie binnen Yuverta helpt Entune om energie te besparen en het
Entune en Peblar werken samen aan een geïntegreerde oplossing die EV-laadinfrastructuur en HVAC-installaties slim optimaliseert voor energie-efficiënte en toekomstbestendige gebouwen.
Een Energy Management System helpt energie slim sturen. Entune BuildingAI versterkt EMS en GBS met AI voor optimale timing, lagere kosten en beter comfort.
Heb je vragen over hoe BuildingAI jouw gebouwen slimmer, duurzamer, goedkoper en comfortabeler kan maken?
