Optimaliseer je energieverbruik met behulp van natuurkundige- en Machine Learning modellen

Met “EnTune BuildingAI” optimaliseren we het energieverbruik van grote gebouwen, zoals kantoren – om tot 30% energie te besparen. De meeste gebouwen hebben niet de intelligentie om zich aan te passen aan hun omgeving. Daarom verbruiken ze onnodig veel energie. EnTune BuildingAI gebruikt data en natuurkundige modellen om het energieverbruik optimaal te voorspellen, instellingen te finetunen en daarmee geld en energie te besparen (zie ons vorige blog).

In deze blog duiken we dieper in hoe het werkt vanuit een technisch perspectief.

Een Digital Twin zorgt voor flexibiliteit en aanpasbaarheid

Om het energieverbruik van een gebouw nauwkeurig te voorspellen en te beheren, is het essentieel om de thermische eigenschappen van het gebouw te verkrijgen. Deze eigenschappen kunnen worden berekend met behulp van natuurkundige modellen. Wanneer we deze combineren met data zoals weersvoorspellingen, energieprijzen, gebruikspatronen, dynamiek van verwarmings-/koelsystemen en persoonlijke voorkeuren, kunnen we een zogenaamde Digital Twin van het gebouw creëren. Door hier een technisch simulatiemodel op toe te passen, berekenen we een optimaal energieplan tegen de laagste energiekosten.

Voor het technische model hebben we twee belangrijke vereisten gedefinieerd:

• Het moet zich kunnen aanpassen aan de omgeving van het gebouw; denk aan mensen in het gebouw, het weer buiten.
• Het moet snel en eenvoudig te installeren zijn, en werken voor elk type gebouw, nieuw en oud.

Dus, hoe kunnen we energieverbruik en -kosten optimaliseren, rekening houdend met bovenstaande vereisten?

Gray-box model: een mix van zwart en wit 

Meestal zijn er twee manieren om deze uitdaging aan te pakken: met Machine Learning (black-box model) of met natuurkundige modellering (white-box model).

Black-box modellen 
Machine Learning (ML) modellen worden vaak gebruikt voor complexe problemen waarbij veel (historische) data beschikbaar zijn. Hiervoor gebruik je data om de werkelijkheid te modelleren. ML-modellen hebben als groot voordeel dat ze de werkelijkheid zeer nauwkeurig kunnen voorspellen. Echter, zij moeten worden getraind en gevoed met grote hoeveelheden data om hun volledige potentie te bereiken.

White-box modellen 
Fysieke modellen zijn modellen gebaseerd op natuurkundige wetten, die vaak worden gebruikt voor minder complexe, meer rechttoe rechtaan problemen. Hiervoor modelleer je de werkelijkheid met natuurkundige regels. Natuurkundige modellen vereisen weinig data en geen training, waardoor ze transparant en gemakkelijk interpreteerbaar zijn.

Wat hebben we nodig voor ons model? Enerzijds moet het model snel zijn en werken voor elk type gebouw – ook gebouwen met weinig tot geen historische data. Anderzijds hebben we te maken met hoge complexiteit, door alle omgevingsinvloeden, zoals het weer en energieprijzen. Om deze redenen hebben we besloten beide typen modellen te gebruiken en ze samen te voegen tot een zogenaamd 'gray-box model'.

Hoe werkt het?

We willen onze gray-box gebruiken om de temperatuur te modelleren. Er zijn vier componenten die invloed hebben op de temperatuur in een gebouw:

1. Warmte-uitwisseling tussen muren en lucht of tussen gebouwen en de buitenwereld. De warmte-uitwisseling wordt bepaald door:
   -  De oppervlakte van de kamer/het gebouw (gebouwparameter)
   -  Het verschil (delta) in temperatuur (thermostaatgegevens)
   -  En de warmtedoorgangscoëfficiënt (een parameter voor afstemming).
   
   
2. De verwachte zonne-energie wordt gevormd door weersvoorspellingen en de zogenaamde ‘solar fraction’, die bepaalt hoeveel zonne-energie de kamer kan binnendringen (mits de kamer ramen heeft). Als er zonwering wordt gebruikt, dan zijn er ML-algoritmen vereist om de verwachte zonne-energie te kunnen bepalen.
   
   
3. De aanwezigheid van mensen en apparaten hebben ook invloed op de temperatuur. Dit is te berekenen aan de hand van bezettingsprofielen, die statisch of dynamisch kunnen zijn. Voor statische bezettingsprofielen, zoals die van een traditioneel kantoorgebouw met vaste werktijden, volstaat een eenvoudig white-box model. Maar voor dynamische bezettingsprofielen, zoals die van een universiteitscampus, hebben we een ML-model nodig gecombineerd met de interne warmtefactoren. Deze factoren bepalen hoeveel energie door mensen en/of apparaten aan de kamer of het gebouw wordt toegevoegd.
   
   
4. Installaties voor koeling/verwarming hebben elk hun eigen energieverbruiksfactor. Dit verwijst naar de efficiëntie waarmee deze systemen energie gebruiken om de gewenste binnentemperatuur te bereiken. Voor verwarming en koeling streeft het model naar optimalisatie van de Coëfficiënt van Prestatie (COP) – de verhouding van nuttige verwarming/koeling die wordt geleverd met de verbruikte energie.

Met de bovenstaande componenten kan ons gray-box model talloze scenario's simuleren om zo het optimale energieplan te vormen: zo laag mogelijke energiekosten, terwijl het gewenste comfort van de eindgebruikers wordt gewaarborgd. Laten we aantal mogelijke scenario's belichten om een idee te krijgen van hoe het werkt:

• In plaats van een vaste temperatuur, werkt het model met een dynamisch comfortbereik. Op deze manier heeft het model de flexibiliteit om de temperatuurinstellingen te verlagen of te verhogen om het meest efficiënte energieplan te vormen.
  
  
• Wanneer er grote hoeveelheden zonne-energie worden voorspeld vanaf 12:00 uur, kan het model besluiten om te stoppen met het verwarmen van het gebouw om 10:00 of 11:00 uur om energie te besparen.
  
  
• Wanneer energie vroeg in de ochtend goedkoop is, en de weersvoorspellingen en verwachte gebouwbezetting een verwachte temperatuurstijging gedurende de dag laten zien, kan het systeem besluiten het gebouw iets extra te koelen om hoge koelkosten te voorkomen wanneer energie duurder is. Uiteraard wordt comfort in dit koelproces opnieuw gewaarborgd.

Conclusie

Ons gray-box model combineert de voordelen van het werken met een natuurkundig model (eenvoudig en snel op te zetten, geen historische data nodig) met die van een Machine Learning model (omgaan met veel onderlinge afhankelijkheden, hoge complexiteit, veel data nodig). Op basis van de vier belangrijkste componenten simuleert het vooraf vele verwarmings-/koelingscombinaties om te bepalen hoe het laagst mogelijke energieverbruik kan worden bereikt. Elk uur wordt dit proces herhaald, en past het model de temperatuurinstellingen naar verhouding aan, waarbij het comfort wordt gewaarborgd.