waar ben je naar op zoek?

Generic filters
Exact matches only
Search in title
Search in content
Search in excerpt

De kracht van energie-optimalisatie: een reis van Machine Learning en energiebesparing

Energiebesparing | verwarmingsbeheer | gasbesparing | energie-optimalisatie

In de vorige blog ‘Hoe AI het gasverbruik van jouw bedrijf met 30% kan verminderen‘ beschreven we hoe we klanten helpen om energie te besparen door hun energiedata te analyseren.

Met Machine Learning-algoritmes kan gasverbruik worden gemodelleerd, voorspeld en geoptimaliseerd. Deze algoritmes zitten verwerkt in onze energiemonitor: Energy Analytics. Zo krijgt de gebruiker suggesties voor maatregelen die kunnen oplopen tot een energiebesparing van 30%.

In dit artikel worden tipjes van de sluier opgelicht hoe dit onder de motorkap te werk gaat: hoe kan Machine Learning tot energiebesparende maatregelen komen en hoe nauwkeurig is dit?

Onderzoek hoofdmeterdata

Om dit aan tonen heeft onze collega Sterre de Vries de afgelopen maanden grondig onderzoek verricht. Ze heeft daarbij gebruik gemaakt van een dataset bestaande uit drie jaar aan hoofdmeterdata van het gasverbruik van een aanzienlijk kantoorpand. Deze gegevens omvatten metingen op uurbasis, vergelijkbaar met wat doorgaans door meetbedrijven wordt verstrekt.

Het kantoorgebouw vertoont een consistent verbruikspatroon, wat het gedrag ten opzichte van de buitentemperatuur gemakkelijk modelleren maakt. Sterre’s inzet en analyse hebben ons in staat gesteld deze verbanden helder in kaart te brengen.

Sterre heeft vier modellen gemaakt, van simpele lineaire regressie tot XGBoost-modellen. Van elk model heeft ze getest hoe nauwkeurig ze zijn in het voorspellen van het gasverbruik. Vervolgens heeft ze de modellen gebruikt om te voorspellen wat de effecten zijn van het verlagen van de streeftemperatuur binnen en buiten kantoortijden, en het vernauwen van de tijden dat het gebouw verwarmd moet zijn. We leggen dit uit aan de hand van onderstaande grafiek.

Energiebesparing | verwarmingsbeheer | gasbesparing

Deze grafiek toont het gedrag van het gasverbruik ten opzichte van de buitentemperatuur in een spreidingsplot. Elk punt is de waarneming van een uur, waarbij de horizontale positie aangeeft hoe hoog het gasverbruik was en de verticale positie wat de buitentemperatuur toen was. Uren dat het buiten warm is (rechts) is het gasverbruik praktisch nul. Vanaf ongeveer 20 graden en kouder (links) zie je echter een vrij lineaire toename van het gasverbruik, per graad dat het kouder wordt. Buiten kantoortijden, als de verwarming “buiten bedrijf” is, is dit gasverbruik veel lager (roze punten) dan wanneer de verwarming “in bedrijf” is (gele punten, binnen kantoortijden). De verwarming staat dan op een lagere streeftemperatuur. Daarnaast zijn 5:00 uur en 6:00 uur apart gekleurd zodat duidelijk te zien is dat de verwarming vanaf 6:00 actief wordt.

Gasverbruik voorspellen op basis van buitentemperatuur en andere factoren

De spreidingsplot laat zien dat er een lineair verband is tussen het gasverbruik en de buitentemperatuur. Het laat ook zien dat er nog wel veel ruis is en dat het heel veel uitmaakt om welk uur van de dag het gaat. ’s Middags als de zon schijnt is de lijn minder stijl dan vroeg in de ochtend als het gebouw nog opgewarmd moet worden. Door middel van lineaire regressie heeft Sterre dit lineaire verband berekend voor elk uur van de week. Het resultaat is een formule van het gasverbruik per graden buitentemperatuur, met een minimum van nul, voor elk uur van de week.

Extreme Gradient Boosting (XGBoost) is een Machine Learning-algoritme dat op een beslissingsboom gebaseerd is. Door middel van duizenden automatisch gegenereerde regels komt hij tot een voorspelling wat het gasverbruik zou zijn bij elk mogelijke combinatie van input-factoren. Hierdoor kan XGBoost rekening houden met non-lineariteit, maar ook met factoren die van elkaar afhankelijk zijn of interactie hebben met elkaar. Zo heeft Sterre ook zoninstraling meegenomen als input.

De simpelste modellen hadden een RMSE van ongeveer 2,0 m³ gas. Dit is een indicatie van hoe groot de fout is van de voorspelling ten opzichte van de daadwerkelijke waarde. De meer geavanceerde modellen wisten dit met ruim 20% te verbeteren.

De stap van voorspelling naar simulatie

Deze kennis kan gebruikt worden om het effect te simuleren van aanpassingen in de programmering. Zo kun je simuleren wat het effect is als je een uur later start met verwarmen, door de verschillende modellen van de ochtend allemaal een uur op te schuiven. Om de streeftemperatuur een graadje lager te simuleren, kun je het model toepassen op een buitentemperatuur van een graadje hoger; het energieverlies is namelijk afhankelijk van het verschil tussen binnen- en buitentemperatuur. Door de input van het model zo te manipuleren kun je het effect van deze maatregelen, maar ook van de combinatie van beide maatregelen, simuleren.

Het resultaat: een uur later beginnen met verwarmen bespaart voor dit kantoorgebouw ongeveer 5% gas op jaarbasis. Het verlagen van de streeftemperatuur binnen en buiten kantoortijden met één graad levert ongeveer 10% gasbesparing op. De combinatie van deze twee maatregelen levert een besparing van ongeveer 14% op.

Benieuwd wat voor besparingen Energy Analytics jouw bedrijf kan opleveren? Lees hier meer over Energy Anaytics. Wij helpen jou graag verder met klimaat- en energievraagstukken door producten en diensten te ontwikkelen die jouw organisatie helpen de klimaat- en/of energietransitie te versnellen.

Link gekopieërd