waar ben je naar op zoek?

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

De toekomst van verwarmingsbeheer: hoe AI het gasverbruik van jouw bedrijf met 30% kan verminderen

Energiebesparing | verwarmingsbeheer | gasbesparing | energie optimalisatie

Niemand wil ’s ochtends op een koud kantoor aankomen.

In de praktijk staat de verwarming daarom zo geprogrammeerd dat het in ieder geval op tijd warm is. Helaas betekent een warm kantoor ook meer warmteverlies aan de omgeving – ook als het kantoor vroeg in de ochtend nog verlaten is. Dat is jammer want door het optimaliseren van de programmering van de verwarming zou je soms meer dan 30% gas kunnen besparen. Energy Analytics, de energiemonitor waarin Machine Learning wordt ingezet, voert berekeningen uit om dit soort besparingen te vinden. Het enige wat het daarvoor nodig heeft is data uit slimme meters en KNMI-weerdata.

Gasbesparing simuleren met Energy Analytics

Energy Analytics geeft niet alleen een overzicht van gebouwen en KPI’s van hun energieverbruik. Er worden ook zeer interessante inzichten gegeven over of een gebouw goed geïsoleerd is en hoe veel er bespaard kan worden door de programmering aan te passen. Deze besparingen zijn door Machine Learning-modellen tot stand gekomen en kunnen worden gedemonstreerd door middel van simulaties:

Energiebesparing | verwarmingsbeheer | gasbesparing

De afbeelding hierboven geeft aan hoe een simulatie eruit zou komen te zien. Elke lijn geeft het gemiddelde gasverbruik per uur van de dag weer, met per kleur de betreffende dag in de week. De vage lijnen weergeven het huidige dagprofiel en de heldere lijnen geven het dagprofiel na het simuleren van enkele aanpassingen in de programmering. Door middel van slicers kan de Energy Analytics-gebruiker zelf experimenteren met instellingen en het resultaat ervan inzien.

Van modelleren naar voorspellen en optimaliseren

Het maken van dit soort simulaties begint met het maken van een model van het energieverbruik. Zo is er een duidelijke relatie tussen het gasverbruik en de buitentemperatuur, die varieert afhankelijk van de instraling van de zon en de streeftemperatuur van het gebouw. Zodra dit model getraind is kun je voorspellingen uitvoeren, bijvoorbeeld met een gewijzigde programmering. Door aan het elektriciteitsverbruik af te leiden wanneer het gebouw in gebruik is, weet je binnen welke uren de comfortabele streeftemperatuur bereikt moet zijn. Een optimalisatie-algoritme berekent vervolgens de ideale programmering om zuinig met gas om te gaan zonder dat de gebruikers het koud krijgen.

Nieuwe gebouwen modelleren

Dit systeem is in principe toe te passen op elk gebouw dat met een gasketel wordt verwarmd. Er zijn echter nog een paar stappen nodig die nog niet zijn beschreven. Zo is het nodig om automatisch de programmering te kunnen detecteren uit een beperkte dataset. Daarnaast is het nodig om wijzigingen in de programmering te kunnen detecteren en deze te verwerken, zodat je niet na elke wijziging weer met een compleet nieuwe dataset hoeft te beginnen. Ook moet je rekening houden met de opstartpiek: als het gebouw moet opwarmen na een weekend afgekoeld te zijn geweest, zal het relatieve gasverbruik nog een stukje hoger zijn dan een tijdje later wanneer de streeftemperatuur bereikt is. Met deze informatie zou je dus ook de binnentemperatuur kunnen afleiden, zonder ooit een stap in het gebouw te hebben gezet!

Zo helpen we onze klanten met Energy Analytics om energie te besparen: concrete suggesties voor energiebesparende maatregelen, voorzien van besparingspotentieel en onderbouwd met simulaties.

Wil jij ook het energieverbruik van jouw organisatie verminderen? 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