Duurzame energie

Het gebouw wordt een algoritme

De toekomst is aan het slimme gebouw dat rekening houdt met het gedrag en de wensen van gebruikers. Een gebouw ook met een minimale footprint. Door externe – voorspellende – data te combineren met historische gegevens en die continu aan het gebouwbeheersysteem toe te dienen, krijgen we zelflerende gebouwen. Hoe mooi is dat en wat kan de E-installateur ermee?

Peter van Houwelingen is commercieel
verantwoordelijk voor MPC 2.0 in Nederland.

Auteur: Tom de Hoog

Op de vakbeurs in Hardenberg dit jaar presenteerde Kieback&Peter het voorspellend regelsysteem Model Predictive Control (MPC 2.0). Dit systeem functioneert met wiskundige rekenmodellen en voorspellende algoritmes. Naast real time waarden werkt MPC 2.0 met historische data uit het gebouwbeheersysteem (GBS) én met externe data, zoals klimaatvoorspellingen. De algoritmes van MPC 2.0 ontwikkelen zich continu door middel van machine learning. Voor gebruikers van een gebouw dat is voorzien van deze techniek betekent dat, naast meer comfort, ook een forse besparing op energie(kosten). Het is volgens Kieback&Peter vooral een oplossing voor utiliteit zoals kantoren, ziekenhuizen en overheidsvastgoed. Voor de woningmarkt is het geen propositie legt Peter van Houwelingen, commercieel verantwoordelijk voor MPC 2.0 in Nederland, uit: “Het gaat om locaties waar een hoog energieverbruik en de daaraan verbonden energierekening door beter energiemanagement omlaag kan worden gebracht. In Duitsland kwam uit de testfase van MPC 2.0 naar voren dat besparingen van 20 tot 35% haalbaar zijn.”

 

Hoe werkt Model predictive Control?

Voorspellend regelen middels de MPC 2.0 software is volgens van Houwelingen een grote stap vooruit: “Uitgangspunt zijn het al aanwezige GBS (gebouwbeheersysteem; redactie) en de controllers in een gebouw. Daarbij kijken we eigenlijk altijd naar de historie en de actuele situatie. Met andere woorden ‘hoe zijn we gewend dat een gebouw moet functioneren?’ Als het buiten warmer of kouder wordt reageert een GBS en stuurt bijvoorbeeld een radiatorgroep aan. Je stelt daarvoor bepaalde proportionele bandbreedtes in voor de temperatuur. De basis hiervoor is de historie van de temperatuurontwikkeling in verschillende jaargetijden. Ook gebruiksdata – bezettingsgraad en gebruikspatroon – van een gebouw kan daarbij worden meegenomen. Met MPC 2.0 gaan we een stap verder. We halen de data uit een GBS en slaan die op een server in Duitsland, om vervolgens een ‘digitale kopie’ van het betreffende gebouw te maken. Die digitale kopie of ‘digital twin’ wordt een rekenmodel, omdat we er voorspellende gegevens aan toe gaan voegen. Zo berekenen we de verwachte bezettingsgraad van dat gebouw en het patroon in het gebruik. Dan analyseren we de waarden die we zien voor de snelheid waarmee aanwezige systemen reageren op alle factoren die van invloed zijn op het gebouwklimaat. Bijvoorbeeld hoe lang verwarmen nodig is voor de gewenste temperatuur en hoe lang het duurt om het gebouw af te koelen. Bij alle berekeningen betrekken we ook de weerprognose voor de locatie die we krijgen van een meteorologische dienstverlener. De gebruikssimulatie in de digitale gebouwkopie levert data die we continu terugvoeren naar het GBS van het gebouw. Zo ontstaat een zelflerend systeem dat na een leerfase van enkele weken tot zes maanden tot een optimum komt.”

Vergelijking tussen regeling met historische data en op basis van voorspellend regelen.

 

Voordeel van voorspellend regelen

Een voorbeeld maakt duidelijk waar de kracht ligt van voorspellend regelen. Als het ‘s ochtends vroeg bijvoorbeeld 12 graden is, zou dat een verwarmingssysteem kunnen starten. Is dat echter op een dag die snel opwarmt naar een temperatuur van boven de 20 graden dan is dat niet gewenst. Van Houwelingen: “Door de weersvoorspelling te betrekken bij de prognose kun je een ‘overshoot’ voorkomen. Denk ook de traagheid van reagerende systemen als vloerverwarming, betonkernactivering en koeling. Door de voorspellende waarden toe te dienen aan het GBS is dus geld besparen zonder dat gebruikers van een gebouw worden gekort op comfort. Omdat we ook de ligging van het gebouw kennen – en dus de stand op de zon van de gevels – kan de inwerking van zonnewarmte per ruimte worden gedefinieerd. Dus voor ruimtes aan de schaduwzijde geldt een andere voorspelling – en dus aansturing – dan voor kamers aan de zonzijde van een gebouw.” Van Houwelingen wijst daarnaast op de informatie van Google die kan worden verwerkt in de rekenmodellen. Dit kan voor retailers van belang zijn om de klimaatregeling op hun locaties aan te sturen en zo energieverbruik te beperken. Vooral voor eindgebruikers en facility managers in de vastgoedsector is voorspellend regelen daardoor interessant. Kieback&Peter levert een dashboard dat gedetailleerde informatie geeft over de ‘prestaties’ van de systemen in een gebouw als het gaat om energie en klimaat. Plus dat er een vergelijking wordt getoond tussen aansturing van het GBS met voorspellend regelen en zonder deze techniek. Van Houwelingen: “Het gaat er natuurlijk ook om dat de ‘footprint’ van utiliteit wordt teruggedrongen en voorspellend regelen kan een grote bijdrage aan leveren aan het verminderen van de uitstoot van CO₂ door de installaties.”

Schematische voorstelling van aansluiting op het server analytics platform met dasboard voor gebruiker.

Data is de trend

Hoe kijkt de installatiesector tegen deze ontwikkeling aan? David van den Burg is directeur van Burg Installatietechniek. Zijn bedrijf realiseert E- en W-installaties voor woningbouw en utiliteit naast oplossingen voor agrarische bedrijven in met name de bollensector. Steeds meer richt Burg zich op (grote) zakelijke projecten waarbij energie neutrale installaties met state-of-the-art technologie de norm zijn. Over de ontwikkeling van zelflerende software, die voorspellend regelen mogelijk maakt, zegt hij: “Het is de trend dat steeds meer data wordt gebruikt om gebouwen te beheren en installaties optimaal af te stemmen op wensen van gebruikers. Wijzelf monitoren ook installaties om deze waar nodig snel aan te kunnen passen.” Eén van de ontwikkelingen die Van den Burg volgt is die van de ‘digital twins’, waarbij middels sensordata uit het Internet of Things (IoT) een digitale kopie van een gebouw een steeds getrouwere afspiegeling wordt van het object in de echte wereld. Ziet hij het belang van zelflerende systemen toenemen? “Ik denk zeker dat we steeds meer gebruik van data zullen maken, dat zie je nu al aan vraaggestuurde systemen in gebouwen.”

Vermijden van pieklasten door toepassen van voorspellend regelen. BRON AFBEELDINGEN: Kieback&Peter

Open protocol

De oplossing die Kieback&Peter biedt is niet fabrikant-gebonden. Van Houwelingen: “Wij leveren zelf GBS’en, maar ook andere BACnet georiënteerde systemen of systemen met een open protocol zijn te koppelen aan MPC 2.0.” Over de aanschaf van de oplossing zegt hij dat het per afnemer kan verschillen. “Om de investering in ons systeem te kunnen bepalen willen we op voorhand met een mogelijke klant praten over het huidige energiegebruik. Met die gegevens maken we een analyse die we presenteren. Om te kunnen starten met MPC 2.0 is een éénmalige initiële investering noodzakelijk die onze kosten in de aansluitfase dekt en vervolgens sluiten we een abonnement af. Daarin zit de dataverzameling en analyse, plus het bijwerken van het simulatiemodel dat de informatie geeft voor optimalisatie van de prestaties van het gebouw. Het is software-as-a-service, waarbij de terugverdientijd tussen de 1,5 en 3 jaar ligt.”

Samenbrengen E en W

Een vraag is welk type installateur garen kan spinnen bij ontwikkelingen als voorspellend regelen en steeds intelligentere aansturing van GBS-systemen. Bijvoorbeeld bij Tijssens Electrotechniek ligt het accent op de E-installaties. Ruud Evers, teamleider engineering bij dit bedrijf meldt dat bij projecten waarbij samenwerking met W-installateurs aan de orde is GBS-techniek een steeds grotere rol speelt. “Wij schrijven zelf programma’s voor GBS’en voor diverse grote opdrachtgevers zoals de Rijksgebouwendienst.” Hij ziet de ontwikkeling van zelflerende systemen die GBS’en optimaliseren als een ontwikkeling die al is ingezet door de toepassing van slimme sensoren. “W-installateurs passen die al toe. Informatie van weerstations wordt nu ook al gekoppeld aan GBS-systemen. Voor ons is een oplossing zoals de genoemde fabrikant nu aanbiedt niet direct een toevoeging.” Ook een andere E-installateur ziet de introductie van software voor voorspellend regelen vooral voor de collega’s die in de klimaatsector werkzaam zijn. Dennis de Kleyn, projectleider bij Van Aalst Elektro: “Ik snap dat dit voor gebouweigenaren belangrijk is. Gebouwen die straks niet meer voldoen aan wettelijke eisen zijn niet meer te verhuren. Wij zijn vooral actief in de elektrotechniek. En hebben meer aandacht voor preventief onderhoud (predictive maintenance) om zo de werking van E-installaties te kunnen garanderen. Dat baseren we meestal op de informatie van fabrikanten over de levensduur van de producten die zij leveren. En, laten we wel zijn, er is vooral een wegwerpcultuur als het gaat om bijvoorbeeld componenten voor noodverlichting. Dat terugdringen zou onze eerste aandacht krijgen.”

 


Thermische printers voor industriële toepassingen →

Deze 3 pagina's vind je misschien ook wel interessant:

ent.nl/manager