VV02 Omslag 600
September 2022

Energieflexibiliteit opschalen met datagestuurde slimme gebouwen

Internationaal project IEA Annex 81

iStock-1170644956-600x400

Het project IEA Annex 81, Data-driven Smart Buildings, richt zich op een toekomstige wereld die wordt versterkt door toegang tot informatierijke gegevens uit gebouwen, via een open platform voor gegevensuitwisseling. Met geavanceerde controle en bediening van HVAC-systemen voor gebouwen kan de energie-efficiëntie met 20 procent toenemen en kan de aanwezige energieflexibiliteit nagenoeg volledig worden benut.

De energietransitie leidt er toe dat de samenleving meer duurzame energie gaat benutten, die ook steeds meer lokaal wordt opgewekt. Voor gebruikers zijn er economisch verantwoorde mogelijkheden voor het zelf opwekken van stroom door zonnepanelen. Daarnaast neemt de toepassing van elektrische warmtepompen gestaag toe. Verwarming met gas zal hoofdzakelijk plaatsmaken voor elektriciteit, omdat andere alternatieven ofwel te lokaal zijn of nog te veel ontwikkeling nodig hebben. Door nieuwe mogelijkheden voor energieopslag, zowel thermisch als elektrisch, verandert de energierol van de gebruikers verder. Zij kunnen niet alleen energie gebruiken, maar ook zelf produceren of tijdelijk bufferen. Dit heeft als gevolg dat het energiegebruik van de gebouwde omgeving voor de centrale energievoorziening minder voorspelbaar wordt. Soms is er op sommige plaatsen zelfs een teveel aan decentraal opgewekt vermogen in het net. Al deze ontwikkelingen hebben verregaande gevolgen voor het toenemen van de vraag aan het elektriciteitsnet, dat hierdoor snel aan zijn maximale capaciteit komt te zitten. De enorme toename aan groene stroom zorgt steeds vaker voor problemen. Ruim 75.000 huishoudens kunnen op een zonovergoten dag regelmatig hun stroom niet terugleveren aan het net. Soms zit er niets anders op dan de pv-panelen uit te schakelen om het lokale net te ontlasten. Gebeurt dat niet dan branden de polsdikke stroomkabels door [1]. De pieken in belasting kunnen door netverzwaring worden opgelost, maar dat is erg kostbaar en binnen afzienbare tijd niet realiseerbaar door een gebrek aan materialen en mensen. Recent heeft de Autoriteit Consument & Markt (ACM) het Codebesluit Congestiemanagement gepubliceerd. Daarmee zijn er nieuwe spelregels voor congestiemanagement voor het oplossen van transportcapaciteit. Het Codebesluit Congestiemanagement, en de bijbehorende wijziging van de Netcode elektriciteit, stelt netbeheerders in staat slimmer gebruik te maken van bestaande stroomnetten.

30 01Hoofdstructuur werkpakketten van IEA Annex 81 Datadriven Smart Buildings.

IEA EBC

Deze complexe thematiek wordt in internationaal verband aangepakt door het IEA-programma Energy in Buildings and Communities (IEA EBC). Het International Energy Agency (IEA) is in 1974 opgericht in het kader van de Organisation for Economic Cooperation and Development (OECD) om een internationaal georiënteerd programma op het gebied van energie te ontwikkelen. Het IEA diende de samenwerking te bevorderen tussen de destijds 28 IEAlidstaten om veiligheid omtrent energie te bewerkstelligen via energiebesparing, demonstraties en onderzoek naar en de ontwikkeling van alternatieve energiebronnen. IEA EBC-onderzoeksprojecten helpen de energievraag in gebouwen aanzienlijk te verminderen en hernieuwbare energiebronnen volledig te benutten. Dit is georganiseerd in een wereldwijde wetenschappelijke en technische onderzoeksgemeenschap. Nederland is lid van het IEA en neemt deel aan het IEA-netwerk, waar zestien van de 41 Implementing Agreements (IA’s) onder vallen. Het gaat bij de IA’s om een samenwerkingsverband tussen landen – en partijen daaruit – op het gebied van energieonderzoek, -technologie en -beleid. Het werk binnen een IA vindt plaats in een apart gedefinieerde taak, annex genoemd. Door de deelname aan het IA kunnen bedrijven en kennisinstellingen meedoen aan een annex. Dit project, IEA Annex 81, Data-driven Smart Buildings, richt zich op een toekomstige wereld die wordt versterkt door toegang tot informatierijke gegevens uit gebouwen, via een open platform voor gegevensuitwisseling. Door softwareapplicaties (zoals modelgebaseerd regelen ofwel ‘modelbased predictive control’ (MPC), foutdetectie en -diagnose (FDD)) kan de energieflexibiliteit snel worden opgeschaald. De looptijd van het project is van juni 2019 tot juni 2024. Hierbij zijn negentien landen betrokken met meer dan vijftig deelnemende organisaties, meestal universiteiten en  onderzoeksinstellingen, zoals bijvoorbeeld TNO. In Nederland ondersteunt de RVO en Topsector Energie TKI Urban Energy de deelname aan de sub-task groep C1 van IEA Annex 81.

iStock-1181619123-600x400Belangrijk om vanuit de Big Data te komen tot een veel effectievere ‘small data’-benadering.

Digitale technologie

De recente ontwikkelingen op het gebied van Big Data en machine learning in digitale systemen heeft het potentieel om de kosten te verlagen en barrières voor energie-efficiëntie en energieflexibiliteit te overwinnen en zo mogelijke netcongestie te voorkomen. Door middel van geavanceerde controle en bediening van HVAC-systemen voor gebouwen kan de energie-efficiëntie met 20 procent toenemen en kan de aanwezige energieflexibiliteit nagenoeg volledig worden benut. De nieuwe digitale technologie omvat:

  • Internet of Things (IoT) biedt toegang tot meer gegevens over de status en activiteit van apparatuur en mensen in gebouwen,
  • kunstmatige intelligentie (machine learning) en dataanalyse maken een automatische beoordeling van de
    energieprestatie en voorspellend energiebeheer van gebouwinstallaties mogelijk,
  • platforms voor het verbinden van gebruikers en aanbieders van energie-efficiëntie en energieflexibiliteit
    beheerdiensten,
  • open dataconcepten zullen belemmeringen verminderen en innovatie in softwarediensten voor energie-efficiëntie en energieflexibiliteit stimuleren.

De kerndoelstellingen van het project zijn: ontwikkeling van een beoordelings- en evaluatiekader (key performance indicators, KPI’s) voor de impact van alternatieve HVAC-regelstrategieën voor gebouwen in een digitale omgeving.

VV+-beeld-600x4002. Stapsgewijze projectaanpak van werkpakket 1 van het RVO B4B-project.

Subtaken

Het project IEA Annex 81, Data-driven Smart Building is verdeeld in vier subtaken:

  1. Subtaak A. Deze taak heeft tot doel de kennis, normen, protocollen en procedures te ontwikkelen voor goedkope, hoogwaardige gegevensverzameling, -uitwisseling en -gebruik in gebouwen. Het zal open data-concepten, data-governance, data-platforms en data-informatiemodellen voor building services applicaties onderzoeken.
  2. Subtaak B. Hier is het doel een controlegericht modelleringskader te ontwikkelen dat de ontwikkeling en het testen van modelvoorspellende besturingstoepassingen ondersteunt. Het zal elk van de modellen van de white-, grey- en black box onderzoeken.
  3. Subtaak C. Deze taak heeft tot doel energie-efficiëntie van gebouwen (en gerelateerde) ‘toepassingen’ te
    ontwikkelen die kunnen worden gebruikt (en idealiter gecommercialiseerd) voor het verminderen van het
    energiegebruik in gebouwen en het coördineren van de energievraag van gebouwen om extra voordelen voor het elektriciteitssysteem te behalen.
  4. Subtaak D. Hier ligt de focus op de stimulering van de toepassing van de resultaten van de bijlage door middel van casestudy’s, innovatie van bedrijfsmodellen en verspreiding van de resultaten in sub-taak A.

Activiteiten

Onder subtaak A, activiteit A1 (open data concepts and data governance), wordt gewerkt om waarde uit data te halen en nutteloos data-hamsteren en data-angstig gedrag onder data-eigenaren te overwinnen. De functionaliteit en het beoogde gebruik van data-platforms kunnen in eenvoudige infographics worden weergeven die kunnen worden gebruikt om gebruikers te helpen bij de keuze tussen platforms die aan hun behoeften voldoen. Activiteit A3 (data information models) onderzoekt de beschikbare schema’s voor open data-uitwisseling. Er zijn tal van schema’s/formaten geïdentificeerd en die worden in kaart gebracht. Dit zowel voor de levenscyclus van gebouwen alsook de toepassingen voor gebouwservices, door te identificeren hoe de ruimte van potentiële use-cases het beste kan worden gedekt. Hoewel verschillende bronnen de strategische waarde van partnering identificeren (als een middel om gegevens te beheren en de bedrijfswaarde te verbeteren), zijn de onmiddellijke voordelen van datamodellen nog moeilijk te kwantificeren. Bij subtaak B, activiteit B1 (control oriented modelling methods), worden testcases verzameld met een grote diversiteit aan gebouwtypen, afmetingen en zowel virtuele als echte gebouwen. Hierbij worden ‘modules’ verzameld voor een aantal van de testcases; elk pakket zal bestaan uit een dataset, een korte verklarende videopresentatie en aanvullende informatie. Activiteit B3 (MPC simulation and evaluation) beoordeelt de geschiktheid van de projecten voor het testen van controlestrategieën binnen de emulatieomgeving BOPTEST. Activiteit B4 (MPC implementation) kijkt naar forecasting en stochastische controlemethoden en de technologiebeoordeling van MPC en succesvolle implementatievoorbeelden. Activiteit B5 (roadmap for MPC) heeft een enquête verspreid onder experts in het veld om informatie te verzamelen over bestaande barrières (technisch en anderszins) voor de algemene acceptatie van MPC en ideeën over hoe dergelijke barrières kunnen worden overwonnen. Subtaak C, activiteit C1, heeft de focus vanuit het perspectief van de stakeholders van de datagedreven gebouwen. Ze zijn geïnteresseerd in een reeks karakteristieke meta-KPI’s die hun belangrijkste aandachtspunt vertegenwoordigen. Energie-informatiesystemen hebben een multi-perspectiefbenadering nodig die gericht is op verschillende belanghebbenden. Verschillende taken worden gedefinieerd door de KPI’s gekoppeld aan Smart Readiness Indicator (SRI); bewonersgerichte aspecten (IEA Annex 79, Tail, Well), onderhoud, ICT-infrastructuur connectiviteit (WiredScore, Reset, R2S), en die van de werkgroep C2 (FDD) en C3 (energieflexibiliteit, IEA Annex 82).

Brains-for-Buildings

Het is de bedoeling om de meta-KPI’s toe te passen op casestudies van een groot Nederlands onderzoeksproject Brains-for-Buildings B4B-APK 2.0 (tien demonstratiegebouwen in totaal). Naast de meta-KPI ontwikkeling wordt ‘transfer learning’ gezien als een belangrijk aspect van C1. Het kwantificeren van de gedragspatronen van transfer learning is belangrijk voor kosteneffectieve datagestuurde oplossingen voor het voorspellen van energie voor gebouwen. Dit is een noodzaak om het energiebeheer in gebouwen en energienetten te optimaliseren. C2 ontwikkelt ook een literatuurstudie die is gericht op het samenvatten van bestaande studies over datagestuurde automatische foutdetectie en diagnose (AFDD). Activiteit C3 voert een beoordelingsactiviteit uit op data gestuurde KPI’s voor de beoordeling van gebouwen en energiegemeenschappen die vraagrespons en energieflexibiliteit gebruiken tijdens de exploitatie. Subtaak D is gericht op het verzamelen en verspreiden van bewijsmateriaal over de voordelen en de waarde die gepaard gaan met datagestuurde toepassingen voor slimme gebouwen. Dit zal worden bereikt door het analyseren van een reeks casestudy’s en het publiceren en delen van gegevens.

Systeembenadering

In IEA Annex-projecten is het gebruikelijk dat kennis uit andere projecten wordt ingebracht. Dit wordt vaak als onderdeel gezien van de inspanningsverplichting die wordt verricht in het kader van een IEA-taak. Door de koppeling met een groot Nederlands consortium rond het B4B-project is er een grote basis voor kennisdeling, maar ook voor feedback en reflectie. In werkpakket 1 van het B4B-project wordt specifiek gekeken naar FDD, waarbij KPI’s als grenswaardes voor de detectie van afwijking een belangrijke rol spelen. Doordat de onderzoeksgroep Installatie van de TU Eindhoven zowel werkpakket 1 van het project B4B leidt, alsook subtaak C van IEA Annex 81, is het mogelijk de koppeling tussen beide projecten vorm te geven. De aanpak gebeurt  stapsgewijs waarbij wordt begonnen met de luchtbehandelingskast. Hierbij wordt een onderscheid gemaakt in de subsystemen koelen, verwarmen en ventilatie (figuur 2). Door deze systeembenadering blijft de complexiteit beperkt en hanteerbaar. Belangrijk is verder ook om niet alle data te willen gebruiken, maar te focussen op de belangrijkste data. Dit kan met behulp van de Pareto-Lean-methode. In de techniek is 20 procent van de aspecten vaak verantwoordelijk voor 80 procent van het resultaat. Dat geldt voor de datasets, maar ook voor de tijdsintervallen die bekeken moeten worden.
Hierdoor is er een grote tijdwinst, omdat gericht gekeken wordt naar de meest belangrijke data. Het opschonen en
compleet maken van data kost immers in de praktijk ongeveer 80 procent van de tijd van een project. Het is dus zaak om vanuit de Big Data te komen tot een veel effectievere ‘small data’-benadering. Inmiddels zijn de eerste deelresultaten – prototypes voor de FDD-modules voor koelbatterijen in de luchtbehandelingskasten – gebouwd en getest [2, 3]. Hierbij is gebleken dat gekozen aanpak effectief is.

VV+3. Hoofdstructuur SRI.

SRI

Ook belangrijk is de aansluiting van het werk in IEA Annex 81 met de Smart Readiness Indicator (SRI), een initiatief van de Europese Commissie. SRI is een indicator die weergeeft in welke mate een gebouw technologisch klaar is voor de realisatie van de beoogde doelstellingen van de energietransities. Het hoofddoel van SRI is om het gebouw meer energie-efficiënt en performanter te maken, alsmede ook de interactie van de gebruikers en de externe omgeving met name op het gebied van de energieflexibiliteit te optimaliseren. Bij de berekening van de SRI-score wegen technologische mogelijkheden gerelateerd aan een slim energiegebruik dan ook het zwaarst door. Bepaalde technologische mogelijkheden die meerwaarde kunnen creëren voor het gebouw en zijn omgeving, maar geen link hebben met energie (bijvoorbeeld slimme reservering van vergaderzalen) worden niet in rekening genomen. SRI wordt samengevat in drie hoofdfunctionaliteiten die verder onderverdeeld zijn in zeven impact criteria (figuur 3). Gezien het politieke draagvlak binnen de EU is het van groot belang om de ontwikkeling rond de SRI mee te nemen. De structuur van de verschillende subtaken binnen IEA Annex 81 sluit daar goed bij aan. Bij de verdere uitbouw van
Annex 81 wordt de samenwerking rond de SRI gezocht om zeker te zijn dat een toekomstgericht resultaat zal worden bereikt. Het is echter ondoenlijk om in een kort overzicht alle belangrijke aspecten weer te geven van deze belangrijke ontwikkelingen binnen ons vakgebied. <<

Meer informatie

Literatuur

  1. Weezel T.G. van, Weijer B. van de , ‘Hoge pieken van groene stroom leiden tot nieuwe problemen’, de Volkskrant (30 mei), Amsterdam, 2022.
  2. Chitkara S., ‘Continuous monitoring and automated fault detection and diagnosis of large air-handling units’,
    Stan Ackermans Institute, Smart buildings and cities program, TU Eindhoven, Eindhoven, 2022.
  3. Thamban A., Brink A. van den, Walker S., Zeiler W., ‘Detection of the low ΔT syndrome using machine learning models’, Proceedings Clima 2020, REHVA 14th HVAC World Congress, Rotterdam, 2022.

Tekst: prof.ir. Wim Zeiler, TU Eindhoven
Fotografie: iStock