In dit artikel leggen we uit wat de meerwaarde van voorspellen is en welke methode wij gebruiken om te voorspellen. Daarnaast gaan we in op het verschil tussen een voorspellend energiemanagementsysteem en een welke dit niet heeft. De voordelen om datagedreven voorspelmodellen te integreren zal hieruit blijken.
Voorspellen is het proces waarbij een prognose van de toekomst wordt gecreëerd op basis van historische gegevens. In principe zijn voorspellingen nooit perfect, maar ze kunnen nuttig zijn om inzicht te krijgen over de toekomst. Tegenwoordig verzamelt men data van allerlei toepassingen. Zo ook voor gebouwinstallaties, opwekking zonne-energie, (ont)laadprocessen van elektrische auto’s (EV’s) en batterijopslagsystemen. Door de toenemende databases zijn datagedreven voorspelmodellen steeds waardevoller. Machine learning (ML) is een gevorderde methode van datagedreven voorspellen en valt onder de categorie kunstmatige intelligentie – artificial intelligence (AI). Hierbij worden algoritmes getraind om relevante patronen te herkennen met behulp van historische data. Met deze voorspelmodellen is het mogelijk om het toekomstig gedrag van systemen in te schatten.
Tegenwoordig worden veel EMS reactief aangestuurd. Dit wil zeggen dat het systeem reageert op gemeten waarden. Een dergelijke sturing kan worden vergeleken met het rijden van een auto waarbij de bestuurder is beperkt tot het gebruik van de achteruitkijkspiegel. De bestuurder zal beslissingen moeten maken op basis van de gepasseerde weg. Op een recht stuk zal de bestuurder in staat zijn om de auto op de rijbaan te houden, echter zal dit niet mogelijk zijn bij een bocht. Doordat de bestuurder alleen in zijn of haar achteruitkijkspiegel kan kijken, is hij/zij niet op de hoogte van de naderende bocht. Met als gevolg dat de auto uit de bocht vliegt. De gevolgen van een reactief EMS in een energiesysteem zijn minder extreem, maar resulteert wel in suboptimale prestaties.
De kracht van voorspellen zit in het vermogen om te anticiperen op toekomstige gebeurtenissen. Met de integratie van voorspellingen kunnen EMS anticiperend worden aangestuurd in plaats van reactief. De bestuurder is niet meer beperkt tot de achteruitkijkspiegel, maar kan de bocht waarnemen door de voorruit. Hierdoor kan er tijdig gereageerd worden op de situatie. Met voorspellingen van de laadbehoeften van elektrische auto’s, warmte- en koelbehoeften van gebouwen en overige energiebehoeften, kan een lokaal energiesysteem anticiperend worden aangestuurd.
Het doel van de anticiperend EMS is om de gebruiker een zo hoog mogelijk comfort te bieden tegen zo laag mogelijke kosten en impact voor het energiesysteem. Hierbij krijgt duurzame energie altijd de voorkeur boven fossiele energie. Bij de voorspellingen is het van belang om een geschikte voorspelhorizon te selecteren en deze in real-time te updaten. In onderstaande animatie wordt de energiebehoefte van een microgrid in real-time voorspeld met een voorspelhorizon van 24 uur.
Het toepassen van een anticiperend EMS biedt oplossing
aan de huidige problematiek waarin netcongestie ervoor zorgt dat bedrijven geen
nieuwe of zwaardere netwerkaansluiting kunnen krijgen, terwijl ze wel willen
groeien en verplicht worden om te verduurzamen.
In ons artikel “Anticiperende energiemanagementsystemen” gaan we verder in op anticiperende regelingen en kijken we naar een concreet praktijkvoorbeeld.
Wilt u meer weten over datagedreven voorspelmodellen
en hoe deze modellen geïntegreerd kunnen worden in uw EMS? Neem dan contact met
ons op!