Optimalisatie van energieprestaties en comfort in kantoorruimtes

Context

Deze casestudie is van toepassing op gebouwzones die zijn uitgerust met sensoren die de temperatuur en de activiteit meten, een regelbaar verwarmings-, ventilatie- en airconditioningsysteem (HVAC), en, optioneel, een lokale PV-installatie.

Doelstelling

Gebouwen zijn verantwoordelijk voor bijna een derde van het mondiale energieverbruik en de mondiale CO2-uitstoot. Daarom spelen zij een cruciale rol bij het matigen van de klimaatverandering. HVAC-systemen alleen al zijn verantwoordelijk voor ongeveer 40% van het totale energieverbruik van een gebouw.

In deze casestudie tonen we aan dat het mogelijk is het verbruik van HVAC-systemen te verminderen door een optimale afweging te maken tussen het minimaliseren van het energieverbruik, het garanderen van een goed comfortniveau, het verlagen van de energiekosten en het maximaliseren van het gebruik van hernieuwbare energie.

Oplossing

Energis ontwikkelde en implementeerde een oplossing bestaande uit een regelgebaseerd AI-systeem, dat in staat is HVAC-apparaten op een slimme en zelfstandige manier te besturen tijdens het Innoviris TeamUp onderzoeksprogramma. 

De oplossing werd geïnstalleerd op ons edge device Raspicy en getest in een scenario bestaande uit een kantoorzone uitgerust met temperatuur-, vochtigheids-, CO2-, bewegingssensoren en een lokale PV-installatie. De communicatie tussen de slimme controller en het HVAC-systeem verliep via het ModBus-protocol, hoewel verschillende andere alternatieven kunnen worden overwogen, zoals BMS en een reeds bestaande HTTP API.

De regel-gebaseerde AI-controller heeft een Inference Engine die voorwaarde-actie regels toepast die zijn opgeslagen in de Knowledge Base om beslissingen te nemen en nieuwe feiten af te leiden. 

Als eerste stap verzamelt een Knowledge Engineer de (bouw)domeinkennis met behulp van domeinexperts en zet die kennis vervolgens om in regels die kunnen worden toegevoegd aan de Knowledge Base van het systeem.  

Na die eerste fase werkt het systeem autonoom, interacterend met de omgeving om de toestand waar te nemen (hoe ziet mijn wereld er nu uit?) en de in de Kennisbank opgeslagen regels toe te passen om te beslissen wat de beste volgende actie is om te ondernemen (wat moet ik nu doen op basis van wat ik weet?). 

Naast het gebruik van sensorgegevens maakt de regelgebaseerde controller ook gebruik van weers- en bezettingsvoorspellingen om zich proactief aan te passen aan de voorspelde omstandigheden van de omgeving. Bijvoorbeeld, de zone voorverwarmen als er in de komende uren bezetting en een lage buitentemperatuur worden verwacht.

Resultaat

Zoals aangetoond tijdens ons onderzoeksprogramma, was onze regelgebaseerde regelaar in staat het comfortniveau in de zone te verbeteren en tegelijkertijd het energieverbruik van het HVAC-systeem te verminderen zonder enige menselijke tussenkomst. Het optimalisatiealgoritme hield ook rekening met de productie van hernieuwbare energiebronnen door maximaal gebruik te maken van de zonnestraling wanneer die beschikbaar was. 

Bovendien was de mogelijkheid om weersomstandigheden en bezettingsgraad te voorspellen een belangrijke factor om de energie-efficiëntie te verhogen, bv. door gebruik te maken van de thermische inertie van het gebouw aan het einde van de werkdag.

Toezicht op de controleur

De twee panelen van het dashboard van de controller hieronder werden gebruikt om de binnentemperatuur en de ondernomen acties te controleren. De controller verwarmt het kantoor voor als de zone koud is en in de komende uren bezet zal zijn. Hij maakte optimaal gebruik van de PV-productie wanneer de instraling goed genoeg was en stopte met verwarmen wanneer het tijd was om gebruik te maken van de thermische inertie van het gebouw tot het einde van de werkdag.

De comfortpanelen stelden ons in staat het comfort in de diepte te volgen, bv. de evolutie van de Predicted Percentage of Dissatisfied (PPD) en Predicted Mean Vote (PMV) indexen die door ASHRAE¹ worden gebruikt om het thermisch comfort te beoordelen. PPD, aangegeven met een groene lijn in het comfortpaneel, schat het percentage mensen dat ontevreden is met het huidige comfortniveau (koeling of verwarming) en moet lager zijn dan 20% tijdens de werkuren (grijs gebied in de dashboards).

¹ De American Society of Heating, Refrigerating and Air-Conditioning Engineers. www.ashrae.org 

Monitoring van KPI’s

Een globaal overzicht van de comfortomstandigheden was ook noodzakelijk. We creëerden de onderstaande dashboards die comfortscores bijhouden, bv. temperatuur, vochtigheid. Deze scores geven het percentage aan van de tijd dat de binnenconditie zich binnen het comfortbereik bevond tijdens de werkuren.