Een gebouw zal in de toekomst door eigen opwekking, buffering en schaarste van externe energie, gebruik moeten maken van anticiperende regelingen om energie efficiënter te zijn en zijn energieflexibiliteit te kunnen benutten. Schatting is dat meer dan 20% van het energiegebruik in gebouwen kan worden bespaard en piekbelastingen in het elektriciteitsnet kunnen worden gereduceerd tot wel 80%. De aansturing hiervoor dient niet alleen te gebeuren met real-time data uit ‘traditionele’ gebouw gebonden regeltechnische klimaatsystemen, maar ook met weersverwachtingen en voorspellingen op basis van historische data uit de elektrische systemen, zonnepanelen en batterijsystemen. Dit om beter gefundeerd actie te ondernemen bij deze anticiperende regelsystemen en het geheel te dirigeren. Hiervoor is een nieuwe generatie van open-structuur gebouwbeheersystemen (GBS) nodig.
Dit project richt zich op de rol van softwareontwikkeling t.b.v. gebouwbeheersystemen voor het verbeteren van de voorspelling van de energievraag en voor anticiperende regelstrategieën.
Dit project wordt gefinancierd door het Nederlandse subsidieprogramma Topsector Energie Gebouwde Omgeving (TSE-GO) en wordt uitgevoerd door de Rijksdienst voor Ondernemend Nederland (RVO).
Model Predictive Control for Energy Flexibility in Buildings
Projectnaam:
Model Predictive Control for Energy Flexibility in Buildings
Referentienummer:
TSEGO23003
Aantal jaren:
2
Voortgangsrapportage periode:
08-01-2024 tot 08-01-2025
Het GBS van de toekomst zal in toenemende mate een rol krijgen als ‘spin in het web’ van diverse datastromen binnen een gebouw. Om deze rol te kunnen vervullen zal een GBS in de volgende basis functionaliteiten moeten kunnen voorzien:
Inkoppelen van diverse realtime databronnen op een snelle en flexibele manier.
Inkoppelen van diverse historische databronnen op een snelle en flexibele manier.
Historisch opslaan van datapunten en -structuren.
Calculeren met realtime en historische data.
Overzichtelijk kunnen presenteren van realtime en historische data en daarop gebaseerde KPI’s.
Via open standaarden beschikbaar stellen realtime en historische data (API).
En additioneel:
Op data gebaseerde voorspellingen van het (deel)gedrag van gebouwen.
Beslissingsalgoritmes voor data gedreven anticiperende aansturing (bijv. MPC regeling) van (deel)gedrag van gebouw eenduidig vastleggen.
Anticiperende regelingen kunnen hosten welke realtime setpoint optimalisaties kunnen uitvoeren in gekoppelde systemen (databronnen).
Om een open structuur te bewerkstelligen is het van belang dat de in- en uitgaande datastromen door de gebruiker zelf aanpasbaar zijn. In de huidige opzet dienen nieuwe databronnen door Kropman zelf te worden toegevoegd aan het InsiteSuite GBS systeem. Om hierin ‘open’ te worden dient een generieke API (hierbij genoemd als InsiteOpenDataConnect - IODC) te worden ontwikkeld waarmee externe databronnen kunnen worden gekoppeld aan InsiteSuite.
IODC maakt het mogelijk voor externe partijen om onafhankelijk van Kropman databronnen in te koppelen in InsiteSuite. De koppeling met InsiteSuite is gestandaardiseerd via een RESTful interface, welke aan de achterkant is gekoppeld via de API/protocol van de specifieke databron.
Werkpakketten
Werkpakket 1:
Probleemanalyse GBS en BEMS voor kantoorgebouwen en (klimaat)systemen
Werkpakket 2:
Open structuur software platform InsiteViewNext
Werkpakket 3:
Model Predictive Control
Werkpakket 4:
Machine Learning
Werkpakket 5:
Prestatie evaluatie aan de hand van IEA Annex 81 SRI KPIs
Werkpakket 6:
Integratie resultaten werkpakketten 2-4 in open structuur GBS platform
Werkpakket 7:
Conclusies praktijk onderzoek en terugkoppeling naar eindgebruikers
Resultaat
Het project draagt bij aan het realiseren van de doelstellingen door het ontwikkelen van een integratie softwareplatform voor modulaire en schaalbare software plug-ins voor utiliteitsgebouwen, dat in 2025 klaar dient te zijn voor verdere opschaling naar de markt en zal leiden tot:
Open structuurintegratieplatform voor een nieuwe generatie GBS en BEMS voorzien van extra functionaliteit op het gebied van Model Predictive Control in combinatie met Machine Learning.
Sturing en bewaking van het thermisch comfort van de eindgebruiker binnen dynamische temperatuurgrenzen worden meegenomen om zo extra energieflexibiliteit als bijdrage aan het stabiel houden en betere benutting van het elektriciteitsnetwerk te kunnen bieden.
Zonne-energie wordt zoveel mogelijk lokaal en slim door middel van het nieuwe generatie BEMS geütiliseerd om zo energieflexibiliteit aan het elektriciteitsnetwerk te kunnen bieden.
Er zal meer dan 20% minder energie gebruikt worden voor de klimaatinstallaties met de daarmee samenhangende verlaging van de CO2-emissies door de inzet van modelgebaseerde lerende systemen met de adaptieve thermisch comfort sturing.
Partners
Project Members