Om de energieprestaties van gebouwen te verbeteren moet de regeltechniek in zijn huidige vorm drastisch worden herzien. Ook in deze tak zal de beweging richting Big Data en AI steeds meer vorm krijgen. Alleen op deze manier kunnen we de helft energie besparen in gebouwen.

Het beter laten werken van de technische installaties in gebouwen is van groot belang. In de huidige regeltechniek is er gelukkig steeds meer aandacht voor het energieverbruik. Door slim om te gaan met kloktijdschema’s, setpoints en instellingen van bepaalde kleppen, kan er op een redelijk eenvoudige manier al best wat energie worden bespaard. Maar geen 50%. Dat lukt mensen nog altijd niet. Daarom wordt ook in het gebouwbeheer volop gewerkt aan de toepassing van Artificiële Intelligentie. Voor AI-toepassingen zijn heel grote hoeveelheden data nodig van alle processen in het gebouw en over langere tijd. Dat verzamelen kost veel tijd, en het ‘zelflerend’ maken van een gebouw is dus een lang en complex proces.

Als voorbeeld: de AI-toepassing Reinforcement Learning is in staat om vanaf niets, enkel door ervaringen op te doen, een taak heel goed te leren. Helaas staat Reinforcement Learning ook bekend om haar relatief inefficiënte gebruik van data, wat betekent dat als we in real-time zouden leren, een gebouw op dit moment jaren nodig kan hebben om daadwerkelijk goede regelingen te leren. Tijd die we niet hebben: niemand wil jarenlang vertoeven in een gebouw waar het klimaat nog niet op orde is.

Echter, het is niet nodig om vanaf niets te beginnen. We hébben al kennis (lees: data) van onze gebouwen. Door deze slim in te zetten kunnen we de tijd die nodig is om optimale regelingen te verkrijgen aanzienlijk verkorten met de algoritmes die al aanwezig zijn. De ‘Digital Twin’ is hier een basale vorm van. Als we de architectuur en het installatietechnisch karakter van een gebouw afvangen in een ‘Neural Twin’, op basis van een neuraal netwerk dus, kan dit model gebruikt worden om te simuleren, voorspellingen te doen en analyses uit te voeren. De ‘Neural Twin’ leert de unieke differentiaalvergelijkingen voor de verschillende processen binnen het gebouw. Het gebruikt voorgaande uren aan data om de ‘staat’ van het gebouw op dat moment in te schatten. Deze ‘staat’ wordt dan gebruikt om het gedrag van belangrijke processen in het gebouw de komende uren of dagen te voorspellen. Dit is belangrijk, want de bestaande regeltechniek is reactief. Het gaat pas iets doen, wanneer er daadwerkelijk iets gebeurt (de temperatuur daalt: verwarmingsklep open). Met een ‘Neural Twin’ zou het gebouw in bedrijf kunnen blijven met zijn huidige regelingen, terwijl er op de achtergrond wordt gewerkt aan een optimale regeling. Zodra de regeling helemaal geoptimaliseerd is, kan hij worden ingezet in het echte gebouw.

Met de Neural Twin kunnen we vooruit kijken, van tevoren zien wat er gaat gebeuren. Dit is wel pas stap één. Deze informatie integreren in de regeltechniek, zodat deze voorspellingen ook daadwerkelijk worden gebruikt voor het aanpassen van het gedrag van de installaties, is stap twee. Het gevolg is dat we hoogstwaarschijnlijk van de hedendaagse (verouderde!) regeltechniek af moeten stappen, omdat die hier simpelweg geen rekening mee kan houden. De huidige regeltechniek is niet in staat om de extra informatie uit sensoren en van voorspellingen te integreren, omdat het voor mensen bijzonder ingewikkeld is om een regeling te maken die rekening houdt met tientallen factoren. Voor AI is dit dagelijkse kost. Omdat dit nog niet bestaat, moeten we onze eigen regelingen schrijven en een plek ontwikkelen waar die regelingen kunnen draaien. Dit is op platform Climatics nu volop in ontwikkeling. Door deze nieuwe regeltechniek op basis van AI te ontwikkelen, kunnen we een meer holistisch geregeld gebouw realiseren. En dus maximale prestaties behalen voor wat betreft energiegebruik, comfort en gezondheid.