MEET- EN REGELTECHNIEK
Install Magazine 969 – april 2020
Slimmer verwarmen met artificiële intelligentie
Zelflerende algoritmes maken verwarmingen efficiënter
Tot nu toe is de optimalisatie van de regeling een omslachtig karwei. Met artificiële intelligentie kan dat een stuk eenvoudiger. (Bron: Zukunft Altbau)
Het AI-systeem kan ook installaties voor hernieuwbare energie sturen. (Bron: Sonnenhaus Institiu e.V.)
Het Fraunhofer-Institut für Solare Energiesysteme ISE is een Duits onderzoekscentrum voor zonne-energie dat zelflerende neurale netwerken voor de regeling van verwarmingssystemen heeft ontwikkeld. Deze netwerken analyseren het thermisch gedrag van individuele gebouwen, zonder dat er een voorafgaande bouwfysische analyse nodig is. Met deze artificiële intelligentie kunnen verwarmingsinstallaties dan efficiënter en goedkoper geregeld worden. De eerste resultaten tonen een energiebesparing aan van minstens zeven procent.
Het energieverbruik van het gebouwenbestand moet merkelijk dalen om de energietransitie te laten slagen. Dat kan onder meer door een efficiënte regeling van de verwarmingsinstallatie. Door neurale netwerken te gebruiken, kan men hiertoe bijdragen om zo een aanzienlijke energiebesparing te realiseren. Dat komt niet alleen goedkoper uit voor de gebruiker omwille van de lagere verwarmingskosten. Ook de kosten van het inregelen van een verwarmingsinstallatie door het bepalen van de juiste stooklijn en door de aanleg, opstart, onderhoud en optimalisering van de installatie, kunnen duidelijk dalen dankzij een slimme regeling.
Zelflerende algoritmes inzetten voor verwarming van gebouwen
In het kader van het project ANNsolar (Artificial Neural Networks Solar) testte Fraunhofer ISE samen met partners uit de industrie het gebruik van artificiële intelligentie voor een zonnethermische installatie. Het doel was om de basis te leggen voor de toepassing van neurale netwerken. Naast de ontwikkeling van passende net-topologieën en het bepalen van de eisen aan de hardware, richtte het onderzoek zich op training-algoritmes. In dit kader werd een ANN-regeling ontwikkeld, en werd nagegaan welke besparing hiermee kon gerealiseerd worden. Bovendien werden de kosten en baten van dit systeem bepaald. Tenslotte werd in een concreet gebouw het concept van de ANN-regeling in de praktijk getest.
Het nieuwe neurale netwerk voor sturing van de verwarming is een software-oplossing. Het maakt een voorspelling van de verwachte evolutie van de kamertemperatuur, zonder dat een bouwfysische simulatie van het thermisch gedrag van het gebouw nodig is. Daarnaast wordt een prognose gemaakt van de temperatuur van het buffervat. Op basis daarvan berekent het regelalgoritme de vereiste vertrektemperatuur en bepaalt wanneer de ketel moet bijverwarmen. Deze informatie wordt dan doorgegeven aan een conventionele verwarmingssturing. Het neurale netwerk verzamelt constant gegevens uit het gebouw op het vlak van buitentemperatuur, bezonning, vertrektemperatuur van de verwarming, en datum en tijd. Daarbij komen nog gegevens over de weersverwachting via het internet.
Deze data worden constant geëvalueerd en vergeleken met de gemeten kamertemperatuur. Daarbij bepaalt het netwerk zelfstandig een verband tussen de data-input en de kamertemperatuur. Na een zekere tijd weet het netwerk daardoor hoe de kamertemperatuur zal evolueren in een gegeven situatie. De sturing zal dan in functie daarvan de verwarming hoger of lager zetten. Een cruciaal verschil met gangbare regelsystemen is dat niemand de stooklijn moet instellen of optimaliseren. Doorgaans is dat een moeizame karwei, die pas na veel uitproberen tot resultaat leidt. Dit systeem doet dat echter automatisch, zowel voor toepassingen van hernieuwbare energie zoals zonnethermie, biomassa of warmtepompen, als voor ketels op fossiele brandstoffen.
AI-algoritmes maken het mogelijk om individuele omstandigheden zoals het plaatselijke klimaat, het thermodynamisch gedrag van een gebouw, de eigenschappen van de verwarmingsinstallatie en het afgiftesysteem automatisch te evalueren. Op die basis kan het dan voorspellingen maken over de evolutie van de kamertemperatuur en de toestand van het buffervat. Zo komt men tot een optimale werking. De combinatie van zelflerende neurale netwerken (ANN) en een lineaire systeemidentificatie (LSI) voor de analyse van het lineaire en niet-lineaire gedeelte van het dynamisch gedrag van de installatie maakt een robuuste AI-oplossing voor verwarmingsregeling mogelijk. De algoritmes die daarvoor nodig zijn, werden ontwikkeld door Fraunhofer ISE en geïmplementeerd in een code.
Kamertemperatuur en temperatuur van het buffervat voorspellen
De voorspellingen van de kamertemperatuur en de temperatuur van het buffervat vormen de fundamenten van het regelconcept. Deze waarden kunnen met een combinatie van ANN en LSI vrij nauwkeurig voorspeld worden. Deze stelling werd getest aan de hand van meetdata van een concrete installatie. De ANN-netwerken werden getraind op basis van deze gegevens. De getrainde ANN-netwerken bereikten de volgende nauwkeurigheid (telkens voor het 80%-kwantiel): kamertemperatuur +/- 0,5K, buffervattemperatuur +/- 10 K. We willen er nogmaals op wijzen dat deze voorspellingen tot stand kwamen zonder gebouwsimulatie. Dat maakt deze methode tot een uitstekend instrument om snel en goedkoop tot prognoses te komen.
De ANN-regeling bepaalt de insteltemperatuur van de verwarmingskring en schakelt indien nodig de ketel op fossiele brandstof voor de bijverwarming in. De rest van de functies verschillen verder niet echt van die van een conventioneel regelsysteem. Voor de ANN-regeling wordt gebruik gemaakt van de eerder vermelde voorspellingen van het neurale netwerk. Voor het bepalen van de vertrektemperatuur varieert het netwerk de instelwaarde zo lang, tot de voorspelde kamertemperatuur overeenkomt met de gewenste. Dat staat gelijk met een automatische bepaling van een stooklijn, maar dan rekening houdend met extra factoren zoals passieve zonnewinsten of het gebruik van een kachel. Of de fossiele bijverwarming wordt ingeschakeld als ondersteuning van de zonnecollectoren, wordt bepaald in functie van de voorspelde temperatuur van het buffervat. Als die voldoende hoog blijft in de periode waarvoor de voorspelling geldt, hoeft de ketel niet op te starten. Dat vermijdt onnodige branderstarts en maximaliseert de zonne-opbrengst.
Fraunhofer ISE heeft de effectiviteit van de regeling anderhalf jaar lang met succes getest in een concreet gebouw. Zo konden de verschillende functies van het systeem gevalideerd worden. Aan het project namen ook drie industriepartners deel: Prozeda, Sorel en Steca. De volgende stap is een veldtest met meer toepassingen. Verschillende industriële firma’s hebben al interesse getoond.
Conclusie
Het project heeft het nut van neurale netwerken duidelijk aangetoond: ze zijn in staat om verwarmingsinstallaties efficiënter te regelen voor lagere kosten. Het voordeel bestaat er vooral in dat ze automatisch een stooklijn kunnen bepalen, zonder voorafgaande gebouwsimulatie of analyse van de regeling. In tegenstelling tot een klassieke stooklijn, houdt deze manier van regelen ook rekening met bijkomende factoren, zoals zonnewinsten. Zo wordt de installatie en opstart van het regelsysteem eenvoudiger. Dat spaart vele werkuren uit. Bovendien biedt dit systeem mogelijkheden voor de combinatie met hernieuwbare energie, zoals thermische zonnecollectoren. Door de temperatuur van het buffervat nauwkeurig te voorspellen, kan men het gebruik van een fossiele bijverwarming tot een minimum beperken en zo de opbrengst van de zonnecollectoren vergroten.
In vergelijking met een geoptimaliseerde conventionele regeling leverde dit systeem in de praktijktest een besparing van minstens 7% op. Tegenover niet-geoptimaliseerde regelingen (wat men in de praktijk doorgaans aantreft), mogen we een besparing van minstens 12% verwachten. Dit regelsysteem is dus een goedkope en efficiënte manier om een energiebesparing te realiseren in bestaande gebouwen, voor de meest uiteenlopende verwarmingsinstallaties.
Neurale netwerken: de hersenen als model
Hoe functioneren neurale netwerken? Net als de menselijke hersenen zijn ze in staat om regelstrategieën te ontwikkelen aan de hand van ervaringen uit de praktijk. De opbouw is gebaseerd op biologische kennis over de werking van de hersenen.
Een kunstmatig neuraal netwerk bestaat uit knooppunten (neuronen) waarin eenvoudige rekenoperaties plaatsvinden, in combinatie met een onderlinge evaluatie van deze bewerkingen. Overschrijdt de uitkomst van dat proces een bepaalde drempelwaarde, dan wordt er informatie van het ene knooppunt naar het andere gestuurd.
De interessantste eigenschap van neurale netwerken is dat ze in staat zijn te leren. Met ‘leren’ bedoelen we in deze context dat het systeem in staat is om een verband te leggen tussen binnenkomende signalen en uitgaande. Op basis daarvan past het systeem zichzelf aan om ervoor te zorgen dat de berekende waarden zo goed mogelijk met de gemeten waarden overeenstemmen. Dat gebeurt op basis van trainingsdata. Als men op deze manier technische processen simuleert, is er geen bijkomende informatie over de achterliggende fysische fenomenen nodig. Het volstaat dat er voldoende trainingsdata beschikbaar zijn, om de samenhangen in het proces voldoende te bepalen.
Het ligt voor de hand om dergelijke netwerken in te zetten voor regeling van verwarmingsinstallaties. Voor verwarmingssystemen kan een netwerk zowel het thermisch gedrag van het gebouw bepalen als de impact van de bezonning, om zo voorspellingen te doen over de temperaturen in het buffervat.
Door Dr. Wolfgang Kramer
