Kunstmatige intelligentie (AI) haalt overal het nieuws – van individuen die ChatGPT gebruiken voor dagelijkse taken tot bedrijven die hun eigen AI-engines ontwikkelen. Vaak wordt echter over het hoofd gezien dat AI en machine learning (ML) al geruime tijd bestaan, met vele toepassingen in de echte wereld die voorafgingen aan de release van ChatGPT.
Als het niet via een chat is, kunnen we soms niet vaststellen of wat we zien is berekend door AI-gestuurde processen, omdat deze systemen fundamenteel afhankelijk zijn van statistische en wiskundige modellen.
In dit artikel zie je een aantal echte voorbeelden van wat AI betekent voor energiebeheer, waaronder onze nieuwe voorspellingsmodule, en je hebt de mogelijkheid om je aan te melden voor ons komende webinar.
Machine learning en AI in energiebeheer
Een van de eenvoudigste vormen van ML is een lineair regressiemodel-y = Ax + B, dat de meeste ingenieurs wel kennen. Je kunt je voorstellen dat de discipline zich uitstrekt tot een grote verscheidenheid aan meer geavanceerde benaderingen, waaronder neurale netwerken.
Hoe is kunstmatige intelligentie dan gekoppeld aan energiebeheer?
De energiebeheersector kan veel voordeel halen uit AI-gestuurde oplossingen. Enkele van de belangrijkste gebieden waar AI-modellen essentieel blijken te zijn:
- Het maken van een basislijn om te voldoen aan protocollen zoals het International Performance Measurement and Verification Protocol (IPMVP) om energiebesparingen aan te tonen.
- Voorspellen van energieverbruik of -productie.
- Onregelmatigheden en inefficiënties in gebouwen detecteren.
- Leren van bouwgedrag onder specifieke omgevingscondities.
Aangezien deze uiteenlopende gebruikssituaties al vele jaren bestaan en vaak werden aangepakt met eenvoudige modellen, rijst een pertinente vraag: wanneer moeten we kiezen voor die eenvoudige modellen zoals lineaire regressies en wanneer voor meer geavanceerde benaderingen?
Bepaalde voorschriften schrijven vaak het gebruik van specifieke modellen voor. Onder de IPMVP-richtlijnen, bijvoorbeeld, moeten meervoudige lineaire modellen (Ax+By+Cz+…+D) worden gebruikt om besparingen te kwantificeren, zelfs als andere methoden superieure resultaten zouden kunnen opleveren, m.a.w. geavanceerde machine learning is nog niet toegestaan. Om dit proces te vergemakkelijken heeft Spacewell Energy de ABC App ontwikkeld, die helpt bij het stroomlijnen van het opstellen van dergelijke vergelijkingen.
Wanneer er echter geen wettelijke beperking is, is het essentieel om een evenwicht te vinden tussen nauwkeurigheid en de geïnvesteerde middelen. Het zou bijvoorbeeld inefficiënt zijn om een zeer complex model te gebruiken om een correlatie tussen twee variabelen te verklaren, zoals controleren of er een correlatie is tussen verwarmingsgraaddagen (DD) en elektriciteitsverbruik. In plaats daarvan zijn meer geavanceerde modellen de moeite waard als de relatie tussen inputs en outputs niet eenvoudig is, bijvoorbeeld bij energieprognoses.
Desondanks hebben sommige klanten hun bezorgdheid geuit over het feit dat ze geen controle hebben over het model dat de resultaten berekent. Met een eenvoudige baseline kunnen ze de inputs kiezen, kunnen ze de modellen zelf kalibreren en kunnen ze eenvoudig zien welk effect een verandering in de inputs heeft op de outputs. Met complexe ML-modellen is dit echter niet mogelijk, omdat ze soms als een zwarte doos werken. Omdat de modellen zelf meerdere dimensies kunnen hebben, kunnen ze niet grafisch of via een vergelijking worden weergegeven en soms is het moeilijk om het effect van elke invoer op de uitvoer te kennen.
Daarom passen we bij Spacewell Energy geavanceerde machine learning toe in die gevallen waarin het nodig is om een specifiek probleem op te lossen of waarin het aanzienlijk betere resultaten oplevert.
Een praktisch voorbeeld: Nieuw voorspellingshulpmiddel in Spacewell Energy
Spacewell Energy heeft onlangs een voorspellingstool gelanceerd waarmee het verbruik en de productie van hulpbronnen (elektriciteit, gas, water) voor de komende 10 dagen kan worden voorspeld, inclusief meteorologische gegevens.
Rekening houdend met alle informatie die in het vorige deel is gedeeld, wilden we het verschil in resultaten zien tussen eenvoudige en complexe modellen. Om dit te doen, vergeleken we vier voorspellingsmethoden over 12 maanden:
- Eenvoudigste: Lineaire regressie (Ax + By + Cz + (…) + D)
- Polynomiale regressie (Ax + Bxy + Cz2 + (…) + D)
- Meest complex: Twee complexere AI-modellen die worden aangeboden in onze voorspellingstool:
- Het best presterende AI-model in de tool (het model met de laagste fout).
- Slechtst presterende AI-model in de tool (het model met de hoogste fout).
De resultaten toonden aan dat het best presterende AI-model 28% minder voorspelfouten opleverde dan andere methoden. Bovendien was dit het model dat de beste voorspelling gaf in alle 12 maanden waarin de vier modellen werden geëvalueerd:
Het foutpercentage helpt je misschien niet om te begrijpen hoeveel beter het ene model is ten opzichte van het andere. Om het duidelijker te maken, hebben we ook het grafische verschil tussen de modellen laten zien. Hieronder kun je het verschil zien tussen het best presterende AI-model en de anderen, waarbij het eerste model als enige de echte verbruikscurve kan volgen:
In dit geval besloten we om de complexe AI-modellen te gebruiken omdat de resultaten die ze opleverden aanzienlijk beter waren dan de eenvoudigere modellen.
Andere toepassingen van kunstmatige intelligentie in energiebeheer
In Spacewell Energy hebben we niet alleen de voorspellingsfunctie, maar we hebben ook meer AI-gebaseerde producten:
- Optimaliseren: onze engine voor afwijkingsdetectie
- Detect: onze benchmarking tool die helpt bij het identificeren van laaghangend fruit binnen de portefeuille van een bedrijf
- Stroomoptimalisatie (momenteel alleen in Spanje): Onze tool die gebruikers helpt de best gecontracteerde stroom voor hun gebouwen te identificeren om de stroomkosten te minimaliseren
- ABC (Automatische Aanmaak Basislijn): Ons hulpmiddel dat helpt bij het maken van basislijnen die compatibel zijn met het IPMVP-protocol.
Je kunt meer te weten komen over onze prognosetool Optimise, Detect en ABC tijdens ons volgende webinar op 20 maart.
AI maakt al veel langer deel uit van het energiebeheerlandschap dan veel mensen zich realiseren en ondersteunt alles van het maken van baseline’s tot het opsporen van afwijkingen. Hoewel regelgeving zoals IPMVP eenvoudigere methoden zoals meervoudige lineaire regressie vereist, is er overvloedig bewijs dat complexere modellen deze traditionele benaderingen kunnen overtreffen wanneer er geen wettelijke beperking is. Het in evenwicht brengen van de complexiteit van deze oplossingen met de behoefte aan transparantie blijft een belangrijke uitdaging, aangezien geavanceerde machine learning-modellen vaak moeilijk te visualiseren en te interpreteren zijn.
Niettemin illustreren praktijkresultaten de duidelijke voordelen van AI-gestuurde innovatie. De voorspellingstool van Spacewell Energy liet bijvoorbeeld een opmerkelijke verbetering van 28% zien in de nauwkeurigheid van voorspellingen bij het gebruik van een geavanceerder model in plaats van eenvoudigere methoden. Hoewel sommige gebruikers in eerste instantie misschien aarzelen om oplossingen te gebruiken die ze niet volledig kunnen ontleden, bevestigen de duidelijke verbeteringen in efficiëntie en betrouwbaarheid dat deze geavanceerde AI-technieken in veel gevallen de meest effectieve manier zijn om vooruit te komen.
Om verder te praten over AI in energiebeheer en de nieuwe Forecast-functie, organiseren we op 20 maart een nieuw webinar. Meld je vandaag nog aan om op de hoogte te blijven van de nieuwste trends en innovaties.
Noot van de redactie: Dit artikel is geschreven door Júlia Bayascas, Product Manager bij Spacewell Energy.
