Evaluating consumption effects of intelligent control algorithms for district heated buildings

Each language version is independently generated for its own context, not a direct translation.

Titel: De Slimme Thermostaat en de "Waarheid" over je Energieverbruik

Stel je voor dat je een nieuw, superslim systeem hebt gekocht voor je verwarming. Het is een slimme controller die de temperatuur regelt op basis van het weer en de zon, zodat je huis comfortabel blijft zonder te veel energie te verspillen. Je hebt er veel geld voor betaald. Nu vraag je je natuurlijk af: "Heeft dit systeem mij echt geld bespaard? Of was het gewoon toeval dat het dit jaar minder koud was?"

Dit is precies het probleem dat dit wetenschappelijke artikel aanpakt. Het is als proberen te bewijzen dat een nieuwe trainer je sneller maakt, terwijl je tegelijkertijd een nieuw paar hardloopschoenen hebt gekocht, je dieet hebt veranderd en het weer plotseling veel zonniger is geworden. Hoe weet je nu wat er echt door de trainer is gedaan?

Hier is een simpele uitleg van wat de auteurs (van Danfoss en de universiteit) hebben bedacht, vertaald naar alledaagse taal.

1. Het Probleem: De "Ruis" in de Data

Tot nu toe keken mensen naar hun energierekening en zeiden: "Kijk, vorig jaar betaalde ik €1000, dit jaar €800. De slimme controller heeft €200 bespaard!"

Maar de auteurs zeggen: "Nee, dat is te simpel."

Gebouwen veranderen voortdurend, net als mensen.

Soms wordt het dak slechter geïsoleerd door ouderdom (je verliest meer warmte).
Soms wordt de ventilatie aangepast (meer lucht betekent meer warmteverlies).
Soms wonen er ineens meer mensen in het huis (meer warmte door lichamen en apparaten).

Als je alleen naar het totaalbedrag kijkt, kun je niet zien of de besparing komt door de slimme controller of omdat de ventilatie per ongeluk minder hard draaide. De bestaande methoden zijn als een wazige camera: ze zien dat er iets veranderd is, maar niet wat precies.

2. De Oude Manieren (En waarom ze niet werken)

De auteurs kijken naar drie manieren die mensen nu gebruiken:

De Weer-Compensatie: "Het was dit jaar kouder, dus we verbruiken meer." Dit is handig, maar het corrigeert alleen voor het weer. Het ziet niet dat je ventilatie is veranderd.
De "Voor-en-Na" Vergelijking: Je vergelijkt het verbruik voor en na de installatie. Maar als je huis in die tussentijd ook een beetje is "verouderd", telt die verslechtering mee als een slechte prestatie van de controller.
De Temperatuur-lijn: Je kijkt naar de temperatuur van het water dat naar de verwarming gaat. Dit werkt goed, maar alleen als je systeem heel simpel is. In de echte wereld is dat vaak te complex.

De conclusie: Alle oude methoden kijken naar het gehele verbruik. Ze kunnen niet de "hand van de controller" onderscheiden van de "hand van het oude gebouw".

3. De Nieuwe Oplossing: De "Twee Sporen" Methode

De auteurs hebben een slimme truc bedacht. In plaats van één grote vergelijking te maken, bouwen ze twee digitale modellen (virtuele tweelingbroers van je huis).

Model A (Het Oude Huis): Dit model leert van de data voordat de slimme controller er zat. Het leert hoe het huis reageerde op kou, zon en wind met de oude, domme thermostaat.
Model B (Het Nieuwe Huis): Dit model leert van de data na de installatie. Het leert hoe het huis reageert op dezelfde weersomstandigheden, maar nu met de slimme controller én de nieuwe instellingen.

De Magische Stap:
Vervolgens laten ze Model A (het oude huis) "dromen" over de periode na de installatie. Ze vragen: "Hoeveel energie zou dit huis hebben verbruikt als we de slimme controller nooit hadden geïnstalleerd, maar wel met de huidige weersomstandigheden?"

Vervolgens vergelijken ze dit "droom-verbruik" met het echte verbruik.

Als het echte verbruik lager is dan het droom-verbruik, is dat het echte bewijs van de besparing door de slimme controller.
Als het huis ondertussen ouder is geworden en slechter isoleert, ziet Model A dat niet (want die data is uit het verleden), maar het echte verbruik wel. Door de twee modellen te vergelijken, filteren ze de "ouderdom" en "ventilatie-veranderingen" eruit. Het is alsof je twee renners naast elkaar zet: één in de oude schoenen en één in de nieuwe, en je kijkt wie er sneller loopt, ongeacht of de weg slechter is geworden.

4. De "Ontleed-Machine": Waar komt de besparing vandaan?

Het allercoolest is dat hun methode niet alleen zegt "Je hebt 10% bespaard", maar ook vertelt waar die 10% vandaan komt. Ze kunnen het resultaat in stukjes snijden, alsof je een taart in plakjes deelt:

De Zon-schijf: Hoeveel besparing kwam er doordat de controller de verwarming uitschakelde als de zon scheen?
De Nacht-schijf: Hoeveel kwam er doordat de temperatuur 's nachts iets lager werd gezet?
De "Overige" schijf: Alles wat overblijft, zoals het feit dat je nu gewoon klinker kiest voor 20 graden in plaats van 22.

Dit geeft de eigenaar van het gebouw inzicht: "Ah, mijn besparing komt vooral omdat de zon goed wordt benut, niet omdat ik de temperatuur heb verlaagd."

Samenvatting in één zin

Dit artikel biedt een nieuwe, transparante manier om te bewijzen hoeveel geld een slimme verwarmingscontroller écht bespaart, door slimme wiskunde te gebruiken om alle andere veranderingen in het gebouw (zoals ouderdom of ventilatie) uit de vergelijking te filteren, zodat je alleen naar de prestatie van de controller kijkt.

Het is als het hebben van een eerlijke scheidsrechter die precies weet wie de doelpunten scoort, zelfs als het veld modderig is en de wind verandert.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het paper "Evaluating Consumption Effects of Intelligent Control Algorithms for District Heated Buildings" in het Nederlands.

Titel: Evaluatie van verbruikseffecten van intelligente controle-algoritmen voor gebouwen met stadsverwarming

Auteurs: Antti Solonen, Arttu Häkkinen, Sallamaari Rapo, et al. (Danfoss Leanheat & LUT University)
Datum: 10 maart 2026

1. Probleemstelling

De gebouwde omgeving is verantwoordelijk voor een aanzienlijk deel van het wereldwijde energieverbruik en de CO2-uitstoot. Intelligente, op afstand bedienbare verwarmingssystemen (vaak met gesloten regelkringen en feedback van binnentemperatuursensoren) vervangen steeds vaker traditionele open-lus verwarmingscurven. Hoewel deze systemen beloven energie te besparen door oververhitting te voorkomen en gratis zonne-energie te benutten, is het voor eindgebruikers moeilijk om de daadwerkelijke opbrengst van deze investering te kwantificeren.

De kernproblemen zijn:

Gebrek aan transparantie: Bestaande methoden voor het volgen van energie-efficiëntie (zoals weer-normalisatie) zijn divers maar missen gemeenschappelijke beste praktijken.
Verwarring van effecten: Gebouwen ondergaan voortdurend veranderingen die het energieverbruik beïnvloeden, maar die niets te maken hebben met de verwarmingsregeling. Voorbeelden zijn:
- Slijtage van het gebouw en apparatuur (trage degradatie).
- Aanpassingen aan het ventilatiesysteem.
- Grote renovaties.
- Veranderingen in bezetting en warmtapwatergebruik.
Onvermogen van bestaande methoden: Traditionele methoden meten het totale verbruik en kunnen de specifieke bijdrage van het intelligente controlesysteem niet isoleren van de bovengenoemde andere veranderingen. Dit leidt tot onnauwkeurige berekeningen van de terugverdientijd.

2. Methodologie

Het paper presenteert een geavanceerde, modelgebaseerde aanpak om alleen de controle-gerelateerde effecten te isoleren. De methodologie omvat de volgende stappen:

A. Modellering van Verwarmingsvermogen

De auteurs ontwikkelen wiskundige modellen om het warmteverbruik te koppelen aan externe variabelen:

Weer vs. Vermogen: Een model dat het verbruik koppelt aan buitentemperatuur ( $T_{out}$ ) en zonne-straling ( $\Phi_{rad}$ ). Dit wordt gemodelleerd als een Generalized Additive Model (GAM) om niet-lineariteiten (zoals het verdwijnen van de verwarmingsvraag bij hoge temperaturen) te vangen.
Toevoertemperatuur vs. Vermogen: Voor systemen met regeling op het niveau van de warmtewisselaar (substation) wordt een lineair model gebruikt dat het vermogen koppelt aan de toevoertemperatuur ( $T_{sup}$ ). Dit geldt zolang het systeem zich in de "toevoertemperatuur-regime" bevindt (waar thermostaten de stroom niet volledig blokkeren).

B. Isolatie van Controle-effecten (De Twee-Model Strategie)

Om het effect van de intelligente regeling te scheiden van andere veranderingen, worden twee aparte modellen gebouwd:

Referentiemodel ( $m_{ref}$ ): Gebaseerd op data voor de installatie van de intelligente regeling. Dit model beschrijft het verbruiksgedrag op basis van weerdata (en een geschatte gemiddelde binnentemperatuur).
Intelligent Model ( $m_{ic}$ ): Gebaseerd op data na de installatie. Dit model bevat als input ook de daadwerkelijke binnentemperatuur ( $T_{in}$ ), aangezien deze nu geregeld wordt.

De kern van de methode:
In plaats van het totale verbruik te vergelijken, simuleert men met beide modellen wat het verbruik zou zijn geweest onder dezelfde weersomstandigheden. Het verschil tussen de simulatie van het oude systeem en het nieuwe systeem geeft het reine controle-effect.
$\text{Effect}_{ic} = m_{ic}(T_{out}, \Phi_{rad}, T_{in}) - m_{ref}(T_{out}, \Phi_{rad})$
Door dit effect af te trekken van het gemeten verbruik, kan men het verbruik van het "oude" systeem schatten, zelfs als er in de tussentijd renovaties of ventilatie-aanpassingen hebben plaatsgevonden.

C. Decompositie van Effecten

De methode maakt het mogelijk om het totale besparingseffect op te splitsen in sub-componenten door de simulatie te variëren:

Zonne-energie-effect: Simulatie met $\Phi_{rad} = 0$ en aftrekken van het totale effect.
Setback-effect (nachtafkoeling): Simulatie zonder temperatuurdalingen (setbacks) en vergelijking.
Overige effecten: Het resterende deel (bijv. veranderingen in instelpunten of andere algoritmen).

3. Belangrijkste Bijdragen

Het paper introduceert vier belangrijke bijdragen:

Review en afleiding van bestaande methoden: Een kritische analyse van weer-normalisatie (o.a. HDD-methoden) en modelgebaseerde tracking, met de conclusie dat deze niet geschikt zijn om controle-effecten te isoleren.
Diagnose van niet-controle gerelateerde veranderingen: Een framework om veranderingen in het gebouw (zoals ventilatie-aanpassingen of slijtage) te detecteren via data-analyse (bijv. correlatie tussen vochtigheid en verbruik).
Isolatie-methode: Een nieuwe, simulatie-gebaseerde techniek die controle-effecten succesvol scheidt van andere veranderingen in het gebouw.
Decompositie-analyse: Een methode om de bron van de besparingen te kwantificeren (bijv. hoeveel komt er door zonnestraling en hoeveel door lagere binnentemperaturen?).

4. Resultaten en Validatie

De methoden zijn gevalideerd met anonieme data van ongeveer 10 jaar uit het Danfoss Leanheat Building-platform, specifiek voor meergezinswoningen met stadsverwarming.

Case Study Ventilatie: In een voorbeeldgebouw steeg het totale verbruik door een wijziging in het ventilatiesysteem. Traditionele methoden zouden dit ten onrechte toeschrijven aan een verslechtering van de regeling. De voorgestelde methode isoleerde echter het controle-effect en toonde aan dat de regeling zelf wel degelijk bespaarde, terwijl de stijging puur door de ventilatie kwam.
Decompositie: De analyse toonde aan dat besparingen over verschillende jaren variëren. In sommige jaren was de bijdrage van zonne-energie groot, terwijl in andere jaren de verlaagde binnentemperaturen (door de regeling) de belangrijkste bron van besparing waren.
Stabiliteit: De GAM-modellen (Bayesian Generalized Additive Models) bleken robuust in het hanteren van niet-lineariteiten, zoals het effect van zonnestraling dat afhangt van de buitentemperatuur.

5. Betekenis en Conclusie

Dit paper biedt een cruciale stap voorwaarts in de validatie van energiebesparingen in de gebouwde omgeving.

Transparantie: Het biedt een transparante en reproduceerbare methode voor eindgebruikers en leveranciers om de Return on Investment (ROI) van intelligente controlesystemen te bewijzen.
Betrouwbaarheid: Door niet-controle gerelateerde veranderingen (zoals renovaties of slijtage) uit te sluiten, voorkomt men dat investeringen in slimme regeling onterecht als mislukking worden afgedaan, of andersom dat besparingen worden overdreven.
Toekomstperspectief: De methode kan worden uitgebreid naar andere regelmodi (zoals thermostaatgebaseerde kamerregeling) en biedt een basis voor het evalueren van andere voordelen, zoals het verschuiven van piekbelastingen (load shifting).

Kortom, de auteurs hebben een robuust, modelgebaseerd raamwerk ontwikkeld dat de complexiteit van gebouwgedrag hanteert om de pure waarde van intelligente verwarmingsregeling te isoleren en te kwantificeren.