⚡ electrical engineering

Reducing Building Heat Demand Through Intelligent Control: A Comparative Simulation Study

Deze studie toont door middel van vergelijkende simulaties aan dat een model voorspellende regelstrategie die prioriteit geeft aan het volgen van thermisch comfort, de verwarmingsvraag van gebouwen effectiever kan verminderen dan een strategie die het verwarmingsvermogen minimaliseert, wat een kosteneffectief alternatief biedt voor structurele renovatie.

Oorspronkelijke auteurs: Ueli Schilt, Curtis Meister, Philipp Schuetz

Gepubliceerd 2026-06-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ueli Schilt, Curtis Meister, Philipp Schuetz

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Grote Visie: Het Slimme Thermostaat Experiment

Stel je voor dat de verwarming van je huis een automobilist is. Decennialang hebben de meeste bestuurders (traditionele verwarmingsregelaars) alleen gereden op basis van het weer buiten. Als het koud is, geven ze gas; als het warm is, halen ze hun voet van het gaspedaal. Ze kijken niet echt naar hoe snel de auto eigenlijk gaat of hoeveel brandstof ze verspillen.

Dit paper stelt een simpele vraag: Wat als we de bestuurder een GPS en een kaart van de weg vooruit geven?

De onderzoekers testten twee verschillende "slimme bestuurders" (genoemd Model Predictive Controllers, of MPC's). Beide bestuurders hebben een kaart (een computermodel van het huis) en een weersverwachting. Beiden willen het huis op een comfortabele temperatuur van 20°C houden. Echter, ze hebben verschillende doelen voor hoe ze rijden:

Bestuurder A (De "Rustige Cruiser"): Het hoofddoel van deze bestuurder is om te voorkomen dat hij hard op het gaspedaal trapt. Hij wil de acceleratie (verwarmingsvermogen) zo laag en constant mogelijk houden. Hij is bang om op elk gegeven moment "te veel vermogen" te gebruiken.
Bestuurder B (De "Precieze Navigator"): Het hoofddoel van deze bestuurder is om precies op de rijstrook te blijven (de doeltemperatuur). Het maakt hem niet uit of hij de gaspedaal een paar seconden lang hard moet intrappen om weer op koers te komen; hij wil gewoon perfect zijn in het handhaven van die 20°C.

De Opstelling: Een Virtueel Huis

Omdat ze dit niet op een echt huis konden testen zonder het comfort van de bewoners in gevaar te brengen, bouwden de onderzoekers een virtueel huis in een computer.

Ze gebruikten een gedetailleerd "regelboek" (ISO 52016) om te simuleren hoe een echt huis in Zürich, Zwitserland, zou reageren op winterweer.
Ze creëerden een simpeler, sneller "mentaal model" (het RC-model) dat de slimme bestuurders gebruikten om hun beslissingen te nemen.
Ze draalden een simulatie van 6 dagen winterweer om te zien welke bestuurder beter presteerde.

De Resultaten: De Verrassende Wending

Je zou denken dat de bestuurder die probeert energie te besparen (Bestuurder A) minder brandstof zou verbruiken. Verrassend genoeg was dat niet het geval.

Dit is wat er in de loop van de 6 dagen gebeurde:

Bestuurder A (De Rustige Cruiser):
- Strategie: Omdat hij werd gestraft voor het gebruik van hoog vermogen, gebruikte hij nooit de volledige kracht van de verwarming (hij bleef onder de 7,1 kW). Hij probeerde voorzichtig te zijn.
- Het Probleem: Omdat hij zo voorzichtig was, dreef de temperatuur in huis weg van de doelstelling. Het werd een beetje te koud, waarna hij een beetje warmte toevoegde, waarna het weer een beetje te koud werd, enzovoort.
- De Kosten: Hoewel hij "voorzichtig" was, verbruikte hij uiteindelijk meer totale energie (603 kWh). Het is alsof je langzaam maar inefficiënt rijdt, via een kronkelend pad dat op de lange termijn meer brandstof kost.
Bestuurder B (De Precieze Navigator):
- Strategie: Hij vond het niet erg om het gaspedaal voor korte periodes hard in te trappen (tot 10 kW) om de temperatuur snel te corrigeren.
- Het Resultaat: De temperatuur in het huis bleef heel dicht bij de doelstelling (20°C).
- De Kosten: Ondanks het gebruik van "hardere" vermogenspieken, verbruikte hij in werkelijkheid minder totale energie (590 kWh). Het is alsof je een directe, snelle route neemt die je sneller op de bestemming brengt en met minder totaal brandstofverbruik.

Het "Waarom": De Kwadratische Straf

Waarom gebruikte de "voorzichtige" bestuurder meer energie? De onderzoekers vonden de schuldige in de wiskunde die werd gebruikt om Bestuurder A te beoordelen.

De computer vertelde Bestuurder A dat het gebruik van veel vermogen tegelijk "zeer slecht" was, omdat de wiskunde het getal kwadrateerde.

Als je 1 eenheid vermogen gebruikt, is de "slechtheidsscore" 1.
Als je 10 eenheden vermogen gebruikt, is de "slechtheidsscore" niet 10, maar 100.

Omdat de score voor hoog vermogen zo angstaanjagend was, was Bestuurder A doodsbang om het te gebruiken. Dit dwong hem tot een trage, inefficiënte strategie die het huis iets oncomfortabel hield en energie verspilde. Bestuurder B, die niet bang was voor hoog vermogen, kon "korte, scherpe stoten" gebruiken om de temperatuur snel te corrigeren, wat uiteindelijk efficiënter bleek te zijn.

De Conclusie

Het paper concludeert twee hoofdpunten:

Slimme regeling werkt: Je kunt een huis zeer comfortabel houden zonder grote structurele renovaties (zoals extra isolatie) door simpelweg slimme software te gebruiken.
Het doel is cruciaal: Hoe je de computer vertelt wat hij moet optimaliseren, verandert het resultaat. Als je de computer vertelt om "hoog vermogen koste wat kost te vermijden", kan dit juist meer energie verspillen. Als je de computer vertelt om "de temperatuur perfect te houden", kan hij een efficiëntere manier vinden om dat te doen.

Kortom: Te bang zijn om nu veel vermogen te gebruiken, kan je op de lange termijn juist meer energie kosten.

Technische Samenvatting: Vermindering van de Warmtevraag van Gebouwen door Intelligente Regeling

Probleemstelling
Ruimteverwarming vormt de dominante energieconsumptie in gebouwen. Hoewel structurele renovaties effectief de vraag verminderen, zijn deze vaak kostbaar en tijdrovend. De bestaande literatuur suggereert dat het vervangen van conventionele weer compenserende regelaars (verwarmingscurve-regelaars) door intelligente Model Voorspellende Regeling (MPC) strategieën de verwarmingsenergie aanzienlijk kan verminderen. De meeste studies vergelijken MPC echter met conventionele regelmethoden. Er is een gat in het begrip van hoe de specifieke formulering van de MPC-doelfunctie de afweging tussen thermisch comfort (temperatuurvolging) en de warmtevraag beïnvloedt. In het bijzonder is het onduidelijk of het prioriteren van strikte temperatuurvolging versus het minimaliseren van het verwarmingsvermogen verschillende energie-uitkomsten oplevert.

Methodologie
De studie maakt gebruik van een vergelijkende simulatiebenadering met behulp van een virtueel gebouwmodel om hoogwaardige synthetische data te generen.

Virtuele Installatie: Een gedetailleerd thermisch gebouwmodel gebaseerd op ISO 52016-1 werd geïmplementeerd in Python om een twee verdiepingen tellend, 100 m² groot woongebouw in Zürich, Zwitserland, gedurende een periode van drie maanden (januari–maart 2020) te simuleren. Dit "ISO-model" genereerde synthetische meetgegevens met behulp van weerinput en een eenvoudige lineaire verwarmingsregelaar.
Intern Regelaarsmodel: Een vereenvoudigd single-node weerstand-capaciteit (RC) model (1-R-1-C) werd geparametriseerd met behulp van de synthetische data uit het ISO-model. Dit RC-model dient als het interne plantmodel voor de MPC-regelaar, geïmplementeerd in MATLAB.
MPC Simulatie: Twee verschillende MPC-strategieën werden gesimuleerd over een periode van 144 uur (6 dagen) met behulp van de MATLAB MPC Toolbox. Beide strategieën maakten gebruik van dezelfde voorspellingshorizon (12 uur), controlehorizon (12 uur) en fysieke beperkingen (verwarmingsvermogenslimieten, temperatuurgrenzen). Ze verschilden enkel in hun kwadratische doelfunctie-gewichten:
- Simulatie A (Vermogensminimalisering): Prioriteerde het minimaliseren van het verwarmingsvermogen ( $w_{\dot{Q}_h}=1, w_{T_i}=0$ ).
- Simulatie B (Comfortvolging): Prioriteerde het volgen van de referentieruimtetemperatuur ( $w_{\dot{Q}_h}=0, w_{T_i}=1$ ).
- Beiden hanteerden een referentietemperatuur van 20,0°C (18,0°C 's nachts) en respecteerden de comfortgrenzen ( $T_{ref} \pm 0,5^\circ\text{C}$ tot $+5,0^\circ\text{C}$ ).

Belangrijkste Resultaten
De simulatieresultaten over zes dagen toonden duidelijke prestatiekenmerken tussen de twee strategieën:

Thermisch Comfort: Simulatie B (comfortvolging) bereikte een superieure temperatuurregulatie met een Root-Mean-Squared Error (RMSE) van 0,30°C, vergeleken met 0,82°C voor Simulatie A.
Dynamiek van het Verwarmingsvermogen: Simulatie A vermeed extreme waarden voor het verwarmingsvermogen en overschreed nooit 7,1 kW. In tegenstelling hiertoe maakte Simulatie B frequent gebruik van het maximaal toegestane verwarmingsvermogen van 10 kW om temperatuurafwijkingen snel te corrigeren.
Energieverbruik: Tegen intuïtie in resulteerde Simulatie A (minimalisering van vermogen) in een hogere cumulatieve verwarmingsenergievraag (603 kWh) vergeleken met Simulatie B (590 kWh). Simulatie B behaalde een reductie van 2% in het totale energieverbruik, ondanks het gebruik van hogere piekvermogens.
Beperkingen: Beide strategieën hielden zich succesvol aan alle gedefinieerde verwarmingsvermogens- en temperatuurbeperkingen.

Betekenis en Claims
Het artikel stelt dat de keuze van de formulering van de doelfunctie een kritieke determinant is voor de systeemprestaties in MPC-gebaseerde gebouwregeling.

Nieuwigheid: De studie benadrukt dat hoewel MPC doorgaans wordt geformuleerd om kosten of energie te minimaliseren, het uitsluitend toepassen ervan voor setpoint-volging (Simulatie B) een ongebruikelijke aanpak is die onverwachte resultaten opleverde.
Mechanisme van Energiebesparing: De auteurs schrijven de lagere energieconsumptie van de comfortvolgende regelaar toe aan de kwadratische aard van de vermogensminimaliserende doelfunctie. Door de verwarmingsvermesterm te kwadrateren, worden hoge vermogensniveaus onevenredig zwaar bestraft, wat de regelaar dwingt extreme inputs te vermijden. Deze vermijding leidt tot een geleidelijker, minder efficiënt verwarmingsprofiel dat uiteindelijk meer totale energie verbruikt. Omgekeerd maakt de comfortvolgende regelaar gebruik van pieken in hoog vermogen om een nauwe temperatuurcontrole te handhaven, wat in deze specifieke simulatiecontext energie-efficiënter blijkt te zijn.
Implicaties: De resultaten suggereren dat MPC een hoog niveau van thermisch comfort kan bereiken zonder de energievraag in gevaar te brengen, en potentieel zelfs deze te verminderen, zonder structurele wijzigingen aan de gebouwschil aan te brengen. De auteurs merken echter bescheiden op dat deze bevindingen specifief zijn voor het gesimuleerde virtuele gebouw en de atmosferische omstandigheden, en dat de invloed van de formulering van de doelfunctie (bijv. het gebruik van niet-kwadratische doelen of directe energieminimalisering) verder onderzoek verdient.