DOSP-VHR-003729 | Slimme (Energie) Meter

Dit project richt zich op het verbeteren van het energieverbruik van gebouwen door optimalisatie van zowel energieverbruik als energieopwekking binnen de gebouwen.

Vanuit ecologisch oogpunt wordt lokale, al dan niet kleinschalige, elektriciteitsopwekking door individuen of bedrijven als een goede oplossing gezien. Echter, het probleem ligt deels in de onvoorspelbaarheid van energieopwekking (bijvoorbeeld, is er voldoende zonlicht?) en deels in het feit dat energie vaak op verkeerde momenten wordt gegenereerd. Zo produceren zonnepanelen het meeste energie midden op de dag, wanneer de meeste mensen niet thuis zijn en minder behoefte hebben aan energie.

Om deze problemen aan te pakken, is er allereerst behoefte aan het nauwkeurig voorspellen van zowel energieopwekking als energieverbruik. Vervolgens is er behoefte aan slimme apparaten die op het juiste moment kunnen worden in- of uitgeschakeld, evenals aan middelen om energie op te slaan. Dit project heeft als primair doel een oplossing te vinden voor deze eerste behoefte.

Binnen dit onderzoeksproject wordt specifiek gekeken naar het gebruik van Kunstmatige Intelligentie om dit doel te bereiken. In de eerste fase wordt de AI in het algemeen op een desktop toegepast, gevolgd door een implementatie in een bestaand embedded systeem (Slimme Meter) in de tweede fase.

WP 1. Kennis inventarisatie

Vermits het werken met energiegegevens een zogeheten "Time Series" probleem is in het domein van AI, wordt allereerst een literatuurstudie rond beschikbare technieken en modellen met betrekking tot Time Series en inventarisatie van bestaande software-libraries voor Time Series processing uitgevoerd.

Deliverables: inventarisatie van bestaande technieken en software-libraries voor Time Series processing, alsook testresultaten van de code uit de experimenteerfase.

WP 2. Implementatiefase

Tijdens de implementatiefase worden onderstaande onderzoeken verricht met betrekking tot een case-study "Slimme Meter" om de opgedane kennis en ervaring in te zetten in een systeem om AI toe te voegen aan een slimme meter.

Deliverables: testresultaten voor de voorspelling van energieverbruik en -productie, zowel met als zonder gebruik van weersinformatie, testresultaten voor anomaly detection, testresultaten voor incremental learning, en een uiteindelijke embedded demonstrator (Slimme Meter) die een integratie van de opgedane kennis uit alle onderzoeksvragen aantoont.

WP 3. Disseminatie, netwerking en vervolgtraject

Tutorial: het opstellen van een tutorial die derden in staat stelt om de realisaties en testen te herhalen.

Deliverables: de eerder genoemde tutorial en indien mogelijk een paper.