Slimme Wijkgerichte Energietransitie dankzij Artifical Intelligence en Big Data

Binnen het HAN-zwaartepunt Sustainable Energy & Environment (SEE) staat multidisciplinair samenwerken hoog in het vaandel. Dat doen we sinds kort bijvoorbeeld op het gebied van Artificial Intelligence (AI) en Big Data (BD). Onderzoekers bundelden hun krachten met SEE, met positief resultaat.

Hoogspanningsmast

Energietransitie is een van de belangrijkste thema’s binnen SEE. Voor die transitie zijn Smart Grids, slimme elektriciteitsnetwerken die in staat zijn om vraag- en aanbod volledig autonoom op elkaar af te stemmen, belangrijk. Al lang leefde binnen SEE de vraag hoe je daar Artificial Intelligence en Big Data aan kunt koppelen om zo tot nog slimmere resultaten en oplossingen te komen.

Lang bleef dat bij praten. Tot onderzoekers van twee lectoraten onlangs een concrete casus bij de kop pakten: de Wijkgerichte Energietransitie. Onderzoekers van het Lectoraat Meet- en Regeltechniek, vanuit de Academie Engineering en Automotive, doken samen met collega’s van het Lectoraat Model-based Information Systems, van de Academie IT en Mediadesign, in de materie. 

We spraken allereerst met Trung Nguyen, onderzoeker Meet- en Regeltechniek. Binnen dit project nam hij voornamelijk de technische Smart Grids voor zijn rekening. 

Trung, wat is de meerwaarde van de koppeling van AI en BD aan Smart Grids?

“In dit geval praten we over sustainable energy, zonne- en windenergie dus. In een grid gedraagt zonne-energie zich bijvoorbeeld onvoorspelbaar. Dat doet het, terwijl we willen dat de vraag en het aanbod naar energie binnen zo’n grid optimaal op elkaar afgestemd worden. Om een smart grid helemaal te kunnen optimaliseren, is de inzet van AI en BD essentieel. Het helpt de energievraag- en aanbod in een wijk veel beter te voorspellen.”

Kun je daar een voorbeeld van noemen?

“Neem het moment dat iedereen thuiskomt van werk. Door de energiebehoefte die dan ontstaat, kan zo’n grid in één keer leeg worden getrokken. Een energieopstopping is het tegenovergestelde daarvan. AI en BD kan de energiebehoefte helpen voorspellen. Vervolgens kunnen we daar een passende technische oplossing voor zoeken. Daarnaast helpt big data je aan gegevens over allerhande menselijk gedrag. Daar hebben de onderzoekers van Model-based Information Systems zich vooral mee beziggehouden.”

Wat heb jij als technische partij geleerd van de samenwerking met onderzoekers van menselijke big data?

“Hoe belangrijk die menselijke kant van de energietransitie eigenlijk is. Technische informatie is makkelijker te verzamelen: het energiegebruik, hoeveel energie je nodig hebt om elektrische auto’s op te laden, enzovoort. Wil je big data verzamelen over menselijke routines, dan krijg je te maken met gevoeliger informatie die niet iedereen wil geven.”

Dit was een klein, verkennend project. Wat gaat er nu gebeuren?

“We gaan proberen subsidie te krijgen voor meer research in dit veld. We gaan door tot die research niet meer interessant is. En we stoppen natuurlijk pas als alle wijken in Nederland slim lopen op duurzame energie!” 

Brein, data

Tijd om de samenwerking vanuit lector Model-based Information Systems Stijn Hoppenbrouwers en Maya Sappelli, data-scientist binnen het lectoraat, te bekijken. Zij hielden zich gedurende het project meer bezig met ‘de menselijke kant’ van AI en BD.

Stijn en Maya, wat hebben jullie binnen dit project precies gedaan?

Stijn: “Binnen ons lectoraat is de rol van AI en BD heel groot. Je kunt het op allerlei gebieden inzetten: in dit geval voor Wijkgerichte Energietransitie. Wij hebben gekeken naar de informatie die je nodig hebt over de bewoners van zo’n wijk. Wat is precies interessant en hoe krijg je al die data samen zodat je een helder beeld krijgt? Samen met de Smart Grids-specialisten keken we hoe we met die data direct oplossingen voor bepaalde problemen zouden kunnen maken. Wat voor slimmere dingen kunnen we doen, waar je met alleen technische oplossingen niet komt?” 

Maya: “Het is vooral anticiperen op bepaalde problemen. Daarbij hebben wij ons meer gericht op menselijk gedrag. Wat is het ritme in de dag van een mens? Wanneer gebruiken ze veel stroom? Bij het verzamelen van data komt dan naar voren dat er altijd een piek komt op - bijvoorbeeld - het kookmoment. Op zo’n moment moet er meer stroom beschikbaar zijn.”

Krijg je bij het verzamelen van die menselijke big data niet te maken met privacy-issues?

Maya: “Zeker. Je kunt mensen altijd vragen óf en wát ze willen delen. Ook valt er omheen te werken door niet per huishouden data te verzamelen, maar bijvoorbeeld per straat. Dan blijft de privacy gewaarborgd.” 

Stijn: “Toch kun je mensen vaak over de streep trekken door een win-winsituatie te creëren. Vergelijk het met een navigatiesysteem: jij krijgt verkeersinformatie en in ruil daarvoor krijgen zij jouw data. In het geval van energietransitie is dat vergelijkbaar. Jij geeft als bewoner persoonlijke verbruikersdata prijs. Daarvoor krijg je wel een beter functionerende energievoorziening in je wijk terug. Daarin kun je ook weer een paar stappen vooruitdenken. Als bewoners bijvoorbeeld zonnepanelen plaatsen en zij zorgen voor een energie-overschot, zien zij dat vervolgens weer terug in een gunstigere energierekening. Om zo’n heel ‘voor-wat-hoort-wat’-stelsel te creëren, moet je echt een heleboel data in je bezit hebben. We proberen alle facetten in kaart te brengen en zo nuttige combinaties te maken.”

Wat hebben jullie als onderzoekers het meest geleerd van dit project?

Stijn: “Dat Artifical Intelligence, Big Data en Smart Grids binnen Wijkgerichte Energietransitie prima met elkaar te combineren zijn. En dat je door het combineren van veel verschillende verzamelde data veel problemen op kunt lossen.”  

Maya: “Inderdaad. Juist het verzamelen van zoveel mogelijk verschillende data is belangrijk. Dat gaat over zowel menselijke data als ‘statische data’, zoals met wat voor soort panden je te maken hebt. Zo kunnen wij in de toekomst ons voorspellend vermogen op hele interessante manieren inzetten. Een goed voorbeeld daarvan is het bijhouden van weer-data. Zo kunnen we voorspellen hoeveel de zon en de wind op een bepaald moment aan energie in een Smart Grid kunnen leveren.” 

Stijn: “Het zijn maar een paar voorbeelden waarop AI en BD bij energietransitie nuttig in te zetten zijn. We hebben nu verkend en samen dingen geleerd. Nu is de vraag hoe we dit binnen Wijkgerichte Energietransitie toe gaan passen. Dat moet uiteindelijk resulteren in concrete projecten, zodat we alles verder kunnen brengen.” 

Het belang van AI en Big Data wordt op de HAN niet alleen binnen SEE verkend. Ook de zwaartepunten Health en Smart Region zijn hiermee bezig. Daarom is onlangs het project ASGARD (Applied Sciences Group for Artificial Intelligence and Data Sciences) gelanceerd: een professionele leergemeenschap rondom AI en data science. Meer weten? Hier lees je er meer over