Hoe Allinq extreme energiepieken in verbruik voorkomt met AI

Het toenemende energieverbruik en de vereiste netcapaciteit als gevolg van stijgende temperaturen kunnen een uitdaging vormen voor (telecom)bedrijven, vooral als ze extra koeling nodig hebben om de operationele temperatuur op peil te houden. Hogere temperaturen kunnen leiden tot een verhoogde vraag naar airconditioningssystemen, koelapparatuur en andere koelingstoepassingen, wat kan resulteren in meer en extremere pieken in het energieverbruik.

Deze pieken in het energieverbruik kunnen leiden tot overbelasting van de bestaande netcapaciteit, wat betekent dat het elektriciteitsnetwerk op sommige momenten mogelijk niet voldoende stroom kan leveren om aan de vraag te voldoen. Dit kan resulteren in stroomuitval (downtime), spanningsschommelingen of andere ongewenste situaties.

Voor bedrijven kan dit leiden tot aanzienlijke problemen, omdat ze mogelijk niet in staat zijn om hun activiteiten te ondersteunen en mogelijk hun productieprocessen moeten onderbreken als gevolg van stroomuitval. Bovendien kan het uitbreiden van de netcapaciteit een uitdagende taak zijn, omdat het vaak gepaard gaat met infrastructuurinvesteringen en het verkrijgen van goedkeuringen van regelgevende instanties.

Inzet van technologie en Artificiële Intelligentie

Om het energieverbruik van een telecomlocatie te voorspellen, heeft Allinq een analytisch model opgezet, gebaseerd op (lineaire) regressie. Dit model stelt het verband vast tussen twee variabelen: het energieverbruik van een telecomlocatie over het jaar, en de (voorspelde) weerdata afkomstig van een nabijgelegen KNMI-station. Verschillende weer-gerelateerde variabelen, zoals temperatuur, zonuren en luchtvochtigheid, worden opgenomen in het model. Naast weer-gerelateerde variabelen, worden ook gebouw-gerelateerde variabelen opgenomen in het model, zoals het verbruik van de dag ervoor van het gebouw.

Voor het trainen van het model wordt machine/deep learning gebruikt. Er zijn twee modellen gebruikt, een machine learning (ML) model (Random Forest) en een deep learning (DL) model (LSTM). Het ML model kan gebruikt worden wanneer er een beperkte hoeveelheid data beschikbaar is. Het DL model is krachtiger, maar kan alleen gebruikt worden wanneer er een grotere hoeveelheid data beschikbaar is, omdat het anders “te” krachtig is.

Een Random Forest model is een “ensemble methode”. Een ensemble methode is een methode waarbij meerdere modellen (in dit geval decision trees) gebruikt worden om uiteindelijk een voorspelling te geven. Een Random Forest model is vaak goed in het modelleren van complexe signalen. Een LSTM-model is een neural network dat gebruik maakt van een speciale architectuur, waardoor het goed is om opeenvolgende data te modelleren. Het verbruik van een gebouw over de tijd heen is opeenvolgende data. Om deze reden, samen met o.a. het feit dat een LSTM-model goed is in het modelleren van complexe data, is dit model gekozen.

De dataset wordt opgesplitst in een training- en een testdataset. Met behulp van ML/DL wordt vervolgens bepaald welke impact de verschillende weer/gebouw-gerelateerde variabelen hebben op het energieverbruik. Na training wordt het model geëvalueerd op de testdataset, waardoor gekeken kan worden of het geleerde patroon van het energieverbruik correct is en of het energieverbruik dus nauwkeurig genoeg voorspeld kan worden. Door middel van de evaluatie kan ook bepaald worden welk model geschikter is voor het voorspellen van het energieverbruik; het ML model of het DL model. Wanneer het energieverbruik nauwkeurig genoeg voorspeld wordt, kan het model in gebruik worden genomen. De beheerder van de locatie kan zo tijdig geïnformeerd worden wanneer de netcapaciteit, aangeduid met de rode lijn in Figuren 1 en 2, dreigt te worden overschreden.

Welke uitdaging lost het op?

De meeste activa die telecombedrijven beheren, vertonen een vrijwel constant energieverbruik bij ongewijzigd gedrag. Pieken in het energieverbruik worden met name veroorzaakt door de koelsystemen. De variabiliteit van de buitentemperatuur beïnvloedt het koelvermogen van deze systemen. Gezien het sterke verband tussen het energiegebruik van deze koelsystemen en de weersomstandigheden, is het mogelijk om met behulp van weersverwachtingen deze stroompieken te voorspellen.

Conclusie

Door voorspelling en analyse van het verbruik kunnen bedrijven inzicht krijgen in welke locaties onder hun beheer de komende dagen de netcapaciteit zullen overschrijden. Hierdoor kan de beheerder tijdig maatregelen nemen op deze risicolocaties, bijvoorbeeld door de instellingen van de koelsystemen aan te passen of ze tijdelijk op een UPS of noodaggregaat te laten draaien. Op deze manier kunnen bedrijven onnodige kosten en afsluitingen van de netbeheerder voorkomen. De voorspellingen maken een proactieve werkwijze mogelijk.

Meer informatie

Voor verdere informatie, contactpersonen of meer van dit soort projecten kunt u terecht bij de Werkgroep Energie en Duurzaamheid. Bezoek hiervoor:

Delen met:

Bouwstenen

De NL AIC werkt samen aan de benodigde kennis, expertise en resultaten op vijf thema’s, ook wel bouwstenen genoemd, die belangrijk zijn voor een innovatieve impact in economische en maatschappelijke toepassingsgebieden.

Toepassingsgebieden

AI is een generieke technologie die uiteindelijk haar toepassing vindt in alle sectoren. Het is van belang in te zetten op specifieke, voor Nederland relevante sectoren, waar goede resultaten te behalen zijn en waar kennis en ervaring opgeschaald kan worden voor toepassing in andere sectoren.

Word deelnemer

Om initiatieven in Artificial Intelligence te stimuleren en te verbinden, zijn we er als Nederlandse AI Coalitie van overtuigd dat een actieve samenwerking met een breed palet aan stakeholders essentieel is. In het eigen vakgebied en met andere stakeholders in het ecosysteem om een zo groot mogelijke impact te bereiken voor de ontwikkeling en toepassing van AI in Nederland. Vertegenwoordigers uit het bedrijfsleven (groot, klein, startup), overheid, onderzoeks- en onderwijsinstellingen en maatschappelijke organisaties kunnen deelnemen.

Geïnteresseerd? Kijk voor meer informatie op de pagina over de NL AIC.