Home Smart Hot Water Grid
advanced analytics & ai
Smart Hot Water Grid
16.01.2023
In deze usecase is er een warmwaternet, letterlijk een set aan buizen waardoor water stroomt.Doorheen de fabriek zijn er bronnen die warmte afgeven aan het net en verbruikers die warmte afnemen. Op die manier kan de restwarmte in de fabriek hergebruikt worden. 
Hoe deze energie zo efficiënt mogelijk verbruikt kan worden is soms lastig uit te denken. Een goede balancering van de verbruikers op het warmtenet kan hierin enorm helpen! 

hoe werkt het?

Er kan op verschillende levels gewerkt worden om zo stap voor stap naar een beter maar ook  een geavanceerdere balancering te komen.

Level 0
Laat elke verbruiker warm water verbruiken volgens eigen
behoefte. Dit is het minst ideale scenario, in sommige gevallen is er al zoveel warm water verbruikt door bepaalde processen dat er niets meer overschiet voor belangrijke processen die opeens dringend warmte nodig hebben.

Level 1
Per verbruiker zet je een simpele regeling op waarbij bepaalde
verbruikers prioriteit hebben ten opzichte van anderen. Dit kan
bijvoorbeeld op basis van de beschikbare hoeveelheid warmte of temperatuur. Elke verbruiker kijkt hier enkel maar naar zichzelf en naar de beschikbaarheid van de bron.

Level 2
Laat de verbruikers toe  om ook rekening te houden met elkaar. Elke verbruiker weet hoeveel  energie de andere verbruikers op dit moment aan het verbruiken zijn.

Level 3
Bij predictive balancing wordt er ook gekeken naar de toekomst. Bijvoorbeeld, als je weet dat er een belangrijk proces die veel warmte gaat nodig hebben binnen 10 minuten opstart, dan kan je nu al enkele kleinere verbruikers tegenhouden.

Level 4
Prescriptive balancing kijkt niet enkel welk scenario er zich zal voordoen in de toekomst. Er worden ook alternatieve scenario’s geanalyseerd om te bekijken wat het optimale is.

Level 5
Bij toekomstige initiatieven bekijken we veelbelovende technieken. Een ervan is het gebruik maken van Reinforcement learning. Deze techniek wordt op deze installatie al uitgewerkt in samenwerking met Howest. Een machine learning model zoekt zelf naar de meest optimale strategie om de verbruikers te gaan balanceren.

waar wordt het verschil gemaakt?

Bij het balanceren van de lasten wordt er op verschillende niveaus gewerkt om veilig vooruitgang te kunnen maken en afhankelijk van de
noden van de klant. Door deze lasten te balanceren wordt de energiebron beter gebruikt.

In dit principe gaat het over de gedachtegang die breed inzetbaar is ongeacht de toepassing. Waar er een nood is aan het balanceren van verbruikers, zeker als er gelijktijdigheid aan te pas komt, zal dit principe zijn nut kunnen bewijzen.

voordelen SMART HOT WATER GRID

  • Werk op verschillende levels volgens maturiteit van de installatie
  • Balanceer uw lasten op een bron op een optimale manier
  • Garandeert beschikbaarheid van energie aan hoge prioriteit-verbruikers
  • Helpt u te besparen op energie

REINFORCEMENT LEARNING MET HOWEST

Het kan onmogelijk zijn om de ideale strategie te laten vinden door een mens. Daarom laten we een Agent zoeken naar deze strategie door de Agent acties te laten nemen in een simulatie omgeving. Een actie is het wel, niet of gedeeltelijk aansturen van alle deelnemers.

Dit resulteert in een bepaald verbruik van het warmwaternet. Alle warmte die de verbruikers extra nodig hebben wordt voorzien door een warmtewisselaar op stoom. Aangezien stoom veel duurder is dan het hergebruiken van restwarmte, is ons doel om de agent te leren zo
weinig mogelijk stoom te verbruiken. Goeie acties, met weinig stoomverbruik, worden
beloond en slechte acties afgestraft. Op die manier leert de Agent steeds meer bij wat de
ideale strategie is om het warmtenet te balanceren in alle mogelijke scenario’s.

Nadat de Agent goed en wel getraind is in de simulatieomgeving. Dan wordt deze parallel
opgesteld in productie. Dit wil zeggen dat we de agent acties laten kiezen zonder dat deze worden uitgevoerd. Indien dit ook goed verloopt, dan krijgt de Agent de mogelijkheid om
acties ook in productie uit te voeren.

Te allen tijde wordt de Agent gemonitord. Afwijkingen in prestatie zijn vaak het gevolg van aanpassingen in de omgeving. Op dat moment, of liever nog op voorhand, wordt de Agent weer bij getraind om rekening te houden met de nieuwe situatie.

terug naar cases overview

Wenst u meer informatie? 

contacteer ons