Slimme (Energie) Meter
Dit project speelt specifiek in op verbeteringen in energieverbruik van gebouwen, door het optimaliseren van energie verbruik en energieopwekking binnen gebouwen.
Ecologisch gezien is lokale, al dan niet kleinschalige, elektrische energie opwekking door individuen of bedrijven geen slechte oplossing. Het probleem dat zich hier stelt is deels omwille van de onvoorspelbaarheid van de energie opwekking (bv. is er voldoende zon?), deels omwille van het feit dat energie vaak op verkeerde momenten wordt opgewekt. Zo leveren zonnepanelen midden in de dag het meeste energie, als we als individuen meestal niet thuis zijn en het minst nood hebben aan energie.
Er is dus in 1ste instantie een duidelijke nood aan het voorspellen van zowel de energie opwekking als energie verbruik. In 2de instantie is er nood aan slimme toestellen die op het juiste moment kunnen aan/uit schakelen of middelen om energie te gaan bufferen (opslag van energie).
Dit project heeft als doel een antwoord te vinden aan deze 1ste nood. Binnen deze onderzoeksopdracht wordt specifiek gekeken naar het gebruik van Artificiële Intelligentie om dit te realiseren. In eerste fase algemeen op een desktop, in een tweede fase geïmplementeerd op een bestaand embedded systeem (Slimme Meter).
Resultaten
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 m.b.t. 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 test resultaten van de code uit de experimenteerfase.
WP 2. Implementatiefase
Tijdens de implementatiefase worden onderstaande onderzoeken verricht m.b.t. een case-study “Slimme Meter” om de opgedane kennis en ervaring in te zetten in een systeem om AI op een slimme meter toe te voegen.
Deliverables: test resultaten voor de voorspelling van energieverbruik en -productie, en dit met en zonder gebruik van weersinformatie, test resultaten m.b.t. de anomaly detection, test resultaten
m.b.t. 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 aanmaken van een tutorial die derden in staat stelt om de realisaties en testen te herhalen.
Deliverables: de hierboven vermelde tutorial en indien mogelijk een paper.
