Gebouwmodel bevordert energiebesparing en arbeidsproductiviteit

TNO en energiebedrijf Eneco werken samen aan een ‘zelflerend kantoorgebouw’. Een kantoorgebouw dat op basis van een model inzicht en adviezen geeft over energieverbruik voor het klimatiseren van werkplekken. Met dit gebouwmodel wordt zowel gewerkt aan energiebesparing als aan een beter binnenklimaat. Het model genereert inzicht of verschillende besparingsstrategieën kunnen worden toegepast en probeert daarin de gewenste temperatuurinstellingen op de juiste tijd te genereren met het laagst mogelijke energieverbruik.

Dit bericht verscheen eerder op TNO.nl

TNO werkt al ruim twintig jaar aan gebouwmodellen die inzicht geven in het energiegebruik op basis van vooraf ingestelde parameters over gebouw en bezetting. Deze parameters houden doorgaans niet of nauwelijks rekening met het wisselend aantal mensen in het gebouw, de plek waar ze zich op enig moment bevinden en de gebouwkarakteristieken. Het nieuwe van het zelflerende model is dat het met behulp van reeds beschikbare energiegegevens zoals gas, elektra, warmte en een beperkt aantal sensoren, zelf de data verzamelt en daaruit leert wat voor een gebouw het is en hoe de flexibele energievraag het best kan worden beantwoord. Daartoe wordt gebruikgemaakt van een minimaal aantal gebouwkenmerken (aantal kamers, ruimten, vloeroppervlak en inhoud) om het gebouwmodel zo universeel mogelijk toepasbaar te maken. Het model biedt inzicht in de huidige en de te verwachten energievraag en de mogelijkheid daarop te sturen.

Gezonder werkklimaat

Sinds een half jaar wordt het gebouwmodel in de praktijk getoetst in een aantal kantoorgebouwen, waaronder het hoofdkantoor van Eneco. Het model is allereerst gericht op de gebouwde zakelijke omgeving. Peter van Buijtene, directeur Duurzaam Vastgoed van Eneco Zakelijk, legt uit dat het zelflerende gebouwmodel perfect past in de ambitie van Eneco om niet alleen energie te leveren, maar ook diverse energiediensten die zowel in het voordeel zijn van de zakelijke klanten als van het energienetwerk als geheel. ‘Wij streven niet alleen naar energiebesparing, maar willen ook andere diensten leveren. Bijvoorbeeld hulpmiddelen om een gezonder werkklimaat in de kantoren te creëren. Dat komt het welzijn van de medewerkers en hun arbeidsproductiviteit ten goede. Een gedetailleerd en actueel inzicht in de energievraag van een kantoor voor verwarming, koeling en ventilatie vinden wij daartoe heel waardevol. Wij hopen en verwachten met dit model zinvolle informatie te verkrijgen zodat we over enkele jaren de energievraag van zakelijke klanten, die bij elkaar zitten, beter op elkaar af te stemmen. En dit dan met een lager energiegebruik als gevolg.’

Smart Building

Tegelijkertijd past de toepassing van het gebouwmodel heel goed in de energiestrategie van TNO, zo legt Huub Keizers uit, programma-manager energie gebouwde omgeving bij TNO. ‘Wij willen onze kennis en expertise niet alleen inzetten voor energie neutrale gebouwen, maar streven juist naar energiepositieve gebouwen: gebouwen die energie produceren. Het energieverbruik en de daarmee samenhangende CO₂-uitstoot vindt voor ongeveer veertig procent plaats binnen de gebouwde omgeving. Gelet op duurzaamheid valt er dus heel wat winst te behalen door de energieconsumptie van gebouwen aan te pakken.’ Toepassing van het zelflerend model in de pilots wordt gesteund door het TKI Urban Energy. Dit is een Topconsortium voor Kennis en Innovatie binnen de Topsector Energie. Het model bestaat uit een wiskundige beschrijving van de thermodynamica van een gebouw en verzamelt dagelijks data over energieprestaties van de installaties in het gebouw en de weerscondities. Door daarvan dagelijks te leren, wordt het systeem op een gegeven moment zo ‘intelligent’ dat er sprake is van een echt Slim Gebouw (‘Smart Building’). In principe is het model geschikt voor elk denkbaar gebouw, maar hoogstwaarschijnlijk heeft het de meeste toegevoegde waarde in kantoorgebouwen.

Energievraag flexibiliseren

Keizers: ‘Soms zien we bijvoorbeeld dat er in een gebouw tegelijkertijd verwarmd en gekoeld wordt. Het gebouwmodel gaat dan zelf de karakteristieke parameters van een gebouw in kaart brengen en zal het gelijktijdig verwarmen en koelen snel ontdekken. Met dit model kun je de energievraag van een bepaald moment snappen en daar slimmer mee omgaan. Op gebouwniveau kan hiermee gemakkelijk geanticipeerd worden op veranderingen. We weten dat het model werkt. In de pilot willen we ervaring opdoen vanuit allerlei praktijksituaties. We streven naar een optimale invulling van de energiebehoefte, gelet op het comfort en de bezetting in een kantoorpand.’

Van Buijtene: ‘We zijn blij dat we het model van TNO in een verkennende studie kunnen testen. We denken dat de resultaten bruikbaar kunnen zijn om de actuele energievraag voor ventilatie, verwarming en koeling precies in te vullen. Wij willen graag bijdragen aan het verduurzamen van de (zakelijke) gebouwde omgeving en richting geven aan de energietransitie. Ik beschouw een energiebesparing van dertig procent in gebouwen heel goed mogelijk. Maar de hamvraag voor ons is: hoe kunnen we de energievraag boven het gebouwniveau flexibiliseren? Daarmee kunnen we de piekvraag bij de start van de werktijd vermijden en wordt het energienetwerk makkelijker bestuurbaar. Belangrijke elementen om dit te bereiken zijn, decentrale energieopwekking en de verschillende energievragen vanuit gebouwen (warmte, koeling) op lokaal niveau beantwoorden, bijvoorbeeld door de uitwisseling van warmte en koeling. In de toekomst kan het zelflerend model wellicht boven het gebouwniveau functioneren.’