Rijkswaterstaat Datalab – Energielabels Tunnels en Gemalen
- Opdrachtgever
- Rijkswaterstaat
- Jaar
- 2019
- Locatie
- Nederland
Rijkswaterstaat heeft een grote variëteit aan assets in eigen beheer. Onder deze assets vallen onder andere tunnels en gemalen. In het kader van de duurzaamheidsambities van Rijkswaterstaat is het belangrijk om het functioneren van de assets zo goed mogelijk te regelen. Om de performance van de assets te monitoren is er een generieke tool ontwikkeld, het energie dashboard.
De uitdaging
Om de duurzaamheidsambities van Rijkswaterstaat te realiseren is het belangrijk om goed te kunnen beoordelen welke assets goed functioneren en welke minder. Het ene gemaal is echter het andere niet, waardoor het verbruik niet zomaar één op één vergeleken kan worden. Rijkswaterstaat heeft wel echter wel data over het energieverbruik per kwartier van haar assets. Dit heeft geleid tot de vraag of het mogelijk is om individuele assets met een generieke, datagedreven aanpak te monitoren en de uitkomsten hiervan begrijpelijk te communiceren.
Onze oplossing
Om het energieverbruik van de tunnels en gemalen van Rijkswaterstaat te monitoren wordt gebruik gemaakt van een neuraal netwerk. We gebruiken Lizard als data-integratorplatform en verzamelen hier tijdreeksen van verscheidene variabelen die het energiegebruik beïnvloeden. Vervolgens zijn historische gegevens over neerslag, verdamping, temperatuur, zonneschijn, uur van de dag, dag van de week, maand van het jaar en vakantiedagen samen met de energiereeks tot 1 januari 2019 gebruikt om een neuraal netwerk te trainen. Een neuraal netwerk legt zelf verbanden tussen het energie verbruik en de variabelen. Wanneer het netwerk goed in staat was om de historische energiereeks te voorspellen kan het netwerk ook gebruikt worden om te monitoren of een asset evenveel energie blijft gebruiken of dat hier veranderingen optreden.
Het energieverbruik vanaf 1 januari 2019 wordt vergeleken met het voorspelde energieverbruik. Wanneer het verbruik meer of minder is dan de onzekerheid van de voorspelling wordt de duur geregistreerd. Assets die langdurig meer of minder energie verbruiken dan verwacht worden gelabeld. Tot slot zijn alle assets inclusief hun functioneren in een online dashboard ontsloten waardoor in één blik inzichtelijk is welke assets beter zijn gaan functioneren en welke slechter.
Een neuraal netwerk is dé tegenhanger van de rule-based systemen. Regels gebaseerde systemen (de naam zegt het al) is een beslisboom van keuzes die het systeem moet maken: Als-dit-dan dat. Als het systeem A tegenkomt, doet het B. Stap voor stap. 100% logica. Een neuraal netwerk kan echter niet worden geprogrammeerd om een bepaalde taak stap voor stap uit te voeren, maar leert door het zien van voorbeelden.
Het resultaat
Met het nieuwe systeem kan Rijkswaterstaat haar asset management optimaliseren door efficiënte monitoring. Door de generieke opzet is het in de toekomst eenvoudig mogelijk om het systeem uit te breiden met andere assets.
Alle cases