Rijkswaterstaat monitort energieverbruik met machine learning
- Opdrachtgever
- Rijkswaterstaat
- Jaar
- 2021-2022
- Locatie
- Utrecht
Rijkswaterstaat wil in 2030 energieneutraal zijn. Dit betekent dat evenveel energie moet worden opgewekt als dat er verbruikt wordt. Hiermee verlaagt Rijkswaterstaat haar CO2-uitstoot, uiteindelijk tot nul. Om dit te bereiken is het noodzakelijk om real-time en tot in de details inzicht te hebben in het energieverbruik. Deze opgave heeft al geleid tot een aantal projecten, waaronder een optimalisatie van het energieverbruik van de Kreekraksluizen en monitoring van het energieverbruik van tunnels en gemalen. Het Coördinatie Bureau Energie heeft om ondersteuning gevraagd bij de monitoring van het energieverbruik van de openbare verlichting en verkeerregelinstallaties langs de Nederlandse snelwegen.
De uitdaging
Rijkswaterstaat gebruikt ongeveer 60% van het energieverbruik voor verlichting van snel- en vaarwegen. Afgelopen jaren heeft een grote verduurzaming plaatsgevonden in de openbare verlichting en de verkeerregelinstallaties op twee aspecten. Als eerste is de traditionele verlichting vervangen door ledverlichting. Ondanks de duurdere aanschafkosten verdient deze uitgave zich in 10 jaar terug door het lagere energieverbruik en de langere levensduur (link). Ten tweede zorgt een regelsysteem voor de juiste hoeveelheid licht. Deze hoeveelheid is onder andere afhankelijk van de hoeveelheid natuurlijk licht en de verkeersdrukte.
Het functioneren van de verlichting en daarmee het energieverbruik is daardoor wel van meerdere variabelen afhankelijk. Dit maakt het monitoren van de openbare verlichting en verkeersregelinstallaties op afwijkend gedrag met behulp van grenswaarden onmogelijk. Kan machine learning dit wel mogelijk maken?
Onze oplossing
In samenwerking met de experts van Rijkswaterstaat is een overzicht gemaakt van variabelen die invloed hebben op het regelsysteem. Deze lijst met variabelen bevat o.a. de inkomende zonnestraling, neerslag, bewolkingsgraad, maand, dag van de week, uur van de dag en of het een feestdag betreft. Met behulp van regressieanalyses is de significantie van deze variabelen getoetst op het voorspellen van het energieverbruik. De variabelen zijn zowel continu als discreet en voorbewerkt m.b.v. schalingmethodes als bijvoorbeeld een one-hot-encoding voor categorische data.
Op basis van de verklarende variabelen met de meeste significantie op het energieverbruik zijn neurale netwerken ontwikkeld. Neurale netwerken zijn een type model dat zichzelf kan trainen op basis van input- en outputdata. De verklarende variabelen vormen de inputdata en het energieverbruik de output. Hierboven is een voorbeeld gegeven van een neuraal netwerk waarbij drie inputvariabelen worden gebruikt om twee outputvariabelen te simuleren. In dit onderzoek maken we gebruik van een eenvoudig netwerk van 10 inputvariabelen, één verborgen laag met 30 knooppunten en één outputvariabele, namelijk het energieverbruik.
Een veelvoorkomend probleem bij neurale netwerken is overfitting. Dit houdt in dat modellen te lang getraind zijn op de trainingsdataset waardoor in andere situaties het model juist slechter presteert. Om dit te voorkomen passen we een drop-out toe. Hierbij wordt tijdens het trainen van het model willekeurig enkele knooppunten weggelaten zodat het trainen van de weegfactoren van knooppunten niet te ver doorschiet.
De neurale netwerken zijn ontwikkeld in Python met Keras en Tensorflow. Dit zijn de veelgebruikte libraries voor het ontwikkelen van machine learning modellen.
Het resultaat
De modellen draaien operationeel mee en signaleren afwijkingen tussen metingen en modeluitkomsten. Daarbij houden ze rekening met de onzekerheid in het model door niet uit te gaan van één enkele simulatie, maar van een betrouwbaarheidsinterval op basis van meerdere runs. De signalering gebeurt als het energieverbruik buiten het betrouwbaarheidsinterval komt. Hiervoor zijn enkele percentielwaarden als onder- en bovengrenzen ingesteld en vertaald in een energielabel A tot E. Een dashboard toont op een kaart een overzicht van de openbare verlichting en verkeerregelinstallaties. Elk van deze bevat een kleur gebaseerd op het energielabel waarmee in één oogopslag duidelijk is op welke locatie het energieverbruik afwijkt. Door een locatie te selecteren zijn ook de gemeten en voorspelde waarden te raadplegen middels een grafiek. De energiecoördinator van Rijkswaterstaat heeft zo een informatieportaal voor de monitoring op afwijkend energieverbruik met behulp van machine learning.
