Ga naar de inhoud

Energieverbruik voorspellen

We bouwen modellen die verbruik per gebouw vooruit schatten en houden ze actueel met MLOps, zoals we voor GVB een modellevenscyclus inrichtten.

Voor GVB zetten we een MLOps-workflow in Databricks op, zodat een model up-to-date blijft door de jaren heen

Het model van GVB moest actueel blijven en voldoen aan de architectuurstandaarden van GVB. We richtten een uniforme en robuuste MLOps-levenscyclus in, met herbruikbare templates, om het model effectief in productie te zetten en te onderhouden.

Lees de case

Verbruikt dit gebouw nu meer dan het zou moeten?

Een meter laat zien wat er verbruikt is, maar niet of dat normaal is. Een model dat het verwachte verbruik berekent uit weer, rooster en bezetting, laat direct zien waar het afwijkt en wanneer een piek eraan komt.

Plan een gesprek

Per gebouw het verwachte verbruik naast de meting, en een seintje bij afwijking

Bespreek je verbruiksdata

Verwacht tegen werkelijk

Per gebouw en installatie wat het verbruik had moeten zijn, naast de meting, zodat verspilling opvalt.

Pieken vooraf zien

Wanneer het verbruik de grens van je aansluiting of contract nadert, zodat je op tijd kunt bijsturen.

Onderbouwing voor inkoop

Een verbruiksprognose per periode als basis voor inkoop en het gesprek met je leverancier.

Model dat actueel blijft

Zoals voor GVB houden we modellen met MLOps actueel als gebruik en gebouwen veranderen.

Van meterdata naar een verwachting waar je beheerders op vertrouwen

  1. Meetdata verzamelen

    Meters, gebouwbeheersysteem, weer en rooster op één plek, per kwartier of uur.

  2. Model per gebouw

    Het verwachte verbruik getoetst op een periode die al voorbij is, naast de meting.

  3. Signaleren en bijhouden

    Afwijkingen en pieken in een dashboard of melding, en het model actueel met MLOps.

Meten we al fijn genoeg om verbruik te voorspellen?

Toets het in een gesprek

Past als

Je hebt slimme meters of een gebouwbeheersysteem met verbruik per kwartier of uur, over meerdere gebouwen, en je wilt weten waar het afwijkt.

Past niet als

Er is alleen een jaarafrekening per gebouw. Dan is eerst bemeteren de stap; zonder metingen per uur valt er weinig te voorspellen.

Waar de omvang van afhangt

Hoeveel gebouwen en meters er zijn, hoe de data nu wordt verzameld, welke installaties apart gemeten worden en wie de signalen opvolgt.

Helpt dit bij GACS?

GACS vraagt gebouwautomatisering die verbruik bewaakt en analyseert. Een voorspelling laat zien wat er met die data kan, maar vervangt de verplichte systemen niet.

Vergelijken met vorig jaar, corrigeren voor het weer of een model per gebouw?

Vergelijken met vorig jaar

Kies dit als je alleen grote veranderingen wilt zien. Snel te maken, maar weer en gebruik verschillen elk jaar.

Correctie voor het weer

Kies dit als verwarming het grootste deel van je verbruik is. Ons advies: begin hier als je nog weinig meters per uur hebt.

Een model per gebouw

Kies dit als je meetdata per kwartier of uur hebt en ook bezetting en rooster wilt meewegen.

Met het Paris Proof platform brengen we het energieverbruik van gebouwen al in beeld

Data Science Lab bestaat sinds 2016 en is partner van Microsoft en Databricks. Met het Paris Proof platform brengen we verbruik en technische situatie van gebouwen in beeld.

Plan een kennismaking

De meters die je al hebt, zijn het vertrekpunt van het eerste gesprek

Stef Stoelwinder

Stef Stoelwinder

Business Development

Stef is je aanspreekpunt. In het eerste gesprek bespreken we welke gebouwen en meters er zijn en wat je wilt zien.

Van welke gebouwen wil je het verbruik vooruit zien?

Vertel hoeveel gebouwen het zijn en hoe het verbruik nu gemeten wordt. Je krijgt antwoord per mail, of we plannen een eerste gesprek.

Vul een geldig e-mailadres in.

Laat ons weten waar we je mee kunnen helpen.

Veelgestelde vragen

Een model leert uit het verbruik van de afgelopen periode hoe dat samenhangt met buitentemperatuur, tijd van de dag, dag van de week, rooster en bezetting. Daarmee berekent het per kwartier of uur wat het verbruik zou moeten zijn, en wat het straks wordt.

Andere toepassingen vind je bij AI-toepassingen.

De techniek is vergelijkbaar. Bij energie spelen weer, installaties en gebouwgebruik een grote rol, en gaat het vaak om korte tijdsblokken. Een forecast van vraag of verkoop kijkt meer naar klanten en seizoenen.

Over dat laatste lees je bij forecasting.

Verbruik per kwartier of uur uit slimme meters of het gebouwbeheersysteem, weergegevens, en waar mogelijk rooster, openingstijden of bezetting. Hoe meer gebouwen en historie, hoe beter het model afwijkingen herkent.

Ontbreekt er iets, dan zeggen we dat vooraf.

Door het werkelijke verbruik naast het verwachte te zetten. Ligt de meting een tijd boven de verwachting, zonder verklaring uit weer of gebruik, dan is er iets aan de hand, zoals een installatie die ’s nachts doordraait.

Die signalen komen in een dashboard of als melding bij de beheerder.

Sinds 1 januari 2026 geldt de GACS-verplichting voor utiliteitsgebouwen met verwarmings- of airconditioningssystemen van meer dan 290 kW, en vanaf 1 januari 2030 al vanaf 70 kW. GACS vraagt systemen die verbruik bewaken en analyseren.

Wat de regels inhouden, lees je in GACS uitgelegd.

Het Paris Proof platform brengt verbruik en technische situatie van een gebouwportfolio in beeld en helpt maatregelen te kiezen. Een voorspellend model voegt daar per gebouw het verwachte verbruik aan toe.

Meer lees je bij het Paris Proof platform.

Door het automatisch te controleren en opnieuw te trainen als de afwijking structureel wordt, bijvoorbeeld na een renovatie of een ander gebruik. Dat richten we in met MLOps, zoals we voor GVB een levenscyclus voor modellen opzetten.

Meer lees je bij MLOps.

Als er alleen jaar- of maandstanden zijn, of als niemand de signalen gaat opvolgen. Dan is eerst bemeteren en een vast overzicht van het verbruik de betere stap.

Ook bij een paar gebouwen met vast gebruik is een weercorrectie vaak genoeg.