Het verschuiven van piekverbruik en beïnvloedende factoren in slimme netten vanuit een recurrent neuraal netwerkmodel en deep learning

Waarom slimmer energiegebruik op campus er toe doet

Universiteitscampussen bruizen dag en nacht: colleges, laboratoria, studentenhuizen, late studiesessies en het constante gezoem van servers en verlichting. Dit leidt tot grote schommelingen in elektriciteitsvraag — scherpe pieken wanneer veel apparaten tegelijk aanstaan en diepe dalen wanneer gebouwen weinig gebruikt worden. Die pieken zijn duur voor het net en verspillen middelen voor de planeet. Deze studie onderzoekt hoe het combineren van moderne AI-instrumenten met waterstofgebaseerde energieopslag campussen kan helpen voorspellen wanneer ze stroom nodig hebben, die pieken kan egaliseren en elektriciteit efficiënter kan gebruiken zonder het leren te verduisteren.

Patronen zien in het dagelijkse campusleven

Centraal in het werk staat het idee dat elektriciteitsgebruik op een campus niet willekeurig is—het volgt nauw de menselijke routines. De onderzoekers verzamelden gedetailleerde stroomgegevens van 15 gebouwen aan een Chinese universiteit over ongeveer anderhalf jaar, samen met weersgegevens en collegeschema’s. Ze gebruikten vervolgens kleurrijke heatmaps om te laten zien hoe energiegebruik uur per uur stijgt en daalt op verschillende locaties: slaapzalen, klaslokalen, kantoren, kantines en verlichtingssystemen. Uit deze beelden definieerden ze zes dagelijkse patronen, zoals slaapzalen met twee grote pieken rond lunchtijd en laat op de avond, klaslokalen die alleen tijdens lestijden pieken, en straatverlichting die de hele nacht stabiel brandt. Deze patronen vormen de basis voor op maat gemaakte energiebesparende tactieken per gebouwtype.

Een neuraal netwerk leren vraag te voorspellen

Om op die patronen te kunnen reageren, moet je eerst weten hoe morgen eruitziet. Het team trainde een type kunstmatige intelligentie genaamd een recurrent neuraal netwerk (RNN) om te voorspellen hoeveel elektriciteit elk gebouw van het ene uur op het andere zou gebruiken. RNN’s zijn ontworpen om met reeksen te werken, waardoor ze goed geschikt zijn om te volgen hoe de vraag naar stroom in de tijd evolueert. Het model verwerkte 24 uur recente geschiedenis tegelijk — eerder stroomverbruik, temperatuur, luchtvochtigheid, tijd van de dag, werkdag of weekend en zelfs of er lessen gepland waren — en voorspelde vervolgens het verbruik van het volgende uur. De auteurs gingen zorgvuldig om met datavoorbereiding: ze vulden ontbrekende metingen aan door te zoeken naar vergelijkbare dagen met vergelijkbaar weer en schema’s, en splitsten de data chronologisch in trainings-, validatie- en testsets om overfitting te vermijden.

Andere voorspellingsmethoden verslaan

De prestaties van het RNN werden getest tegenover meerdere gangbare voorspellingsmethoden, waaronder eenvoudige lineaire regressie, flexibelere niet-lineaire regressie, traditionele statistische modellen zoals ARIMA en Grey-modellen, en een andere deep-learningmethode genaamd LSTM. Over campusdata en drie openbare elektriciteitsdatasets produceerde het RNN consequent lagere fouten. In echte campustests was de mean squared error van het RNN — een maat die grote missers zwaar straft — aanzienlijk kleiner dan die van lineaire regressie, en bleef de gemiddelde procentuele fout in het enkelcijferige bereik. Foutverdelingen toonden dat de fouten van het RNN dicht bij elkaar lagen en dat de voorspelde krommen bijna samenvielen met de werkelijke belasting, wat zowel nauwkeurigheid als stabiliteit aangeeft. Hoewel de auteurs opmerken dat dit niet betekent dat RNN’s in het algemeen altijd beter zijn dan LSTM’s, laat het wel zien dat een relatief eenvoudig netwerk in deze specifieke situatie heel goed kan werken.

De stroomcurve egaliseren met waterstofopslag

Alleen voorspellen verlaagt de rekening niet; je hebt ook een manier nodig om de vraag te herschikken. Hier introduceert de studie een virtueel waterstof-energiesysteem dat zich gedraagt als een enorme oplaadbare buffer. Wanneer de RNN-voorspelling lage-belastingsuren aangeeft, ‘laadt’ het systeem door elektriciteit om te zetten in waterstof; wanneer pieken dreigen, ‘ontlaadt’ het en levert opgeslagen energie terug aan de campus. Een dynamisch programmeringsalgoritme beslist uur per uur of de opslag moet laden, ontladen of inactief moet blijven, waarbij het voortdurend rekening houdt met limieten op capaciteit, vermogen en efficiëntie. In een representatief 24-uursvoorbeeld verlaagde deze strategie de dagelijkse maximale belasting van ongeveer 46 kilowattuur tot ongeveer 33, verminderde het verschil tussen piek- en gemiddeld verbruik en elimineerde het alle perioden waarin de vraag een vooraf ingestelde limiet overschreed. De prijs daarvoor was een kleine stijging van het totale dagelijkse energieverbruik — minder dan één procent — door verliezen in de opslagcyclus.

Wat dit betekent voor alledaagse energiegebruikers

In eenvoudige termen toont de studie aan dat campussen — en bij uitbreiding kantorenparken, ziekenhuiscomplexen of woonwijken — AI kunnen gebruiken om niet alleen hun energie-toekomst te voorspellen, maar die ook te vormen. Door te voorspellen wanneer en waar elektriciteit nodig zal zijn, en die voorspellingen te koppelen aan flexibele opslag zoals watertanks of batterijen, kunnen beheerders dure pieken afvlakken, beter gebruikmaken van daluren en de druk op het grotere net verminderen. De auteurs waarschuwen dat hun resultaten afkomstig zijn van één campus en een gesimuleerde opslagunit, en dat echte implementaties rekening moeten houden met kosten, CO2-uitstoot en comfort. Toch biedt het raamwerk een realistisch stappenplan voor slimmer, schoner elektriciteitsgebruik op plaatsen waar de energiegewoonten van morgen vandaag worden gevormd.

Bronvermelding: Wang, F., Huang, D. & Lu, W. The peak shifting electricity consumption management and influencing factors of smart grid from recurrent neural network model and deep learning. Sci Rep 16, 5569 (2026). https://doi.org/10.1038/s41598-026-35754-5

Trefwoorden: slim netwerk, campusenergie, belastingsvoorspelling, waterstofopslag, deep learning