Ja. AI kan helpen om de slechtst presterende gebouwen in een portefeuille te identificeren voordat er retrofitprogramma's worden gestart. Zo werkt het:
- Gegevensanalyse op schaal: AI beoordeelt energierekeningen, bezettingspatronen, gebouwkenmerken en klimaatgegevens om slecht presterende gebouwen te vinden.
- Verbeterd richten: Door gebouwen met een hoog risico aan te wijzen, helpt AI voorkomen dat middelen worden verspild aan activa met een lage prioriteit.
- Geavanceerde modellen: Technieken zoals anomaliedetectie, clustering en voorspellende modellering rangschikken gebouwen op prestatie en risico.
- Integratie van gegevens: AI combineert verschillende gegevensbronnen - zoals facturen van nutsbedrijven, IoT-sensorgegevens en onderhoudslogboeken - voor scherpere inzichten.
- Ondersteunt experts: AI beperkt de focus en zorgt ervoor dat technici hun tijd besteden aan zaken die de grootste impact hebben.
Belangrijkste voordelen:
- Potentiële energiebesparing: 10-40%.
- Nauwkeurigere voorspellingen: AI-modellen bereiken foutpercentages tot wel 5%, vergeleken met 18-25% voor traditionele methoden.
- Financiële planning op lange termijn: AI ondersteunt meerjarige investeringsstrategieën, verlaagt de kosten en verhoogt de ROI.
AI is geen vervanging voor audits door experts, maar fungeert als een pre-screening tool om slimmere, datagestuurde beslissingen te nemen.
OAA webinar: Gebruik van AI en IR-beeldvorming bij energie-efficiënte renovaties
sbb-itb-5be7949
Waarom retrofitprogramma's de slechtst presterende gebouwen missen
AI vs. Traditionele methoden: Prestaties en nauwkeurigheid van gebouwrenovatie
Retrofitprogramma's schieten vaak tekort omdat ze zich op de verkeerde doelen richten. Dit is voornamelijk te wijten aan drie belangrijke problemen: onvolledige gegevens, een focus op kosten in plaats van prestaties, en de financiële gevolgen van slechte doelstellingen.
Hiaten in gegevens- en portefeuillezichtbaarheid
De kwaliteit van gegevens over gebouwenportefeuilles is vaak inconsistent. Het ene gebouw kan gedetailleerde energie-audits en meetgegevens hebben, terwijl een ander gebouw niet veel meer heeft dan de vierkante meters en het adres. Dit verschil maakt het moeilijk om gebouwen eerlijk te vergelijken.
"Retrofit-beslissingen worden moeilijker - niet omdat er geen oplossingen beschikbaar zijn, maar omdat gebouwen verschillen in gereedheid, gegevenskwaliteit en beperkingen." - Schneider Electric [3]
Traditionele energieaudits kunnen helpen om deze hiaten op te vullen, maar ze zijn duur en tijdrovend. Als gevolg daarvan worden beslissingen vaak genomen op basis van onvolledige gegevens, waardoor de inspanningen worden afgewend van echte prestatiegerichte verbeteringen.
Prioriteit geven aan kosten boven prestaties
Wanneer de budgetten krap zijn, hebben gebouweigenaren de neiging om prioriteit te geven aan goedkopere renovaties boven de renovaties die de beste energiebesparingen kunnen opleveren. Deze kostengedreven aanpak leidt vaak tot onbetrouwbare besparingsvoorspellingen. Op regressie gebaseerde planningsmodellen hebben bijvoorbeeld foutenpercentages die variëren van 18% tot 25%, wat de financiële risico's van het negeren van prestatiegegevens benadrukt. [4]. Op de lange termijn kan deze mentaliteit de inspanningen voor een zinvolle energie-efficiëntie doen ontsporen.
De kosten van het richten op de verkeerde gebouwen
Door de aandacht te richten op de verkeerde gebouwen wordt geld verspild en wordt de voortgang naar de doelstellingen voor het koolstofarm maken van gebouwen vertraagd. Door de slechtst presterende gebouwen aan te pakken - de "grote besparers" - kan het totale energieverbruik van de portefeuille met 12-32% worden verminderd. [2]. Het missen van deze kansen wordt steeds riskanter naarmate de energieregelgeving strenger wordt en huurders groenere ruimtes eisen. Gebouwen die niet voldoen aan de prestatiebenchmarks kunnen te maken krijgen met nalevingsproblemen, een verminderd verhuurpotentieel en een dalende waarde.
AI biedt een uitweg uit deze cyclus. Door nauwkeurige, datagestuurde inzichten te leveren, kan het de echte underperformers binnen een portefeuille identificeren en eigenaren helpen slimmere beslissingen te nemen.
"Het aanpakken van energie-efficiëntie is de meest tastbare weg naar decarbonisatie van vastgoed, maar veel gebouweigenaren hebben geen duidelijk stappenplan." - Ramya Ravichandar, Vice-President Product Management, Smart Buildings & IOT, JLL [1]
Hoe AI gebouwen met een hoog risico en grote impact identificeert
Voor grote vastgoedportefeuilles kan het zoeken naar een naald in een hooiberg lijken op uitzoeken waar te beginnen. AI komt tussenbeide door gegevens systematisch te analyseren om de aandacht te vestigen op activa die onmiddellijke aandacht vereisen.
AI-methoden voor het screenen van grote portefeuilles
AI maakt gebruik van geavanceerde technieken zoals anomaliedetectie om ongebruikelijk energieverbruik te signaleren, clustering om gelijksoortige gebouwen te groeperen en voorspellende modellen om de toekomstige energievraag en uitstoot te schatten. Deze hulpmiddelen helpen bij het rangschikken van bedrijfsmiddelen op risico, waardoor het gemakkelijker wordt om actie te prioriteren.
Een opvallende benadering is risicoscoring. Deze methode evalueert gebouwen op basis van factoren zoals hun blootstelling aan veranderende regelgeving en hun potentieel om vastgelopen activa te worden naarmate de energienormen strenger worden. Door modellen zoals LSTM (netwerken van het lange-korte-termijngeheugen) en XGBoost, AI vangt zowel tijdgebonden patronen als complexe interacties tussen gebouwkenmerken. Deze hybride modellen zijn zeer nauwkeurig, met een RMSE (root mean square error) van minder dan 5%, vergeleken met 18-25% voor traditionele regressiemodellen. [4].
Wanneer meerdere gegevensstromen worden geïntegreerd, worden deze risicobeoordelingen nog scherper.
Meerdere gegevensbronnen combineren voor een volledig beeld
Geen enkele dataset kan een volledig perspectief bieden. AI verzamelt verschillende gegevens, waaronder fundamentele gebouwgegevens (zoals vloeroppervlak, leeftijd, isolatie en HVAC-systemen), operationele gegevens van slimme meters en gebouwbeheersystemen, onderhoudslogboeken van CMMS en contextuele factoren zoals weerpatronen en bezettingsroosters. Koolstofemissiegegevens en EUI-metingen (Energy Use Intensity) worden ook toegevoegd om de analyse te verrijken.
AI blinkt uit in het verwerken van inconsistente gegevens. Hybride ensemblemodellen combineren bijvoorbeeld hoogfrequente sensorgegevens van moderne gebouwen met schaarsere gegevens van oudere gebouwen. [6]. Dit is van cruciaal belang omdat oudere gebouwen ongeveer 1,65 keer gevoeliger zijn voor door het klimaat veroorzaakte veranderingen in de vraag naar energie in vergelijking met nieuwere, bijna-energieneutrale gebouwen. Tegen 2050 zal de energievraag naar verwachting stijgen met 199,1% in traditionele gebouwen tegenover 120,7% in efficiëntere gebouwen. [6]. AI helpt deze "klimaatbestendigheidskloof" te kwantificeren, waardoor vermogensbeheerders vroegtijdig gewaarschuwd worden voor potentiële financiële risico's.
Deze nauwkeurige screening legt de basis voor gerichte expertises.
AI als screeningshulpmiddel, niet als uiteindelijke beslisser
AI vervangt geen gedetailleerde audits, maar beperkt de aandacht tot bedrijfsmiddelen die grondiger moeten worden onderzocht. Deze aanpak houdt de kosten onder controle en zorgt er tegelijkertijd voor dat de technische expertise daar wordt ingezet waar deze het belangrijkst is.
"De waarde van AI ligt in het vermogen om de energievraagpatronen van gebouwen te leren en de energiedistributie te optimaliseren." - Ramya Ravichandar, Vice-President Product Management, Smart Buildings & IOT, JLL [1]
AI detecteert ook subtiele problemen zoals "onzichtbare degradatie". Het kan bijvoorbeeld een geleidelijke 2% wekelijkse toename van het energieverbruik vaststellen die tijdens routine-inspecties misschien niet wordt opgemerkt. [7]. Hoewel AI ingenieurs niet zal vervangen, zorgt het er wel voor dat hun inspanningen gericht zijn op gebieden waar aanpassingen en investeringen de meeste impact zullen hebben.
Wat AI-modellen nodig hebben om goed te werken
Kwalitatief hoogwaardige gegevens vormen de ruggengraat van elk AI-model dat tot doel heeft om gebouwen met een hoog risico te identificeren en prioriteit te geven aan investeringen in retrofit. De nauwkeurigheid en structuur van de invoergegevens bepalen rechtstreeks hoe betrouwbaar de resultaten van het model zullen zijn.
Kerngegevensinvoer voor AI-analyse
AI-modellen zijn gebaseerd op basisgegevens die de meeste gebouweigenaren al hebben, zoals:
- Activaregisters
- Energierekeningen
- Bouwkundige tekeningen
- Bezettingsschema's
- Logboeken voor onderhoud
Deze gegevenspunten vormen een basislijn voor het begrijpen van het energieverbruik, de operationele patronen en de onderhoudsgeschiedenis van een gebouw.
De toegang tot gedetailleerde gegevens varieert echter. Gebouwen met beperkte gegevens kunnen alleen basismaatregelen ondersteunen, zoals algemene aanbevelingen op basis van type, grootte en locatie (Tier 3-acties). Uitgebreide gegevens daarentegen maken preciezere, diepgaande analyses mogelijk, die de nauwkeurigheid van AI-voorspellingen aanzienlijk verbeteren. [3].
Zodra deze basisgegevens beschikbaar zijn, kunnen geavanceerde ingangen de analyse naar een hoger niveau tillen.
Geavanceerde ingangen die de nauwkeurigheid van het model verbeteren
Door meer gedetailleerde en specifieke gegevens toe te voegen, worden AI-voorspellingen scherper. Bijvoorbeeld:
- Weer-genormaliseerde energiegegevens: Verwijdert seizoensgebonden schommelingen en onthult zo de werkelijke rendementsverschillen.
- Conditiegegevens op componentniveau: Omvat meetgegevens zoals warmtedoorgangscoëfficiënt (U-waarden) voor muren en ramen, thermografische scans, leidingmateriaal en -leeftijd, en real-time IoT-sensorgegevens (bijv. trillingen, druk en stroomverbruik).
Wanneer AI multivariate IoT-signalen analyseert - zoals het vergelijken van de stroomafname van een compressor met de omgevingstemperatuur - kan het storingen detecteren weken voordat deze een defect veroorzaken. Sommige systemen kunnen zelfs problemen 3-6 weken van tevoren identificeren. [5][7][9]. Dit soort proactief onderhoud is alleen mogelijk met continue, granulaire en goed gelabelde gegevens.
Toch is het hebben van de juiste gegevens slechts een deel van de oplossing. Het juiste beheer van die gegevens is de sleutel.
Waarom datagovernance belangrijk is
Gegevens verzamelen is één ding, maar ervoor zorgen dat ze bruikbaar zijn, is een heel andere uitdaging. Zaken als inconsistente naamgeving, dubbele invoer en silo-systemen in meerdere gebouwen kunnen het vermogen van AI om betrouwbare inzichten te genereren in de weg staan. Zoals Schneider Electric Blog het stelt:
"Consistentie is net zo belangrijk als technische verfijning. Portefeuillebeslissers hebben zelden precieze, jaar-voor-jaar voorspellingen nodig... Wat ze nodig hebben is een betrouwbare manier om opties te vergelijken." [3]
Om AI-resultaten bruikbaar te maken - vooral als ze de basis vormen voor miljoenen kostende retrofitbeslissingen - moeten gegevens gecentraliseerd, gevalideerd en consistent geformatteerd worden. Zonder duidelijk gegevensbeheer kunnen zelfs de meest geavanceerde modellen resultaten produceren die moeilijk te vertrouwen of te implementeren zijn. [8].
Het opstellen van portfoliobrede datastandaarden is niet slechts een technische formaliteit; het is essentieel voor het ontsluiten van het volledige potentieel van AI. Beheerde gegevens vormen de basis voor AI-gestuurde inzichten die leiden tot effectieve en gerichte investeringen in retrofit.
AI-inzichten omzetten in een Retrofit-investeringsplan
Zodra AI gebouwen met een hoog risico aanwijst, is de volgende stap het omzetten van deze inzichten in praktische investeringsstrategieën.
Van portefeuillescreening tot scenariovergelijking
De gedetailleerde screening door AI levert een ranglijst van gebouwen op basis van risico, energieprestaties en geraamde kosten. Maar een ranglijst alleen leidt niet tot actie. Om de lijst bruikbaar te maken, moet u deze opsplitsen in niveaus: gebouwen die onmiddellijke aandacht nodig hebben, gebouwen die 2-3 jaar kunnen wachten en gebouwen waar kleine operationele aanpassingen voorlopig volstaan.
Maak vervolgens gebruik van scenariovergelijkingen om verschillende prioriteiten en tijdschema's voor retrofit af te wegen. AI-tools blinken uit in het stresstesten van deze scenario's aan de hand van realistische beperkingen, zoals budgetlimieten, CO2-reductiedoelen en aanvaardbare risiconiveaus. Dit proces helpt bij het verfijnen van beslissingen voordat de daadwerkelijke uitgaven beginnen, zodat er een duidelijk pad ontstaat naar een meerjarig CAPEX- en OPEX-model.
Meerjaren CAPEX- en OPEX-plannen opstellen
Scenariovergelijkingen leggen de basis voor een gedetailleerd stappenplan voor investeringen. Deze routekaart evalueert retrofitopties op meerdere vlakken, waaronder de intensiteit van het energieverbruik, rendement op investering (ROI), intern rendement (IRR), netto contante waarde (NCW) en verwachte CO₂-besparingen. Deze statistieken worden vaak gemodelleerd over een periode van 25 jaar of meer. [5].
Dit langetermijnperspectief is cruciaal. Zonder analyse van de levenscycluskosten kunnen retrofit-beslissingen op het eerste gezicht goedkoper lijken, maar na verloop van tijd tot hogere uitgaven leiden. De overgang van reactieve, noodreparaties naar een voorspellend investeringsmodel stabiliseert niet alleen budgetten, maar minimaliseert ook onaangename financiële verrassingen. Systemen die op deze aanpak zijn gebouwd, leveren vaak binnen 6-12 maanden ROI op. [10].
Platformen voor activabeheer gebruiken, zoals Oxand Simeo™
Platforms zoals Oxand Simeo™ overbrugt de kloof tussen AI-inzichten en uitvoerbare investeringsplannen. Met een uitgebreide bibliotheek van 10.000 verouderings- en energieprestatiemodellen en 30.000 onderhoudsacties, Oxand Simeo™ simuleert de degradatie van activa en interventiekosten - geen extra hardware of sensoren nodig [10].
Hier zijn twee voorbeelden van de doeltreffendheid ervan:
- In'li, Een Franse groep voor het beheer van woningen integreerde energieprestatiedoelstellingen in hun investeringsplanning met behulp van Oxand Simeo™. Hun hoofd budget en activawaardering legde uit:
"We hebben ons tot Oxand gewend omdat we een tool nodig hadden die ons een voorspellende - en niet alleen een corrigerende - blik zou geven en ons zou helpen onze investeringen effectiever te beheren. Oxand viel op door zijn mogelijkheden voor risicobeheer." [10]
- De Departement Meuse in Frankrijk had te maken met gefragmenteerde gegevens die verspreid waren over meerdere systemen. Door deze gegevens via Oxand Simeo™ te consolideren, creëerden ze duidelijke, toekomstgerichte investeringsprognoses. Hun algemeen directeur van diensten zei het volgende:
"We hadden een hulpmiddel nodig waarmee we de versnipperde gegevens die we hadden, konden consolideren en projecteren op een manier die duidelijk kon worden gepresenteerd aan onze gekozen ambtenaren, die de besluitvormers zijn." [10]
Beide voorbeelden laten zien hoe datagestuurde hulpmiddelen kortetermijnacties kunnen afstemmen op langetermijninvesteringsstrategieën, waardoor masterplannen ontstaan die zowel praktisch als toekomstgericht zijn.
Conclusie: Van AI een standaardonderdeel van retrofitplanning maken
Als het screenen van portefeuilles niet betrouwbaar is, geven eigenaren van gebouwen vaak geld uit aan bedrijfsmiddelen die geen onmiddellijke aandacht nodig hebben, terwijl kritieke bedrijfsmiddelen met een hoog risico blijven verslechteren. AI draait dit script om door een consistente en schaalbare manier te bieden om te bepalen waar interventies het grootste verschil zullen maken.
De cijfers bevestigen dit. Onderzoek toont aan dat AI-gestuurde beslissingskaders de prestaties kunnen verbeteren met wel 53% in vergelijking met traditionele retrofitplanningsbenaderingen [12]. Op grotere schaal kunnen organisaties die overstappen van reactief onderhoud op voorspellende, AI-geïnformeerde strategieën hun totale eigendomskosten met wel 30% na verloop van tijd [11].
AI blinkt ook uit in het beheren van de complexiteit van echte scenario's. Of het nu gaat om bedrijfsmiddelen met gedetailleerde meetgegevens of bedrijfsmiddelen met alleen basisinformatie - zoals het type gebouw, de grootte of de locatie - AI levert nauwkeurige resultaten over een breed scala aan omstandigheden. De kracht ligt in het consistent omgaan met diverse en complexe activaprofielen op schaal.
Gezien deze inzichten en de duidelijke voordelen van AI, is het duidelijk dat deze technologie een kernonderdeel van de retrofitplanning moet worden. In plaats van een eenmalige oplossing zou AI moeten dienen als een permanente intelligentielaag, die investeringsbeslissingen baseert op solide, door gegevens gestuurde inzichten. In combinatie met geïntegreerde tools voor activabeheer stelt AI gebouweigenaren in staat om eerder te handelen, middelen slimmer toe te wijzen en retrofitprogramma's te maken die jarenlang effectief blijven.
FAQs
Hoeveel gebouwgegevens heb ik nodig om AI-screening te laten werken?
De hoeveelheid gegevens die nodig is, varieert afhankelijk van de toepassing, maar over het algemeen zijn grote datasets de norm. Deze datasets omvatten vaak nutsgegevens, gebouwkenmerken, energieverbruik, weersinformatieen teledetectiebeelden. Er zijn bijvoorbeeld AI-tools gebruikt om faciliteiten te analyseren die maar liefst 40 miljoen vierkante meter beslaan. Door gebruik te maken van meetgegevens zoals intensiteit energieverbruik, koolstofemissiesen historische prestatie, kunnen deze tools nauwkeurige en bruikbare inzichten verschaffen.
Hoe kan ik AI-resultaten valideren voordat ik uitgaven doe voor retrofits?
Om er zeker van te zijn dat de AI-resultaten betrouwbaar zijn voordat u overgaat tot retrofits, moet u een paar belangrijke stappen nemen. Ten eerste onafhankelijke validatie van de capaciteiten van de AI. Controleer of de AI een succesvolle staat van dienst heeft met portefeuilles die vergelijkbaar zijn met de uwe. Transparantie is cruciaal, dus controleer of het meet- en verificatieproces (M&V) duidelijk en gemakkelijk te controleren is.
Vraag om referenties van gebouwen die vergelijkbaar zijn in grootte, type en locatie aan die van u. Het is ook belangrijk om de prestaties van de AI op meerdere locaties te beoordelen, niet alleen op één proefproject. Zo krijgt u een beter inzicht in de consistentie en betrouwbaarheid. Het belangrijkste is dat u ervoor zorgt dat alle besparingen worden ondersteund door een proces dat met vertrouwen kan worden gemeten en geverifieerd.
Hoe kunnen AI-ranglijsten worden omgezet in een budgetplan voor 3-5 jaar voor retrofit?
AI-ranglijsten bieden een slimme manier om een budgetplan voor 3 tot 5 jaar voor moderniseringen op te stellen door kritieke factoren zoals energie-efficiëntie, onderhoudsvereisten en CO2-voetafdruk te onderzoeken. Deze analyse helpt om vast te stellen welke gebouwen het meest behoefte hebben aan upgrades, zodat asset managers hun investeringen kunnen richten op die gebouwen die de grootste impact zullen hebben. Door een trapsgewijze strategie te gebruiken, kunnen acties in een logische volgorde worden georganiseerd, waarbij onmiddellijke verbeteringen worden afgewogen tegen langetermijndoelstellingen. Deze aanpak zorgt ervoor dat middelen effectief worden gebruikt, terwijl budgetten worden afgestemd op duurzaamheidsdoelstellingen.
Verwante Blog Berichten
- Snelle resultaten voor duurzaamheid: maatregelen met lage kapitaaluitgaven die uw portefeuille voorbereiden op grotere stappen
- Nationale renovatieplannen voor gebouwen: Hoe beleid om te zetten in een beleggingsstrategie
- Slechtst presterende gebouwen: Hoe u investeringen in een portefeuille kunt identificeren, beoordelen en faseren
- Hoe AI de decarbonisatie-investeringsplanning in gebouwenportefeuilles kan ondersteunen