Energie-optimalisatie voor cold storage met ML

Goedkope uren die onbenut bleven

Deze cold storage locatie is een grote energieverbruiker met een contract waarin de prijs per uur verschilt — soms fors. In theorie een kans om flink te besparen: koel intensiever tijdens goedkope uren, minimaliseer koeling tijdens dure uren. In de praktijk moet dat wel binnen strikte grenzen: productveiligheid en temperatuurbanden staan niet ter discussie, en koelcapaciteit, isolatie, productmassa en buitentemperatuur beïnvloeden elkaar voortdurend.

De vraag die overbleef: hoe profiteer je maximaal van goedkope energie-uren zonder ooit de productveiligheid in gevaar te brengen?

1. Eerst een model van de energiehuishouding

Ik begon met een model dat de fysische realiteit beschrijft: de warmteopname door de producten (thermische massa), de koelcapaciteit en het energieverbruik van de installaties, en de koelvereisten van de verschillende producten. Dit model voorspelt hoe temperatuur en energieverbruik zich ontwikkelen onder verschillende strategieën.

2. ML-clustering van energieprijsprofielen

De bestaande besturing had geen mogelijkheid om dagelijks een nieuwe strategie te berekenen, dus koos ik een andere route. Met machine learning clusterde ik historische data — energieprijzen en temperaturen — tot een set representatieve "dagtypen". Voor elk dagtype kon ik een vaste strategie ontwikkelen die wél in de bestaande besturing te programmeren was.

De clustering liet duidelijke patronen zien: een verschil tussen week- en weekenddagen, seizoensinvloeden (zomer, winter, voor- en najaar) en zelfs weersinvloeden zoals zonnige versus winderige dagen.

3. Optimalisatie-algoritme per cluster

Voor elk herkend dagtype bepaalt het optimalisatie-algoritme wanneer intensief te koelen (tijdens goedkope uren), wanneer koeling te minimaliseren (tijdens dure uren), welke temperatuurbandbreedte op welk moment te gebruiken, en hoe "koude te bufferen" — de temperatuur naar het koudste toegestane punt brengen, zodat je daarna een langere periode zonder actieve koeling kunt overbruggen als de prijzen hoog zijn. Het algoritme houdt rekening met alle operationele grenzen en maximaliseert de besparing daarbinnen.

4. Strategie-implementatie

Omdat het koelsysteem niet geschikt was voor real-time aansturing, stelde ik de strategieën per dagtype vooraf vast. Die geoptimaliseerde regels konden vervolgens gewoon in de bestaande besturingssystemen worden ingeladen.

Technische aanpak

Het systeem combineert een fysisch model (thermodynamische berekeningen voor het temperatuurverloop), machine learning (clustering voor dagtype-herkenning) en optimalisatie-algoritmes voor de strategiebepaling. Alles gebouwd in Python.

Deze case laat vooral zien dat je geen nieuwe installatie nodig hebt om te onderzoeken of er energie te besparen valt. Optimaliseren is makkelijker met moderne, real-time aanstuurbare systemen, maar die investering is niet altijd meteen mogelijk. Juist bij oudere machines vergt het wat meer creativiteit om toch iets te vinden — en het project zelf is leerzaam: het geeft inzicht in de optimalisatiemogelijkheden die van pas komt zodra een toekomstige investering wél aan de orde is.