Solar Monkey gebruikt AI om de prestaties van systemen te voorspellen en installateurs te melden wanneer er iets mis is.

Wat is AI?

Kunstmatige intelligentie (A.I.) komt in vele vormen. De populaire gedachte is dat machines binnenkort  ‘denken als mensen’. Een computer zou kunnen redeneren, plannen, leren en onze taal bevatten.

Er zijn zelfs mensen die geloven dat kunstmatige intelligentie in de toekomst dat van ons mensen voorbij zal streven. Zo ver is het nog niet, maar ondertussen zijn er vormen van AI, zoals machine learning, die relatief eenvoudige taken van de mens kan overnemen.

Wat is machine learning en hoe gebruikt Solar Monkey dit?

Machine learning is een vorm van AI waarbij men software algoritmes bouwt  die kunnen leren van data om beter te presteren.

Machine learning wordt veelal al toegepast waar genoeg data beschikbaar is en er patronen of oordelen gemaakt moeten worden. Aan de hand van Machine Learning algoritmes wordt de inhoud van Social Media beoordeeld en worden frauduleuze transacties opgespoord door banken. Maar het zou ook kunnen met de opbrengst van zonnepanelen. Want ook daar is er een grote hoeveelheid data en de noodzaak om dit te beoordelen.

En daar hebben wij als Solar Monkeys veel van: opbrengst data uit jouw systemen. 

Het oordeel wat we moeten vellen is als volgt: presteren jouw systemen naar behoren? Ofwel: wijkt de daadwerkelijke opbrengst niet te veel af van de verwachte opbrengst?

Hoe voorspellen we de opbrengst van jouw systemen nu?

Ons research team, geleid door Jaap Donker, maakte in samenwerking met de TU Delft een analytisch model wat de fysische eigenschappen van zonnepanelen en omvormers beschrijft. Hierbij worden benchmark studies en industriestandaarden vertaald naar berekeningen van pv systemen in de praktijk.

Analytische modellen zijn dus gebaseerd op de fysische eigenschappen van de componenten. Hoe een zonnepaneel reageert op instraling en temperatuur, bijvoorbeeld.

Deze eigenschappen worden gecombineerd in het algoritme waar de voorspelling uitkwam waar het allemaal om draait: de verwachte  hoeveelheid kilowattuur op een gemiddelde  dag.

Wanneer we de voorspellingen van het model (op basis van de daadwerkelijke instraling) naast de gemeten opbrengst van een systeem leggen, kunnen we een uitspraak doen over het functioneren van het systeem.

Verschillen tussen het model en de werkelijkheid zullen er altijd zijn. Wanneer het verschil tussen de geobserveerde en de verwachte prestaties te groot is, zijn er twee conclusies mogelijk: er zit een te grote onnauwkeurigheid in het model, of er is iets mis met het systeem.

Die eerste conclusie willen we natuurlijk voorkomen.

We willen dat onze installateurs alleen een bericht krijgen als er écht iets mis is. 

Daarom zetten we de enorme hoeveelheid data in voor een machine learning model wat daarmee nauwkeuriger kan voorspellen dan de analytische modellen. Zo kunnen we straks met grotere zekerheid een uitspraak doen over het functioneren van een zonnesysteem.

Hoe voorspellen we opbrengst straks met AI?

We bouwen nu aan een machine learning model. Dit wordt gebruikt om dezelfde vraag te beantwoorden: “Doet mijn systeem wat je zou verwachten?” Het recept is als volgt:

We gebruiken de opbrengstdata die uit jouw systemen komt om te kijken hoe systemen moeten presteren.

Deze vorm van machine learning wordt ook wel “supervised” machine learning genoemd. Dit houdt in dat we al de juiste antwoorden (opbrengst in kWh) hebben op dagen waarvan we ook de omstandigheden (instraling, systeemeigenschappen) weten.

Het leren van het model, ook wel trainen genoemd, is een iteratief proces waarbij het model steeds beter wordt in het vinden van de juiste vertaling van de omstandigheden naar de antwoorden. Doordat we over veel data kunnen beschikken, is er veel ruimte voor het model om goed te trainen. Je kunt het vergelijken met veel lesuren maken op school of veel trainingsuren op het sportveld. Bij ons worden deze trainingsuren begeleid door onze collega Rohi.

Het trainen duurt niet eindeloos, maar er zal een punt bereikt worden dat het model niet meer beter gaat presteren na elke iteratie. Dan wordt het tijd om te bepalen of je de gewenste prestatie hebt bereikt en of dat genoeg is om het model toe te passen in de praktijk.

We denken een model te hebben ontwikkeld dat betere prestaties kan leveren dan het analytische model en willen dit voor het einde van het jaar operationeel hebben. Dan kunnen we de prestaties van jouw systemen daarmee analyseren.

Maar hoe weten we dan of we succesvol zijn?

We zijn succesvol als we nauwkeuriger zijn.

Als ons ML model de daadwerkelijke opbrengst nauwkeuriger kan voorspellen, en er minder vaak naast zit, heb jij een betrouwbaar hulpstuk om te weten of je systeem naar behoren presteert.

We hebben een evaluatieperiode van ongeveer een jaar. Zo pakken we alle seizoenen mee, en kunnen we eerlijk zeggen of de nieuwe, AI-gestuurde methode nauwkeuriger is dan de oude.

Hoe ziet de toekomst eruit?

De markt ontwikkelt zich over de jaren naar een grotere aftermarket. Daarbij is foutdetectie erg belangrijk. Jouw klanten willen immers blijven profiteren van hun investering, en zullen bellen als de opbrengst terug loopt.

Daarom krijgen onze installateurs te maken met steeds grotere servicekosten wanneer systemen ouder worden. Deze willen we minimaliseren door met grote zekerheid te kunnen zeggen wanneer er écht iets fout is.

Uiteindelijk hopen we onze installateurs steeds geavanceerdere diensten te kunnen bieden  – zodat ze meer tijd kunnen besteden aan de missie die we allemaal delen: huishoudens verduurzamen en zonne-energie de standaard maken.

Heb jij ook de ambitie om groter te worden? Wij helpen je vooruit! Probeer eens een gratis webinar.

Jan Pieter, Chief Monkey

Meld je aan voor de nieuwsbrief en blijf op de hoogte

    Waar wacht je nog op?

    Sluit je aan bij de honderden installateurs
    die al zorgeloos de zon verkopen.

    Gratis proberen