Mijn interesse in slimme woningen begon niet in onze huidige woning.
In ons vorige appartement begon het vrij eenvoudig met Philips Hue, een paar sensoren en een Raspberry Pi met PoE HAT waarop Domoticz draaide. Via een P1-meter hield ik tegelijkertijd het energiegebruik bij.
Dat was toen vooral interessant omdat ik wilde zien wat er gebeurde en apparaten automatisch wilde laten reageren op simpele voorwaarden. Licht aan als het donker werd, inzicht in het actuele stroomverbruik en steeds wat meer logica tussen losse apparaten.
Inmiddels zijn we jaren verder. Onze huidige woning bevat veel meer sensoren, energiemeters, zonnepanelen, elektrische verwarming, een elektrische boiler en allerlei apparaten die niet alleen afzonderlijk slim moeten zijn, maar ook rekening met elkaar moeten houden.
En juist doordat ik al jarenlang data verzamel, ontstaat nu iets wat ik in het begin helemaal niet had: een goede historische basis om te bepalen wat in onze woning normaal is, wat afwijkend is en wat het systeem redelijkerwijs kan verwachten.
Van hobbydomotica naar serieus meten en sturen
Tussen die eerste Domoticz-opstelling en wat er nu thuis draait, heb ik ook professioneel veel ervaring opgedaan met slimme gebouwen en gebouwautomatisering.
Ik werkte met sensoren, slimme verlichting, regelaars, zonwering en koppelingen met gebouwbeheersystemen. Daarbij ging het niet alleen om iets automatisch laten schakelen, maar vooral om meten, analyseren, afstellen en zorgen dat een systeem ook logisch blijft reageren wanneer omstandigheden veranderen.
Die manier van denken is thuis steeds belangrijker geworden: eerst begrijpen wat er gebeurt, daarna pas automatiseren.
Home Assistant werd de centrale laag
In onze huidige woning nam Home Assistant uiteindelijk de centrale rol over. Losse apparaten leveren informatie aan één omgeving en kunnen daardoor veel beter samenwerken.
De klimaatregeling weet wat de temperaturen in verschillende ruimtes doen. De zonnepanelen geven hun productie door. De P1-meter laat zien wat er van en naar het net gaat. De boiler, airco’s, infraroodpanelen, ventilatie en andere grote verbruikers kunnen binnen hun eigen grenzen worden aangestuurd.
Daarmee verschuift de vraag van “kan ik dit apparaat automatisch aanzetten?” naar “is dit op dit moment ook de slimste keuze voor de hele woning?”
Dat verschil is veel groter dan het misschien klinkt.
Die 30% vraagt wel om nuance
In het interview met Energieloket Veenendaal wordt genoemd dat we inmiddels ongeveer 30% op onze energiekosten besparen.
Dat betekent nadrukkelijk niet dat ons totale energieverbruik simpelweg 30% lager is geworden door één slim systeem te installeren.
Een deel van de winst komt uit efficiënter gebruik en betere regeling. Een ander deel ontstaat doordat energiegebruik wordt verplaatst naar gunstiger momenten. Een vaatwasser die draait wanneer de zonnepanelen veel produceren, gebruikt nog steeds energie. Alleen komt een groter deel daarvan rechtstreeks van ons eigen dak in plaats van uit het net.
Hetzelfde geldt voor warm water. Als de boiler op een gunstig moment extra warmte kan opslaan met eigen zonnestroom, verdwijnt het verbruik niet. Het wordt slimmer gepland.
De genoemde 30% is daarom voor mij vooral een resultaat van het totaalplaatje: meten, beter regelen, onnodig gebruik voorkomen, eigen zonnestroom slimmer benutten en verbruik verschuiven waar dat zonder verlies van comfort kan.
Daarbij is het ook geen universeel percentage dat ik op een andere woning zou plakken. Iedere woning, installatie, gezinssituatie en energiemix is anders.
Jaren aan data maken nu een groot verschil
Een van de grootste voordelen van al die jaren meten is dat ik inmiddels niet vanaf nul hoef te beginnen wanneer ik een slimmere regeling bouw.
Er is al historische informatie over onder andere energiegebruik, zonneproductie, temperaturen, opwarm- en afkoelgedrag en het werkelijke gebruik van verschillende apparaten.
Daardoor kan ik veel beter bepalen wat een normale situatie is.
- Hoe snel warmt een ruimte meestal op bij een bepaalde buitentemperatuur?
- Hoe lang blijft de boiler boven een bruikbare temperatuur?
- Hoeveel zonneproductie is op vergelijkbare dagen gebruikelijk?
- Wanneer ontstaan de grootste pieken in het stroomverbruik?
- Hoeveel ruimte is er normaal gesproken om een groot verbruiker uit te stellen?
- Wanneer wijkt het gedrag van een apparaat ineens af van wat eerder normaal was?
Dat is belangrijk, want machine learning wordt niet ineens nuttig omdat je er het label AI op plakt. Zonder goede data kan een model hooguit heel overtuigend gokken.
De ML-laag bestuurt Home Assistant niet blind
De volgende stap is daarom een aparte machine-learninglaag die historische en actuele data analyseert en advies geeft aan Home Assistant.
Ik wil bewust niet dat een model rechtstreeks zonder grenzen apparaten gaat schakelen. Home Assistant blijft de uitvoerende en controlerende laag.
De ML-laag kan bijvoorbeeld adviseren dat het waarschijnlijk slim is om de boiler nog even te laten wachten, omdat later op de dag meer zonneproductie wordt verwacht en de watertemperatuur nog voldoende marge heeft.
Of dat een ruimte eerder moet beginnen met verwarmen omdat de historische data laat zien dat die ruimte bij de huidige buitentemperatuur langer nodig heeft om op temperatuur te komen.
Home Assistant kan zo’n advies vervolgens toetsen aan harde voorwaarden. Is er voldoende warm water? Is een comfortgrens bereikt? Draait er al een ander beschermd programma? Is de meetdata betrouwbaar? Pas daarna wordt er daadwerkelijk iets aangestuurd.
De ML-laag probeert te voorspellen en adviseren. Home Assistant bepaalt binnen vaste grenzen wat er daadwerkelijk mag gebeuren.
Dat onderscheid vind ik belangrijk. Een voorspelling mag helpen om een betere keuze te maken, maar veiligheid, comfort en voorspelbaar gedrag horen niet afhankelijk te worden van één modeluitkomst.
Van reageren naar vooruitkijken
Veel domotica werkt reactief. Als waarde X boven grens Y komt, gebeurt actie Z.
Dat blijft nuttig en zal ook niet verdwijnen. Alleen kan historische data helpen om eerder te reageren.
Als het systeem weet dat de woonkamer onder vergelijkbare omstandigheden gemiddeld langzaam afkoelt, hoeft de verwarming niet bij iedere kleine temperatuurdaling direct te reageren. Als het juist weet dat een koude verdieping lang nodig heeft om op temperatuur te komen, kan eerder starten logischer zijn.
Voor zonne-energie geldt hetzelfde. Alleen kijken naar het actuele overschot is beperkt. Als de verwachting is dat de productie over een uur veel hoger ligt en een apparaat prima kan wachten, kan wachten gunstiger zijn. Als een deadline dichterbij komt, moet het systeem juist stoppen met wachten op het perfecte moment.
Ook een thuisbatterij moet zich eerst bewijzen
Die historische data gebruik ik ook om naar een mogelijke thuisbatterij te kijken.
Een batterij klinkt al snel logisch wanneer je zonnepanelen hebt, maar de relevante vraag is hoeveel extra waarde zo’n batterij in onze specifieke situatie werkelijk toevoegt.
Als een deel van het overschot al kan worden benut door de boiler, wasmachine, vaatwasser of andere flexibele verbruikers slimmer te plannen, blijft er minder energie over die per se via een batterij verschoven hoeft te worden.
Bij de berekening kijk ik daarom niet alleen naar hoeveel we terugleveren, maar ook naar hoeveel daarvan praktisch bruikbaar zou zijn voor opslag, hoeveel cycli realistisch zijn, welke verliezen optreden en wat de investering daar tegenover zet.
Op basis van de huidige situatie komt daar voor onze woning nog geen overtuigende financiële reden uit om direct een thuisbatterij te plaatsen. Dat is nadrukkelijk een momentopname. Prijzen, tarieven, regelgeving en ons eigen energieprofiel kunnen veranderen.
Comfort blijft het uitgangspunt
Het doel is niet om onze woning zo zuinig mogelijk te maken ten koste van alles.
Warm water moet beschikbaar zijn wanneer we het nodig hebben. De temperatuur moet prettig blijven. Een gestart wasprogramma moet gewoon worden afgerond. En als het systeem ooit moet kiezen tussen een theoretisch goedkoper energiemoment en een duidelijk comfortprobleem, dan hoort comfort te winnen.
Juist daarom vind ik de combinatie van vaste regels en een adviserende ML-laag interessant. De harde grenzen blijven voorspelbaar, terwijl de keuzes binnen die grenzen steeds slimmer kunnen worden.
Van Philips Hue naar een woning die steeds meer context begrijpt
Als ik terugkijk naar die eerste Raspberry Pi met Domoticz, Philips Hue, een paar sensoren en de P1-meter, is het principe eigenlijk hetzelfde gebleven.
Ik wil weten wat er gebeurt, begrijpen waarom het gebeurt en techniek gebruiken om daar praktisch iets mee te doen.
Alleen is de hoeveelheid context inmiddels enorm gegroeid.
Waar vroeger een losse sensor een lamp aanzette, combineert het systeem nu energiegegevens, temperaturen, zonneproductie, apparaatstatussen, comfortgrenzen en historische patronen. De volgende stap is dat de ML-laag daar adviezen uit haalt waarmee Home Assistant binnen duidelijke grenzen nog beter kan sturen.
En daar zit voor mij uiteindelijk de interessantste ontwikkeling: niet een huis vol slimme apparaten, maar een woning waarin apparaten steeds beter als één systeem samenwerken.
Wie meer wil lezen over hoe de energiesturing technisch is opgebouwd, kan verder bij Home Assistant en energie. Het eerdere verhaal over de aanleiding staat in onze energierekening en slimmer energiegebruik, gevolgd door mijn plan voor één samenwerkend energiesysteem.
Dit blijft een persoonlijk praktijkproject. Ik blijf meten, testen en aanpassen zodra de praktijk laat zien dat iets beter kan.