{"id":79937,"date":"2024-12-11T13:46:44","date_gmt":"2024-12-11T12:46:44","guid":{"rendered":"https:\/\/www.sogelink.com\/?p=79937"},"modified":"2024-12-11T13:50:32","modified_gmt":"2024-12-11T12:50:32","slug":"datadinsdag-energielabels","status":"publish","type":"post","link":"https:\/\/www.sogelink.com\/nl\/nieuws\/datadinsdag-energielabels\/","title":{"rendered":"#DataDinsdag: Energielabels"},"content":{"rendered":"
\n
\n
\n

#DataDinsdag: Energielabels<\/strong><\/h2>\n

In het Klimaatakkoord hebben we een heleboel afspraken gemaakt om de uitstoot van broeikasgassen tegen te gaan. E\u00e9n stap hierbij is om tot 2030 1,5 miljoen bestaande woningen te verduurzamen. Dat gaat wijk voor wijk. Maar het blijkt nog niet zo gemakkelijk te zijn om goede beslissingen te nemen over welke wijken en woningen wel of niet verduurzaamd moeten worden. In deze DataDinsdag vertellen we je meer over hoe wij een manier vonden om data over energie labels hier effici\u00ebnt voor in te zetten.<\/p>\n

Laaghangend fruit<\/h4>\n

Als er doelen zijn om bepaalde <\/span>wijken te verduurzamen, dan is het goed om te weten waar het \u2018laaghangend fruit\u2019 hangt. Oftewel, bij welke woningen je met een minimale aanpassingen een zo hoog mogelijke verduurzaming kunt behalen. Het eerste wat je dus wilt weten is hoe duurzaam de woningen op dit moment zijn.<\/span><\/p>\n

\"Energielabels

Energielabels per pand<\/em><\/p><\/div>\n

\u00a0<\/p>\n

Energielabels<\/h4>\n

Om de <\/span>duurzaamheid van een pand of adres<\/span> te bepalen zou je naar het energieverbruik kunnen kijken. Maar een goed ge\u00efsoleerde woning kan ook een hoger energieverbruik hebben dan een slecht ge\u00efsoleerde woning, als door het <\/span>gedrag van de bewoners simpelweg veel meer energie wordt verbruikt. Dat geeft dus geen goed beeld. Gelukkig is er al iets slims bedacht om per gebouw te bekijken hoe \u2018goed\u2019 of \u2018slecht\u2019 dat object scoort in termen van duurzaamheid: het <\/span>energielabel. Hierbij is A++++ het meest duurzaam, en G het minst. Het label geeft onder andere aan hoe goed een woning <\/span>ge\u00efsoleerd is en hoe <\/span>zuinig installaties zijn, dit wordt vastgesteld door een energieadviseur. Dit label is een mooie plek om te beginnen in de zoektocht naar kansrijke locaties voor verduurzaming van gebouwen.<\/span><\/p>\n

Machine learning<\/h4>\n

Er is alleen een probleem: <\/span>voor maar 60% van alle adressen in Nederland is het energielabel bekend. Dat is een goed begin, maar niet voldoende om effectief te zoeken naar doelgebieden voor een verduurzamingsbeleid. Daarom hebben we gezocht naar een manier om voor al die woningen, waarvan het energielabel nog niet bekend is, een goede inschatting te maken van het mogelijke energielabel. Het deel van de adressen waarvan het energielabel w\u00e9l bekend is, gebruiken we om een algoritme te \u2018trainen\u2019. We gebruiken hiervoor dus <\/span>Machine Learning.<\/p>\n

Relevante data<\/h4>\n

Hierbij is het ten eerste van belang om data te gebruiken die w\u00e9l landelijk bekend zijn \u00e9n <\/span>relevante verklarende waarden hebben. Om per adres te weten of mensen graag ijs eten zou interessant zijn voor de route van de ijscoman, maar helpt ons niet in de zoektocht naar het juiste energielabel. Het moet dus data zijn waaruit je zou kunnen afleiden hoe duurzaam een gebouw is. Uit onze analyse bleek dat er een heleboel gebouwkenmerken zijn die samenhangen met het energielabel. Denk aan het bouwjaar, woonoppervlak en schiloppervlak. Deze laatste is het oppervlak van de woning dat aan de buitenlucht is blootgesteld. Om deze te bepalen kwam onze <\/span>3D gebouwen dataset weer om de hoek kijken. Zo zijn we stap voor stap gekomen tot een algoritme dat een zo goed mogelijke voorspelling van het energielabel geeft.<\/span><\/p>\n

\n
\n

Het resultaat<\/h4>\n

Het resultaat is een <\/span>landsdekkende dataset met gemodelleerde energielabels op zowel pand- als adresniveau. Uit een vergelijking van de modelresultaten met de gegevens van vastgestelde labels blijkt dat de <\/span>nauwkeurigheid van het model zeer hoog is. Dit onderzoek wordt binnenkort door de VU gepubliceerd. Het blijft een voorspelling en is daarom minder geschikt voor individuele analyse op adresniveau. Maar de gegevens lenen zich juist goed voor berekeningen per buurt, wijk of straat. Doordat we het BAG ID gekoppeld hebben aan de data kun je ook waardevolle analyses doen door de gemodelleerde labels te combineren met andere datasets. Door ze te <\/span>combineren met gegevens over gebruik kun je identificeren waar veel winst voor verduurzaming te behalen is. Een wijk waar veel wordt gestookt en energielabels laag zijn, zou potentieel zeer geschikt kunnen zijn voor <\/span>isolatie of de aanleg van <\/span>warmtenetten. <\/span><\/p>\n

Zolang er nog geen landsdekkende energielabels zijn dragen we met deze dataset graag bij aan het verbeteren van onze plannen op het gebied van duurzaamheid. En daarbij geldt, hoe meer gecertificeerde labels beschikbaar komen, hoe nauwkeuriger de voorspellingen zullen worden.<\/span><\/p>\n

\"Afb

Naast energielabels hebben we nog veel meer datasets verzameld die je kunt bekijken. De viewer laat in een overzichtelijke kaartweergave zien waar de kansen liggen voor het opwekken van energie in de bebouwde omgeving.<\/em><\/p><\/div>\n

\u00a0<\/p>\n

De energielabel feitjes:<\/h4>\n