黑料福利网

鈥淧as bij de start van dit project begon ik de ingewikkelde wisselwerking tussen radiatortypes, warmtepompen, isolatie en ventilatie in onze huizen te waarderen, en hoe dit ons energieverbruik in huis be茂nvloedt鈥�, zegt Lisanne Havinga.

Havinga 鈥� die universitair docent is in de Building Performance-groep van de faculteit Built Environment, een rol die ze combineert met een managementadviesfunctie bij Common Futures 鈥� is de drijvende kracht achter de Renovatieverkenner-tool.

鈥淗et is een hulpmiddel voor huiseigenaren om beter en gemakkelijker inzicht te krijgen in duurzame renovatieopties voor hun woningen, die hen geld kunnen besparen en kunnen leiden tot een comfortabelere en duurzamere levensstijl in de toekomst鈥�, zegt Havinga.

Overweldigend proces

Sinds 2022 werken Havinga en haar medewerkers binnen en buiten 黑料福利网 aan de Renovatieverkenner-tool, die actueel is gezien de kwetsbaarheid van onze individuele energiebehoeften, en de kosten van wereldwijde energiecrises veroorzaakt door geopolitieke onrust.

鈥淗uiseigenaren kunnen hun langetermijnkosten verlagen door hun huis te renoveren, maar met zoveel renovatieopties kan het voor veel mensen een overweldigend proces zijn鈥�, zegt Havinga. 鈥淲e willen huiseigenaren een hulpmiddel bieden om deze beslissingen te nemen.鈥�

Roel Loonen, universitair hoofddocent in de Building Performance-groep van de faculteit Built Environment, werkte ook aan het project. In de loop van het project nam Loonen de rol van Havinga over tijdens haar zwangerschapsverlof.

鈥淗uidige tools om renovatieopties voor een huis te analyseren, vereisen veel tijd van de huiseigenaar. Daarnaast richten bestaande tools zich op het beoordelen van opties voor eenmalige renovatie. Maar er zijn zoveel mogelijkheden en ze be茂nvloeden elkaar allemaal. De tool Renovatieverkenner verandert dit volledig,鈥� zegt Loonen.

De explorer-trigger

Havinga heeft levendige herinneringen aan de aanleiding voor het renovatieproject.

鈥淎ls onderdeel van de onderhandelingen over het klimaatakkoord van 2018 onderzocht ik manieren om de duurzame renovatie van Nederlandse woningen op te schalen. Tijdens de gesprekken werd mij gevraagd: 'Wat moeten we doen om ervoor te zorgen dat 100.000 voorgestelde woningrenovaties kosteneffectief en van hoge kwaliteit zijn?' Er volgden lange discussies, en hieruit ontstond het idee voor het Renovatieverkenner-project.鈥�

Het idee leidde tot een projectvoorstel van Havinga dat uiteindelijk werd goedgekeurd door de Rijksdienst voor Ondernemend Nederland, en 鈧�3 miljoen ontving. V贸贸r de goedkeuring moest Havinga de overheid ervan overtuigen dat het project levensvatbaar was en een goed idee.

鈥淚n 2019 kregen we 鈧�30.000 en drie maanden om een prototype te bouwen. Dat lukte. In 2020 bouwden we vervolgens in acht maanden een tweede succesvol prototype met een financiering van 鈧� 100.000. Daarna lanceerden we in de zomer van 2021 de aanbesteding in samenwerking met partners TNO en Smart Twin. In april 2022 zijn we met het project begonnen.鈥�

Dynamisch hulpmiddel

Deze week onthullen Havinga, Loonen en hun medewerkers de Renovatieverkenner-tool tijdens het congres De Renovatieverkenner op 4 juni bij de 黑料福利网. Maar wat is er anders aan deze tool vergeleken met andere hulpmiddelen voor huiseigenaren?

鈥淒e meeste gereedschappen gebruiken statische maand- of jaarlijkse gemiddelden. Ze zijn goed in het berekenen van je maandelijkse stookrekening, maar dingen als luchtkwaliteit, netbelasting en gebruikersgedrag zijn niet statisch. Ze zijn dynamisch鈥�, legt Havinga uit. 鈥淒us de Renovatieverkenner-tool is een dynamisch hulpmiddel.鈥�

Huidige tools doorzoeken een database op basis van postcode en huisnummer. Die tools identificeren het bouwjaar en het type huis, bijvoorbeeld een rijtjeshuis, en gebruiken het gemiddelde rijtjeshuis uit dat jaar om renovatieaanbevelingen te geven. 鈥淚n werkelijkheid zijn geen twee rijtjeshuizen hetzelfde, maar onze tool stelt de gebruiker in staat om het exacte verwarmingssysteem en de kenmerken van het huis in te voeren鈥�, vertelt Havinga.

Tot slot houdt het hulpmiddel ook rekening met huishoudelijk gedrag. 鈥淪ommige mensen zijn nauwelijks thuis en energiebewust, terwijl anderen de hele dag thuis zijn en hun verwarming 24/7 laten draaien. Gebruikers kunnen hun gedrag invoeren, zoals de kamers die ze verwarmen of dat ze 's nachts de ramen in hun slaapkamer openlaten鈥�, merkt Havinga op.

Wat zit er achter de tool?

Dus, wat zit er achter de Renovatieverkenner-tool?=

鈥淓chte natuurkunde met behulp van machine learning鈥�, zegt Loonen. 鈥淗et is gebaseerd op een geavanceerde energiebalanssimulatie die belangrijke bouwfysica bevat, zoals de principes van warmteoverdracht. We gebruiken het fysicamodel om de prestaties te beoordelen van een breed scala aan scenario's die worden gebruikt om het machine learning-model te trainen. Daarna kan de tool op een normale laptop worden gebruikt!鈥�

Tijdens een demo voor dit verhaal doorzocht de tool meer dan een biljoen renovatiepakketten voor een rijtjeshuis!

Het meest verrassende aspect is dat maar weinig scenario鈥檚 nodig zijn om een model te trainen dat toch meer dan een biljoen scenario鈥檚 nauwkeurig kan voorspellen voor uiteenlopende woningen en gebruikers.鈥�

鈥淲e hebben slechts ongeveer 350.000 scenario's nodig uit biljoenen om het model te trainen. Ik moet toegeven dat ik het een beetje moeilijk heb met de kleine omvang van dit trainingsnummer鈥�, zegt Havinga. 鈥�Alexis Cvetkov-Iliev 鈥� een postdoctoraal onderzoeker en machine learning-expert van de afdeling Wiskunde en Informatica 鈥� maakt deel uit van het team. Ik heb hem meerdere keren uitgedaagd door te vragen: 'Is 350.000 simulaties echt genoeg?'鈥�

Sterker nog, het trainen van het model met veel meer scenario's verbetert de nauwkeurigheid van het model niet significant. 鈥淒e 350.000 scenario's geven een nauwkeurige voorspelling van de biljoenen scenario's鈥�, zegt Havinga. 鈥淎lexis heeft me hiervan overtuigd!鈥�

Voor Loonen pakt het hulpmiddel een toegangsongelijkheid aan. 鈥淢achine learning-modellen, zoals die achter de Renovatieverkenner-tool, zijn normaal gesproken alleen beschikbaar voor experts. Ons doel is om deze tool voor iedereen beschikbaar te maken, en je hoeft niets te weten over hoe machine learning-modellen werken.鈥�

Verkenning gaat door

De Nederlandse regering kondigde in april 2026 aan dat zij projectontwikkelingen zal blijven financieren. 鈥淶e willen dit op grotere schaal uitrollen, een buurtmodel voor gemeenten ontwikkelen en het model de capaciteit geven om de koelbehoefte, energieopslagtechnologie毛n en slimme besturing van systemen te onderzoeken鈥�, zegt Havinga.

Met de extra steun van de overheid zullen Havinga, Loonen en de rest van het team de volgende stappen in het project zetten, waar ze op 1 juli mee beginnen.

鈥淭egen het einde van dit jaar of begin volgend jaar wil de overheid een model dat op een overheidswebsite kan worden ge茂mplementeerd. En er zullen tv- en mediacampagnes zijn om mensen in Nederland aan te moedigen de website te bezoeken en onze tool te gebruiken. Ik moet toegeven dat dat een geweldige uitkomst is!鈥�

Wereldwijde impact

Voor een wereldwijde impact wil Havinga dat het model internationaal wordt.

鈥淲e hebben eerst EU-brede adoptie van dit instrument nodig. In het verleden heb ik dat al verkend, maar de laatste tijd ben ik te druk geweest met de ontwikkeling van het nationale model. Mijn oproep is aan iedereen om mee te werken aan de uitrol hiervan binnen de EU en daarbuiten.鈥�

Uiteindelijk wil Havinga dat de Renovatieverkenner-tool zoveel mogelijk mensen helpt.

鈥淗oewel de angst rond een energiecrisis niet wenselijk is, kan die huishoudens wel bewuster maken van het belang van een goede renovatie met behulp van onze tool.鈥�

Op die manier hoop ik dat de afhankelijkheid van fossiele brandstoffen afneemt en dat mensen op een duurzame manier in hun energiebehoefte kunnen voorzien. En daarin kan de Renovatieverkenner-tool een enorme impact hebben,鈥� zegt Havinga.