Praktijkmeting in Ikazia Ziekenhuis: 25,7% minder energieverbruik zonder comfortklachten

Hoe kun je in een ziekenhuis aantonen dat een nieuwe manier van aansturen van klimaatinstallaties daadwerkelijk energie bespaart, zonder dat dit ten koste gaat van het comfort van patiënten en medewerkers? Het Ikazia Ziekenhuis in Rotterdam koos ervoor om dit niet te baseren op berekeningen of aannames, maar op een praktijkmeting. Door gedurende twee weken de situatie mét en zonder AI-gestuurde optimalisatie te vergelijken, ontstond een objectief beeld van het effect.

Project in één oogopslag

Een complex ziekenhuis vraagt om zorgvuldig gebouwbeheer

Het Ikazia Ziekenhuis is gevestigd in een gebouw dat dateert uit 1965 en in de loop der jaren meerdere keren is uitgebreid en verbouwd. Daardoor is een complexe installatie-infrastructuur ontstaan, waarbij verschillende bouwdelen technisch met elkaar zijn verbonden.

Volgens Harry van Linden, energiecoördinator en verantwoordelijk voor de gebouwbeheersystemen, lag de grootste uitdaging niet zozeer bij het oplossen van comfortklachten, maar bij de manier waarop instellingen zich in de praktijk ontwikkelen. “Je hebt te maken met beheerders die een klacht krijgen van een afdeling dat het een beetje koud is. Dan gaat er al snel een graad bij. Maar die graad blijft vervolgens staan totdat iemand weer klaagt dat het te warm is. Zo kun je onbedoeld energie verspillen zonder dat iemand het doorheeft.”

Door dit soort handmatige aanpassingen kunnen instellingen langzaam afwijken van wat op dat moment werkelijk nodig is. Zeker op voor- en najaarsdagen kan dat ertoe leiden dat een gebouw eerst wordt verwarmd en later op dezelfde dag weer gekoeld.

Van handmatig bijsturen naar geautomatiseerde optimalisatie

Om deze situaties te beperken, koos het Ikazia Ziekenhuis voor de inzet van AIMZ, AI-software die binnen het bestaande gebouwbeheersysteem (GBS) de aansturing van de klimaatinstallaties optimaliseert. Daarbij bleven de bestaande installaties en regeltechniek ongewijzigd; alleen de aansturing werd geautomatiseerd. In plaats van vaste instellingen te volgen, bepaalt de software op basis van onder meer de weersverwachting, historische gegevens en actuele meetwaarden hoeveel verwarming, koeling of ventilatie nodig is.

Binnen het GBS kreeg de software een hogere BACnet-prioriteit dan handmatige wijzigingen van beheerders. Daardoor konden automatische instellingen niet direct worden overschreven. Dat vroeg aanvankelijk om vertrouwen binnen de organisatie. Van Linden legt uit: “Ik wil eigenlijk gewoon dat het geautomatiseerd werkt en dat mensen er vertrouwen in hebben. Dat was best een risico, want je geeft een deel van de sturing uit handen. Maar als je wilt weten wat een systeem echt doet, moet je het ook de ruimte geven om zijn werk te doen.”

Medewerkers van de technische dienst werden stap voor stap meegenomen in deze werkwijze. Inmiddels heeft Van Linden dagelijks inzicht in wijzigingen binnen het gebouwbeheersysteem en is de aanvankelijke terughoudendheid verdwenen.

Geen aannames, maar een praktijkmeting

Voor Van Linden was één vraag doorslaggevend: levert deze manier van aansturen daadwerkelijk resultaat op? “Er kan wel gezegd worden dat je 10 tot 15 procent bespaart, maar ik wil weten wat het voor ons doet. Uiteindelijk was voor mij de belangrijkste vraag: gaan we hier straks het hele ziekenhuis mee uitrollen of niet? Dan wil ik zeker weten wat het resultaat is.”

Omdat het geselecteerde bouwdeel niet afzonderlijk werd bemeterd, werd gekozen voor een tijdelijke meetopstelling. Samen met een installateur werden zeven tijdelijke ultrasone energiemeters geplaatst op representatieve punten in het geselecteerde bouwdeel van ongeveer 5.600 m². Hierdoor kon het warmteverbruik van dit deel van het ziekenhuis afzonderlijk worden gemeten en vergeleken.

Vervolgens werd gedurende twee weken gemeten:

• één week met AI-gestuurde optimalisatie actief;
• één week met de optimalisatie uitgeschakeld.

Om weersinvloeden uit te sluiten, werden de resultaten gecorrigeerd volgens de KNMI-graaddagen-methodiek. Hierdoor konden verschillen in buitentemperatuur geen vertekend beeld van het energieverbruik geven.

De meting vond plaats in het voorjaar, een periode waarin het besparingspotentieel doorgaans het grootst is. Juist in de overgangsseizoenen kunnen buitentemperaturen gedurende de dag sterk veranderen. Zonder optimale regeling kan een gebouw dan bijvoorbeeld eerst worden verwarmd en later weer gekoeld. Door hierop te anticiperen kan het AI-model onnodig energiegebruik voorkomen. Deze meetopzet maakt het effect op het energieverbruik goed vergelijkbaar. Door dezelfde installatie onder vrijwel identieke omstandigheden mét en zonder optimalisatie te meten, kon het effect objectief worden vastgesteld.

Implementatie vroeg om technische voorbereiding

De implementatie verliep niet zonder uitdagingen. Binnen een ziekenhuis gelden hoge eisen aan netwerkbeveiliging en gegevensuitwisseling. Firewallinstellingen, netwerktoegang en datakoppelingen moesten zorgvuldig worden ingericht voordat gegevens veilig konden worden uitgewisseld. Daarnaast bleek het gekozen bouwdeel installatietechnisch complex en niet volledig via BACnet te ontsluiten. “De complexiteit van de installatie en dat firewallverhaal zijn de twee grootste struikelblokken geweest.”
De eerste module werd eind 2024 geplaatst. Eind december 2025 werd de AI-gestuurde optimalisatie daadwerkelijk live gezet op het eerste bouwdeel van ongeveer 5.600 m².

Meetresultaat: 2 5,7% minder warmteverbruik zonder comfortklachten

Na correctie voor graaddagen liet de praktijkmeting een duidelijk resultaat zien: het warmteverbruik in het gemeten bouwdeel lag 25,7% lager wanneer de AI-gestuurde optimalisatie actief was.

Minstens zo belangrijk was dat het AI-model gedurende de meetperiode binnen de vooraf afgesproken comfortbandbreedte bleef. De comfortbandbreedte bestaat uit de temperatuurgrenzen die de gebouweigenaar voor het gebouw heeft vastgesteld. Zolang de temperatuur binnen deze grenzen blijft, voldoet het gebouw aan de afgesproken comforteisen. Dat was tijdens de meetperiode het geval; er werden dan ook geen comfortklachten als gevolg van temperatuurafwijkingen geregistreerd. “Dat is precies wat je wilt bereiken: minder energieverbruik zonder dat medewerkers of patiënten daar iets negatiefs van merken.”

Het onderzochte bouwdeel vertegenwoordigt ongeveer 10% van het totale ziekenhuisoppervlak en circa 15% van de oppervlakte waarin klimaatregeling aanwezig is. Op basis van de meetresultaten verwacht Van Linden dat een volledige uitrol zich binnen ongeveer één tot anderhalf jaar kan terugverdienen. Daarbij is uitsluitend gekeken naar de besparing op warmte; eventuele besparingen op koeling zijn niet meegenomen.

Belangrijkste resultaten

• 25,7% minder warmteverbruik in het gemeten bouwdeel.
• Geen comfortklachten tijdens de meetperiode.
• Praktijkmeting uitgevoerd met zeven ultrasone energiemeters.
• Resultaten gecorrigeerd voor graaddagen.
• Verwachte terugverdientijd volledige uitrol: circa één tot anderhalf jaar.
• Berekening gebaseerd op warmtebesparing; mogelijke koelbesparing is niet meegenomen.

Vervolg: meer inzicht in afwijkingen

Na de eerste resultaten richt de aandacht zich op verdere ondersteuning van het gebouwbeheer. Van Linden ziet met name mogelijkheden in het automatisch signaleren van afwijkende patronen, bijvoorbeeld wanneer een klep defect is, een sensor onjuiste waarden doorgeeft of een installatie niet reageert zoals verwacht. “Dan wil je direct een melding krijgen dat er iets aan de hand is. Als een ruimte niet reageert zoals verwacht, kan dat ook waardevolle informatie zijn voor het beheer. Daar zit voor mij de volgende stap in slimmer en voorspelbaarder gebouwbeheer.”

Lessen voor andere zorginstellingen

• Meet het effect van energiemaatregelen waar mogelijk in de praktijk en niet uitsluitend op basis van berekeningen.
• Corrigeer meetresultaten voor weersinvloeden om een betrouwbare vergelijking te maken.
• Houd bij implementatie rekening met de ICT- en beveiligingseisen binnen zorgorganisaties.
• Automatisering kan helpen om ongewenste handmatige bijstellingen en oplopende instellingen te voorkomen.
• Betrek gebouwbeheerders actief bij de invoering van nieuwe werkwijzen om draagvlak te creëren.

Conclusie

De praktijkmeting in het Ikazia Ziekenhuis laat zien dat het mogelijk is om het energieverbruik aanzienlijk te verlagen zonder dat dit leidt tot comfortklachten. Door het effect objectief te meten met tijdelijke energiemeters en de resultaten te corrigeren voor graaddagen, ontstond een betrouwbaar beeld van de gerealiseerde besparing. Tegelijkertijd onderstreept de praktijkervaring dat een succesvolle implementatie niet alleen afhangt van techniek, maar ook van zorgvuldige voorbereiding, goede samenwerking en vertrouwen in een nieuwe manier van gebouwbeheer.

Bron: AIMZ