Datadinsdag Energielabels Header Breed

#DataDinsdag: Energielabels

In het Klimaatakkoord hebben we een heleboel afspraken gemaakt om de uitstoot van broeikasgassen tegen te gaan. Eén 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 energielabels hier efficiënt voor in te zetten. 

Laaghangend fruit

Als er doelen zijn om bepaalde wijken te verduurzamen, dan is het goed om te weten waar het ‘laaghangend fruit’ 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.

Energielabels Per Pand

Energielabels per pand

Energielabels

Om de duurzaamheid van een pand of adres te bepalen zou je naar het energieverbruik kunnen kijken. Maar een goed geïsoleerde woning kan ook een hoger energieverbruik hebben dan een slecht geïsoleerde woning, als door het 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 ‘goed’ of ‘slecht’ dat object scoort in termen van duurzaamheid: het energielabel. Hierbij is A++++ het meest duurzaam, en G het minst. Het label geeft onder andere aan hoe goed een woning geïsoleerd is en hoe 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.

Machine learning

Er is alleen een probleem: 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 wél bekend is, gebruiken we om een algoritme te ‘trainen’. We gebruiken hiervoor dus Machine Learning. 

Relevante data

Hierbij is het ten eerste van belang om data te gebruiken die wél landelijk bekend zijn én 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 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. 

Jasper Arends

Meer weten?

Jasper Arends (rondje)

Neem gerust contact met ons op.
Jasper is onze expert op dit gebied.

Mail ons!

Het resultaat

Het resultaat is een 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 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 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 isolatie of de aanleg van warmtenetten

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.  

Afb Demo Geodan Maps

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. 

De energielabel feitjes:

  • Sinds 2008 is bij de verkoop, verhuur en oplevering van woningen een geldig energielabel verplicht. Zo’n label is 10 jaar geldig en mag alleen door een gecertificeerde energielabelaar toegekend worden.
  • Ruim 90% van de verkopers voldoet aan deze plicht. De overige 10% riskeert een boete van €170,- (particulieren) of €340,- (organisaties). Energielabels kunnen worden gebruikt voor het identificeren van geschikte woningen voor het terugdringen van warmtevraag of het benutten van omgevingswarmte (geothermie, restwarmte, aquathermie, e.d.). 
  • 4 op de 10 Nederlanders weet niet welk energielabel zijn of haar woning heeft. Weet jij dit ook niet? Je kunt het vinden op www.ep-online.nl.
  • In het Bouwbesluit van 2012 is bepaald dat per 1 januari 2021 alle kantoren in Nederland minimaal energielabel C moeten hebben. Wanneer een gebouw hier niet aan voldoet mag het niet langer als kantoor gebruikt worden. Wij mogen blijven, ons kantoor in Amsterdam heeft label A en in Den Bosch label B. 
  • In 2015 is het vaststellen van energielabels voor woningen sterk vereenvoudigd. Het wordt nu berekend door 10 vragen te beantwoorden op een website van de overheid.