PrivateFlex

Door de flexibiliteit van honderden huishoudapparaten te combineren, worden verschillende demand-side management- of DSM-strategieën mogelijk. Voorbeelden hiervan zijn vraagrespons, energiehandel of ondersteunende diensten. Dit betekent echter dat gebruikers hun beschikbare lokale flexibiliteit met de aggregator moeten delen, waar ze dan voor worden beloond. Niet iedereen is echter bereid om zijn energiegegevens bekend te maken, waardoor privacy een groot obstakel is om meer huishoudelijke flexibiliteit voor demand response in te zetten.

Flexibiliteit inzetten is echter niet mogelijk zonder data. De energievraag van gebruikers hangt sterk samen met hun gedrag, wat veel onzekerheden met zich meebrengt voor de beschikbare flexibiliteit. Bovendien kan lokale flexibiliteit ook verkregen worden uit heterogene bronnen, waardoor de complexiteit van het probleem toeneemt. Hoewel gegevens privé moeten blijven, moeten we op zijn minst onzekerheden kunnen vastleggen.

Het PrivateFlex-project wil deze problemen aanpakken door gebruik te maken van cryptografische algoritmen zoals berekening via gecodeerde gegevens (COED) om flexibliteitsgegevens lokaal en privé te houden, terwijl tegelijkertijd de flexibiliteit op een geaggregeerd niveau kan worden verhandeld. Bovendien is het tweede doel om flexibiliteit beter te karakteriseren door middel van machine learning (ML) technieken, zowel op lokaal als op geaggregeerd niveau.

Dit project zal zorgen voor kosteneffectieve oplossingen die privacykwesties en onzekerheid aanpakken, om er uiteindelijk voor te zorgen dat vraagsturing wordt geïmplementeerd in woongebouwen. De hele waardeketen wordt in het consortium vertegenwoordigd door toonaangevende industriële partners die actief zijn in Vlaanderen.