Sähkönkulutus kuriin datan avulla
Viimeistään Eurooppaa ravisutteleva energiakriisi on saanut yritykset, kunnat ja yksityishenkilöt kiinnostumaan energian säästöstä. Nousseet energiakustannukset luovat painetta investoinneille ja uudet sähkösopimukset ovat enenevässä määrin sidottuja tuntipohjaiseen markkinahintaan. Data-analytiikka antaa työkaluja energiankulutuksen optimointiin ja kestävän kehityksen tavoitteet luovat mahdollisuuksia edelläkävijöille.
Data-analytiikalla merkittäviä kustannussäästöjä
Mikä on hiilijalanjälkeni? Miksi kulutus on nousutrendissä? Mikä vaikutus investoinnilla tai muilla säästötoimilla on ollut? Yksinkertaisimmillaan data-analyysi on datan visualisointia ja tutkimusta, eksploraatiota. Jo kulutuksen nykytilanteen tiedostaminen verrattuna edeltäviin vuosiin saattaa paljastaa tutkimisen arvoisia asioita.
Datan tarkastelu päivä- tai tuntitasolla tuo usein esiin huomionarvoisia ilmiöitä ja mahdollistaa esimerkiksi eri viikonpäiville muodostetut kulutusprofiilit. Tällaisista profiileista on helppo todeta poikkeavat kulutukset ja lämmitysenergian tapauksessa jopa päätellä toimiiko ilmanvaihto halutulla tavalla. Tuntitasoisesta datasta on pääteltävissä myös huipputehot, joista esimerkiksi kaukolämpöyhtiöt johtavat liittymän perusmaksun.
Tunnistamalla kulutuspiikit ja niiden syyt voidaan löytää erilaisia keinoja leikata kulutusta hetkellisesti huipputehon laskemiseksi ja perusmaksun pienentämiseksi.
Vertailukelpoinen, rikastettu data tuottaa tarkkaa tietoa kulutuksesta
Kulutusdatasta saadaan tarkempaa analyysia, jos sitä voidaan rikastuttaa muilla tietolähteillä. Tällaisia tietolähteitä ovat esimerkiksi kiinteistöihin asennetut erilaiset olosuhdetta mittaavat IoT-laitteet, kuten lämpötila-, kosteus- ja ilmanlaatuanturit. Lisäksi voidaan huomioida rakennuksen käyttöastetta mittaavat järjestelmät, kuten esimerkiksi käyttöveden mittaus sekä laitekohtaiset energiamittaukset.
Erityisesti tutkittaessa lämmitysenergiaa, on ulkolämpötilan tuominen analyysiin ehdottoman tärkeää. Datan normalisointi lämpötilan avulla tekee eri vuodenaikoina ja eri lämpötilassa tehdyt mittaukset vertailukelpoisiksi. Laadukas data luo pohjan edistyneelle analytiikalle.
Ennustusmalleilla kaikki teho irti analytiikasta
Koneoppimisalgoritmit vievät data-analytiikan seuraavalle tasolle. Esimerkiksi lineaarisen regressioanalyysin avulla voidaan luoda rakennuksen kulutusta ennustava malli.
Tarkasteltaessa yksittäistä kohdetta kulutusta selittäviä tekijöitä ovat esimerkiksi ulko- ja sisälämpötila, tuulisuus, auringon säteily ja vuodenaika sekä rakennuksen energiankulutus historiassa. Ennustemalli on hyödyllinen esimerkiksi poikkeamien havaitsemiseen, sillä äkillinen muutos (=ero mallin ennusteeseen) käyttäytymisessä saattaa paljastaa energiaongelman, kuten ilmanvaihdon ongelmat tai virheellisesti säädetyn huonelämpötilan.
Kysyntäjouston optimoinnilla kiinni uusiutuvaan energiaan
Ulkolämpötilan selittävänä tekijänä sisältävä malli on useimmiten myös käypä väline kulutuksen ennustamiseen lämpötilaennusteiden avulla tai säästölaskelmien simulointiin. Regressiomalli saattaa antaa esimerkiksi hyvän arvion siitä, mikä säästöpotentiaali on, jos selittäviä tekijöitä kuten sisälämpötilaa muutetaan. Regressiomallilla on myös suuri rooli laskettaessa esimerkiksi kysyntäjoustopotentiaalia.
Kysyntäjoustolla tarkoitetaan energian tuotannon ja kulutuksen välistä tasapainottelua, jossa pyritään siirtämään kulutus korkean hinnan tunneilta matalan hinnan tunneille tai yleisesti madaltamaan huipputehoja hetkellisesti. Kysyntäjousto mahdollistaa tehokkaamman tavan hyödyntää päästövapaata, uusiutuvaa energiaa.
Tarkka data investoinnin tueksi
Aurinkopaneelien suosio on kasvussa ja etenkin energian kallistuessa aurinkopaneelien kannattavuus nousee samassa suhteessa. Nykyään tarjolla on monenlaisia laskureita, mutta niillä kaikilla on yhtäläinen heikkous: ne eivät suhteuta tuotantoa rakennuksen kulutusprofiiliin tai ota huomioon kiinteistön mahdollista kysyntäjoustoa.
Epätarkan laskennan lopputuloksena saatetaan tehdä päätös väärän kokoisesta investoinnista tai investointi jätetään tekemättä liian pessimistisen hyötyarvion vuoksi. Historiakulutukseen perustuva arvio antaa parhaan lopputuloksen, mutta vaatii työtä.
Skaalautuva, moderni data-alusta tiedolla johtamisen avuksi
Edellä esitetyt asiat ovat vain pintaraapaisu mitä data-analytiikalla voidaan energiasektorilla saavuttaa ja parhaaseen lopputulokseen päästään yhdessä asiakkaan kanssa syväluotaamalla todelliset tarpeet ja ideoimalla yhteisesti. Datan suuri määrä ja sen heterogeenisyys luovat haasteita data-alustalle ja asiakastarpeisiin sopivaa, valmista avain käteen -pakettia markkinoilta on vaikea löytää.
Veracellilla olemme erikoistuneet erilaisiin pilvipohjaisiin tietoallasratkaisuihin: pystymme toimittamaan skaalautuvan kokonaisuuden sisältäen integraatiot eri järjestelmiin ja kokoamaan yhteen energian päämittausdatan, IoT-sensoreiden tuottaman datan ja esimerkiksi ulkolämpötilan käyttäen viimeisimpiä teknologioita ja työkaluja. Modernin pohjaratkaisun päälle on hyvä rakentaa tiedolla johtamisen työkalu ja se luo pohjan tehdä edistyksellistä data-analytiikkaa.
