Med høykvalitets energidata bør du blant annet få svar på:
Skal du optimalisere strømforbruket i et bygg, er du nødt til å kunne identifisere strømdriverne. I dag måler mange kun hoveduttaket, altså det samlede forbruket.
Denne innsikten kan vise om du har et høy forbruk, men sier lite om hvorfor.
Ved hjelp av undermåling og flere datapunkter, gir god energidata deg innsikt du kan agere på. Det betyr at dataene ikke bare sier noe om hva energiforbruket er, men lar deg identifisere hvor i bygget eller på anlegget driverne befinner seg - om det er ventilasjonsanlegget, en vifte, varmtvannsberedere eller noe helt annet.
Denne innsikten muliggjør tiltak med større effekt for både strømforbruket og strømregningen.
Den vanligste oppløsningen på energidata i dag er timesverdier. Ikke bare skjuler timesverdier variasjoner og nyanser som man burde fanget opp; denne dataen kan gi direkte misvisende informasjon.
I grafen under kan du ser forskjellene på energidata med times- og minuttsoppløsning gjennom et døgn.
Med timesoppløsning ser det ut som om effekttoppen er litt under 200 kW litt før kl 9 - med minuttsoppløsning ser vi en topp på over 250 kW en halvtimes tid tidligere. Hvis du ønsker å redusere toppene, er det greit å vite når og hva de er.
Dersom du skal benytte dataene som grunnlag for å effektivisere eller automatisere drift, eller for å redusere energiforbruket ditt, ligger det mye mer å hente i data med høyere oppløsning. Du kan avdekke rutiner som skaper unødvenige topper, oppdage avvik som tyder på slitte deler og jobbe mer proaktivt med både drift og vedlikehold.
Les også: Preventivt vedlikehold ved hjelp av energidata.
Det er urovekkende mye feil i dataene som finnes i dag. Mye skyldes feil under installasjon, og noe skyldes slitt og dårlig måleutstyr.
Problemer med hardware, installasjon og dataoverføring kan medføre at 1 kWh ikke lenger blir målt som 1 kWh. Heldigvis er det mye som kan gjøres for å korrigere dette - så lenge du oppdager at målingene er feil. Og dette er kanskje hovedutfordringen.
Et godt system bør kunne korrigere for feil i installasjonen og levere prosessert data som stemmer selv om rådataene inneholder mangler.
|
Eksempel fra virkeligheten: Vi hentet ut data fra 125 eksisterende målere i et bygg, vasket og strukturerte dataen, før den ble levert i sanntid på API til kunden. Algoritmene våre oppdaget feil i dataene fra 10 av målerne, inkludert hovedmåler, og rekonstruerte det faktiske energiforbruket. |
I tillegg til at energidataen skal være høyoppløselig og korrigert for feil, må den også tilpasses endelig bruk.
Det betyr at dataen ikke bare gjennomgår standard kvalitetskontroll, men også at den prosesseres og struktureres med metadata og topologi til sitt spesifikke formål. Med andre ord, det du får av umiddelbar informasjon, er det du er mest opptatt av å måle - i den oppløsningen som gir mening for ditt bruk.
Les mer om driftoptimalisering ved hjelp av energidata.