Uten presise data blir det vanskelig å ta gode beslutninger, oppfylle regulatoriske krav eller identifisere muligheter for effektivisering. Feil i energidata kan virke som en liten detalj, men konsekvensene kan være store.
I denne artikkelen ser vi nærmere på de vanligste feilene vi møter – og hva du kan gjøre for å håndtere dem.
En typisk feil vi ser, er det som kalles flatlines. Dette skjer når en måler slutter å oppdatere måleverdiene, og bare gjentar siste verdi – litt som hakk i plata. Konsekvensen er at grafen blir helt flat over en periode. Årsaken kan for eksempel være at man har mistet kontakt med måleren.
Utfordringen med flatlines er at man ikke kan være sikker på at det er en feil, og at de kan skjule hva som faktisk skjer. Var det en faktisk hendelse, som at et system ble skrudd av, eller er det en teknisk feil? Hvis slike verdier forblir i datasettet, kan de forvrenge beregninger og analyser, spesielt når akkumulatorverdier påvirkes.
Løsningen er å slette de gjentatte verdiene og basere seg på den siste korrekte registreringen. Når måleren igjen begynner å sende riktige verdier, vil dataene vise et plutselig hopp. I disse tilfellene kan interpolering – altså å fylle inn verdier basert på mønsteret før og etter feilen – være en god tilnærming.
En annen utfordring er det vi kaller datahull, altså perioder hvor det ikke finnes data i det hele tatt. Disse hullene kan oppstå av flere grunner, som nettverksfeil, strømbrudd eller manuelle inngrep som ikke ble gjenopprettet riktig.
Datahull kan skape store problemer, spesielt hvis man er avhengig av kontinuerlige data for analyser, rapportering eller dokumentasjon. Når informasjon mangler, blir det rett og slett umulig å få oversikt over energiforbruket, oppdage ineffektivitet eller oppfylle krav som EUs CSRD.
For å unngå dette bør man ha systemer på plass som kan oppdage og varsle om avvik raskt, samtidig som redundans i datainnsamlingen kan sikre at verdifulle data ikke går tapt.
Den siste feilen, som ofte dukker opp i energidata, er spikes. Dette er høye, feilaktige verdier som plutselig dukker opp i grafene. Årsakene til at spikes oppstår kan være mange, og ofte er det vanskelig å avdekke hvorfor de oppstår. Resultatet er en graf som ser dramatisk ut, og som ikke gjenspeiler virkeligheten.
Slike feil kan føre til overestimert forbruk og gi feil beslutningsgrunnlag, for eksempel når man skal fordele kostnader eller evaluere energitiltak.
For å unngå spikes er det viktig å bruke systemer som kan flagge unormale verdier og korrigere dem før de påvirker resten av analysen.
Har du data du ønsker å få gjennomgått og verifisert? Book en prat med en av våre rådgivere, så hjelper vi deg i gang!
Så hvordan kan du som eiendomsaktør unngå disse problemene i fremtiden? Forebygging er nøkkelen.
Datakvalitet handler om mer enn bare å samle inn informasjon – det handler om å sikre at dataene gir mening og kan brukes til å ta riktige beslutninger.
Ved å forstå og adressere vanlige feil som flatlines, datahull og spikes, kan du legge et solid grunnlag for å utnytte dataene fullt ut.