| Hjem | sygdom | Fødevarer | Sundhed | familie | Fitness | 
  • Tre Kraftfuld elregning analysemetoder til Energy manager

    ABSTRACTUtility Bill Tracking systemer er i centrum af en effektiv energistyring program. Men nogle organisationer bruge tid og penge at sammensætte en elregning tracking system og aldrig høste nogen værdi. Dette papir præsenterer tre elregning analyse teknikker, som energi-ledere kan bruge til at nå frem til holdbare energi ledelsesbeslutninger og opnå cost savings.INTRODUCTIONUtility regningen tracking og analyse er i centrum af strenge energistyring praksis. Pålidelige energistyring beslutninger kan træffes på grundlag af analyser fra et effektivt elregning tracking system. Fra din elregning kan du bestemme: - uanset om du er at spare energi eller øge dit forbrug, - hvilke bygninger bruger for meget energi, - om din energi plejeindsats lykkes, - om der er forbrugsberegningssystem eller målerfejl og - når brug eller måling anomalier forekomme (dvs. når brugsmønstre ændring) Ethvert energi management program er ufuldstændigt, hvis det ikke spore regninger. Ligeledes er nogen energi management program gøres mindre effektive, når dens anvendelighed tracking system er vanskeligt at bruge eller ikke giver værdifulde oplysninger. I begge tilfælde er frugtbare muligheder for energibesparelser lost.Many praktiske energiløsninger ledere gør det smarte valg og investere i utility bill tracking software, men så undlader at inddrive deres oprindelige investering i energibesparelser muligheder. Hvordan kunne det være? Dette papir introducerer tre enkle og nyttige procedurer, der kan udføres med elregning tracking software. Bare udføre og handle på de første to typer af analyser vil sandsynligvis spare dig penge nok til at betale for din elregning tracking system i det første år. De tre emner er Benchmarking, Load Factor Analysis og vejr Normalisering som vist i tabel 1.BENCHMARKINGLet 's antage, at du var den nye energi manager i ansvaret for en portefølje af skolebygninger til et distrikt. På grund af manglende ressourcer, kan du ikke bruge din opmærksomhed på alle skoler på samme tid. Du skal vælge en håndfuld skoler til at eftersyn. For at identificere disse skoler har størst behov for din opmærksomhed, en af ​​de første ting, du kan gøre, er at finde ud af, hvilke skoler var at bruge for meget energi. En simpel sammenligning af den samlede årlige Utility brugt Omkostningerne ville identificere de bygninger, der bruger mest på energien, men ikke hvorfor. Som det ses i figur 1, koste Santa Rosa Elementary School (ES), San Simeon ES og San Gabriel ES mest at betjene, mens San Luis Obispo ES og Creston ES koste mindst. Men disse tre skoler kan ikke være de bedste skoler til at arbejde på først. Mest sandsynligt de bygninger, der tilbringer mest om energi er de største bygninger i porteføljen. Det ville være klogere at finde de bygninger, der tilbringer mest per kvadratfod om året. Denne proces kaldes som benchmark og er præsenteret i figur 2.. Figur 2 viser de samme skoler, men omkostningerne er opdelt kvadratmeterantal (SQFT). Santa Rosa og San Simeon ES er stadig de bedste mål, men San Gabriel ES er faktisk en af ​​de mere effektive skoler. I stedet San Luis Obispo ES er den tredje mest ødsle skole på en $ /SQFT basis. Fra dette, kan vi også se, at de mest ineffektive skoler koste omkring 30% mere at drive end den mest effektive schools.Benchmarking forskellige kategorier af BuildingsWhen benchmarking, er det også nyttigt at kun sammenligne lignende faciliteter. For eksempel, hvis du kiggede på en skole distrikt og sammenlignet alle bygninger med $ /SQFT vil du måske opdage, at de teknologicentre administrationsbygninger var øverst på listen, da administrationsbygninger og teknologicentre ofte har flere computere og er mere energi intensivt end grundskoler og børnehaver. Disse resultater forventes og ikke nødvendigvis hensigtsmæssigt. Af denne grund, kan det være klogt at bryde dine bygninger i kategorier, og derefter benchmark blot én kategori ad gangen. Forskellige DatasetsYou kan benchmarke dine bygninger mod hinanden (som vi gjorde i vores eksempel) eller mod offentligt tilgængelige databaser af lignende bygninger i dit område. Energy Star Portfolio Manager kan du sammenligne dine bygninger mod andre i din region. Måske sådanne bygninger i dine porteføljer, kiggede de mest uøkonomiske er stadig i top 50. percentil af alle lignende bygninger i dit område. Det ville være nyttigt at know.Occasionally, ledelse beslutter, at deres organisation har brug for at spare nogle vilkårlige procentdel (5%, 10% osv.) på utility omkostninger hvert år. Afhængig af målet, kan dette være ganske udfordrende, hvis ikke umuligt. Energi ledere kan bruge benchmarking til at vejlede ledelse i at sætte realistiske energistyring mål, som vist i figur 3.. For eksempel kan vores skoledistrikt energiansvarlig beslutte at oprette et mål, at de tre mest energiforbrugende skoler bruger kun $ 0.80/SQFT. Da dette er omtrent lige så meget som de laveste energiforbrugende skoler i øjeblikket bruger, kan dette være et opnåeligt mål. Hvis du kan finde et datasæt, kan du også være i stand til at benchmarke dine bygninger mod et sæt af tilsvarende bygninger i dit område og se den række af muligheder for dine bygninger. Under alle omstændigheder vil benchmarking fokusere din energi management indsats og give realistiske mål for fremtiden. Regler for ThumbNew energiansvarlige ofte søge efter en "tommelfingerregel" for at bruge for benchmarking. Et eksempel kunne være: "Hvis din bygning bruger mere end $ 2/SQFT/Year så har du et problem." Desværre vil dette ikke fungere. Forskellige typer af bygninger har forskellige energiintensitet. Desuden vil forskellige bygningstyper steder kræver forskellige mængder af energi til opvarmning og afkøling. I San Francisco, hvor temperaturerne er konsekvent i 60'erne er der næsten ingen kølebehov for mange bygningstyper, mens der i Miami, vil bygningerne næsten altid kræver køling. Forskellige bygningstyper, med deres karakteristiske energiintensiteterne, forskellige vejrforhold sites, og forskellige utility satser alle sammen at gøre det svært at have tommelfingerregler for benchmarking. Dog kan energiansvarlige, hvis porteføljer er alle tæt ved, udvikle deres egne tommelfingerregler. Disse regler vil højst sandsynligt ikke kunne overføres til andre energiansvarlige på forskellige steder med forskellige bygningstyper, eller ved hjælp af forskellige hjælpeprogram configurations.Benchmarking Bygninger i Different LocationsThere er nogle komplikationer forbundet med benchmarking. Antag, at du var den energi leder af en butikskæde, og du havde bygninger i forskellige nationale placeringer. Derefter benchmarking måske ikke være nyttigt i samme forstand. Ville det være fair at sammenligne en San Diego butik til en Chicago butik, når det er altid den rigtige temperatur udenfor i San Diego, og altid for varmt eller for koldt i Chicago? The Chicago butik vil tiden være opvarmning eller afkøling, mens San Diego butikken måske ikke har mange opvarmning eller afkøling behov. Sammenligning på $ /SQFT måske hjælpe med at beslutte, hvilken butik placeringer er dyrest at betjene på grund af høje nytte satser og forskellige varme og køling needs.Some energi analytikere benchmark hjælp kBtu /SQFT at fjerne effekten af ​​nytte satserne (erstatter $ med kBtu). Nogle vil tage det et skridt videre ved hjælp kBtu /SQFT /HDD for at fjerne effekten af ​​vejret (tilføjelse HDD), men at tilføje HDD (eller CDD) ikke er en retfærdig måling, da den forudsætter, at al brug er forbundet med opvarmning. Denne måling tager heller ikke højde for køling (eller opvarmning) behov. Mange tankevækkende energiansvarlige genert væk fra benchmarking, der involverer CDD eller HDD.Different Benchmarking UnitsAnother populær benchmarking metode er at bruge kBtu /SQFT (per år), snarere end $ /SQFT (per år). Ved at bruge energi enheder frem omkostningerne, "tommelfingerregler" kan oprettes, som ikke er ugyldiggjort med hver renteforhøjelse. Hertil kommer, at de forskellige omkostninger ved forskellige utility satser ikke blande sig i comparison.Benchmarking SummationBenchmarking er en enkel og bekvem praksis, der tillader energi ledere til hurtigt at vurdere den energimæssige ydeevne i deres bygninger blot ved at sammenligne dem mod hinanden ved hjælp af en relativ (og relevant) målestok. Bygninger størst behov for energi management praksis er let fremhævet. Rimelige energiforbrug mål let bestemmes for problemet buildings.LOAD FACTOR ANALYSISOnce du har identificeret, hvilke bygninger, du ønsker at gøre mere effektiv, kan du bruge Load Factor Analysis til at koncentrere din energi management fokus mod at reducere energiforbruget eller reducere demand.What Belægningsprocent isLoad Factor er almindeligt beregnes ved faktureringsperiode, og er forholdet mellem gennemsnitlig efterspørgsel og peak (eller afmålt) efterspørgsel. Gennemsnitlig efterspørgsel er den gennemsnitlige timeløn draw i fakturering periode. Hvad belastningsfaktor MeansHigh belastningsfaktorer (større end 0,75) repræsenterer målere, der har næsten konstante belastninger. Udstyr sandsynligt ikke slukkes om natten og spidsbelastning (i forhold til off peak forbrug) er lav. Lav belastningsfaktorer (mindre end 0,25) hører til målere, der har meget høj spidseffekt trækker i forhold til resten af ​​prøven. Disse målere kan være forbundet med chillere eller elvarme udstyr, der er slukket for det meste af dagen. Lav belastningsfaktorer kan også være forbundet med bygninger, der slukker næsten alt udstyr under ikke-driftstimer, såsom elementære schools.Load Faktorer større end 1 er teoretisk umuligt, men synes lejlighedsvis på utility regninger. Isolerede tilfælde af meget høje eller lave belastningsfaktorer er normalt en indikator for måling errors.Using lastfaktorerne at analysere din portefølje af BuildingsOnce du har beregnet Load Factor, kan du begynde at høste nyttige oplysninger. Figur 5 viser reelle data fra et skoledistrikt i Georgien. Bemærk, at maj 2003 regningen for Houston MS er over 100% - dette er naturligvis en måling eller data-entry fejl. Den tykke stiplede linie i figur 5 repræsenterer den gennemsnitlige Belægningsprocent. Bemærk, at den gennemsnitlige Load Factor på alle skoler har en tendens til at stige i de vintre, og drop i kølingssæsonen. Det står til grund, som daglige loadshapes bliver mere "peaky" i kølingssæsonen reaktion på eftermiddagens kølebehov, mens i fyringssæsonen, da skolerne er opvarmet med gas, de daglige loadshapes tendens til at flade ud. En skole, Tyler MS, konsekvent har en meget lavere belastningsfaktor end de andre (svæver konstant omkring 20%). Lav belastningsfaktorer kan tilskrives enten meget høje spidsbelastninger eller meget lave belastninger i andre timer. I dette tilfælde kan vi ikke bebrejde Belægningsprocent problem på "sløj" kølebehov, da problemet eksisterer hele året. En sandsynlig årsag kan være, at Tyler MS gør et bedre stykke arbejde på at standse al belysning og andet udstyr natten end de andre skoler. En skole (Jackson MS) har typisk en højere belægningsprocent end de andre skoler. En årsag kan være, at belysning, HVAC og andet udstyr kører længere arbejdstid end på Tyler MS.A god energi manager ville undersøge, hvad bygningen operationel adfærd bidrager til de lave load factor værdier (og dermed relativt høj efterspørgsel) til Tyler MS, og ville undersøge, hvorvidt efterspørgslen kan være nedsat. Spørger om, hvorvidt Jackson MS slukke udstyr natten er også advisable.Figure 6 præsenteres belastningsfaktorer for nogle elementære skoler i Californien. Da lastfaktorer er så lave, fremgår det, at belysning og HVAC-udstyr er ved at blive slukket på night.Load Factor Regler for ThumbLoad Factor analyse er en kunst, ikke en videnskab. Forskellige bygningstyper (dvs. skoler, kontorer, hospitaler, osv.) vil have forskellige load factor intervaller. Da hospitaler kører mange områder 24 timer i døgnet, kunne man forvente højere belægningsprocent end for skolerne, som kan slukke stort set alt om natten. Også mange ting bidrager til en bestemt bygnings Load Factor. En bygning til venstre på 24 timer i døgnet kan stadig have en lav Load Factor, hvis der er store toppe hver måned - for eksempel en 20 seng hospital, der har et planlagt MRI lastbil besøg en gang hver måned. MR efterspørgslen er stor, og kan i høj grad påvirke Belægningsprocent af en lille facility.Like Benchmarking, kan du bestemme dine egne tommelfingerregler for dine bygninger, dog vil din vifte af acceptable belastningsfaktorer variere baseret på bygningstype og klima. Tommelfingerregler kan ikke være så hjælpsomme. Ligesom Benchmarking, skal bare identificere de bygninger med usædvanligt høje og lave belastningsfaktorer, i forhold til de andre bygninger i porteføljen, blive sufficient.Load Factor SummationLoad Factor kan bruges til at identificere fakturering og måling fejl, bygninger, der ikke vender off udstyr og bygninger med mistænkeligt høje krav. Mens Benchmarking kan identificere bygninger mest tilbøjelige til at give store energieffektivitet udbetalinger kan Load Factor Analysis pege på let løst planlægning og måling issues.WEATHER NORMALIZATIONAnother vigtig elregning analysemetode er at normalisere regninger til vejret. Vejret Normalisering tillader energiansvarlig at afgøre, om anlægget er at spare energi eller øget energiforbrug, uden at bekymre sig om vejret variation. Antag en energi leder erstattet den eksisterende kølet vandsystemet i en bygning med et mere effektivt system. Han sandsynligvis ville forvente at se energi-og omkostningsbesparelser fra dette eftermontering. Figur 7 præsenterer resultater energi-manager kan expect.But hvad hvis man i stedet, de regninger præsenterede katastrofen vist i figur 8. Et kvart million dollar eftermontering er svært at retfærdiggøre med resultater, som denne. Og alligevel, den energi lederen ved, at alt i eftermontering gik som planlagt. Hvad forårsagede disse resultater? Klart den energi leder kan ikke præsentere disse resultater uden anden grund eller begrundelse. Ledelsen kan bare se på tallene, og da tallene ikke lyver, konkluderer at de har hyret den forkerte energi manager! Der er mange grunde til eftermontering måske ikke har leveret de forventede besparelser. En mulighed er, at projektet leverer besparelser, men sommeren efter eftermontering var meget varmere end sommeren før eftermontering. Varmere somre betyde højere klimaanlæg belastninger, som typisk resulterer i højere regninger. Hotter Summer -> Højere Aircondition Load -> Højere Sommer Utility BillsIn andre ord det nye udstyr virkelig spare energi, fordi det var at arbejde mere effektivt end det gamle udstyr. Tallene viser ikke dette, fordi denne sommer var så meget varmere end sidste sommer. Hvis vejret virkelig var årsagen til den højere forbrug, så hvordan kan du nogensinde bruge regninger til at måle besparelser fra energieffektive projekter (især når du kan lave undskyldninger for dårlige resultater, ligesom vi lige gjorde)? Din opsparing numre ville være prisgivet af vejret. Besparelser numre ville være af nogen værdi overhovedet (medmindre vejret var det samme år efter år). Vores eksempel kan forekomme en smule overdrevet, men det rejser spørgsmålet: Kunne vejret virkelig sådan indvirkning på besparelser numre? Det kan, men normalt ikke til denne ekstreme. Sommeren 2005 var det varmeste sommer i et århundrede journalføring i Detroit, Michigan. Der var 18 dage ved 90degF eller derover i forhold til de sædvanlige 12 dage. Desuden blev den gennemsnitlige temperatur i Detroit 74.8degF forhold til den normale 71,4 degF. Ved første tanke, er 3 grader ikke synes så meget, men hvis du konvertere de temperaturer, køling graddage, som vist i figur 9, resultaterne ser dramatisk. Bare sammenligne juni til august periode, var der 909 køling graddage i 2005 i forhold til 442 køling graddage i 2004. Det er mere end dobbelt! Køling graddage er nogenlunde proportional med relative bygning kølebehov. For Detroit da, kan man udlede, at en gennemsnitlig bygning kræves (og muligvis forbruges) mere end dobbelt så meget energi til køling i sommeren 2005 end i sommeren 2004. Det er sandsynligt, at der i den øvre midtvestlige USA var der flere energi ledere, der står netop dette problem! Hvordan er en energiansvarlig vil vise besparelser fra et afkølet vand-system til eftermontering under disse omstændigheder? En simpel sammenligning af regninger vil ikke fungere, da de forventede besparelser vil blive begravet under den øgede kølebehov. Den løsning ville være at anvende de samme vejrdata til pre-og post-eftermontering regninger, og så ville der ikke være nogen straf for ekstreme vejrforhold. Det er præcis, hvad vejret normalisering gør. For at vise besparelser fra en eftermontering (eller anden energi management praksis), og for at undgå, at vores katastrofale eksempel bør en energiansvarlig normalisere regninger for vejret, så ændringer i vejrforholdene, vil ikke bringe de besparelser numre. Mere og mere energi ledere er nu normalisere deres regninger til vejret, fordi de ønsker at være i stand til at bevise, at de rent faktisk sparer energi fra deres energi management indsats. I mange softwarepakker, kan du fastslå forholdet mellem vejret og brug i et enkelt klik. Fordi enkelt klik "tunings" at softwaren giver dig ikke altid acceptable, hjælper det at forstå den bagvedliggende teori og metode, så du kan identificere problemet tunings og foretage de nødvendige justeringer. Jo mere du ved om emnet, jo bedre. Det afsnit, der følger forklarer i en lidt mere detaljeret de grundlæggende elementer i vejret normalization.How Vejret Normalisering WorksRather end sammenligne sidste års forbrug til dette års brug, når vi bruger vejret normalisering, vi sammenligner, hvor meget energi, vi ville have brugt i år til hvordan meget energi vi bruge dette år. Mange i vores branche ikke kalde resultatet af denne sammenligning, "opsparing", men snarere "Brug Avoidance" eller "Cost Avoidance" (hvis man sammenligner omkostninger). Da vi forsøger at holde denne behandling på et indledende niveau, vil vi blot bruge ordet Savings.When vi forsøgte at sammenligne sidste års forbrug til dette års brug, så vi den katastrofale projekt i figur 8. Vi brugte ligningen: Besparelser = Sidste års forbrug - Dette års usageWhen vi normalisere for vejr, de samme data Resultaterne i figur 10 og bruger ligningen: Besparelser = Hvor meget energi, vi ville have brugt i år - Årets usageThe næste spørgsmål er, hvordan at regne ud, hvor meget energi, vi ville have brugt i år? Det er her, vejret normalisering kommer in.First, vælger vi et år af regninger, som vi ønsker at sammenligne fremtidig brug. Det vil typisk være året før du startede din program for energieffektivitet, året før du har installeret en eftermontering, eller nogle år i fortiden, som du ønsker at sammenligne aktuelle brug for. I dette eksempel vil vi vælge år af hjælpeprogrammet data før installationen af ​​kølede vandsystem. Vi vil kalde dette år basisåret. Dernæst beregner vi graddage for basisåret fakturering perioder. Fordi dette eksempel kun beskæftiger sig med køling, behøver vi kun indsamler Køling graddage. Basisår regninger og køling graddage derefter normaliseret antal dage, som vist i figur 11.. Normalisering af antal dage (i dette tilfælde blot dividere med antallet af dage) fjerner støj forbundet med de forskellige regningsperiode længder. Dette gøres automatisk af dåse software og vil skulle udføres i hånden, hvis andre midler var employed.To fastslå forholdet mellem forbrug og vejr, finder vi den linje, der kommer tættest på at alle regninger. Denne linje, Best Fit Line, er fundet ved hjælp af statistiske regressionsteknikker rådighed i dåse elregning tracking software og regneark. Det næste trin er at sikre, at den bedste pasform Line er god nok til at bruge. Kvaliteten af ​​den bedst tilpassede linie er repræsenteret ved statistiske indikatorer, den mest almindelige, er R2 værdi. R2 værdi repræsenterer goodness of fit, og i Energi kredse en R2> 0.75 betragtes som en acceptabel pasform. Nogle meter har ringe eller ingen følsomhed over for vejrforhold eller kan have andre ukendte variabler, der har en større indflydelse på brugen end vejret. Disse målere kan have en lav R2 værdi. Du kan generere R2 værdier for tilpassede linje i Excel eller andre dåse elregning sporing software.This Best Fit Line har en ligning, som vi kalder Fit linje ligning eller i dette tilfælde Baseline ligning. Tilpas linje ligning fra figur 11 kunne være: Baseline kWh = (5 kWh /Dag * # Dage) + (417 kWh /CDD * # CDD) Når vi har denne ligning, er vi færdig med regression process.Base År regninger ~ = Best Fit Linie = Fit Linie EquationThe Fit linje ligning repræsenterer hvor dit anlæg anvendte energi i løbet af basisåret, og vil fortsætte med at bruge energi i fremtiden (som reaktion på skiftende vejrforhold) antager ikke indtruffet væsentlige ændringer i bygningen forbrug patterns.Once har du Baseline ligningen, kan du afgøre, om du har gemt nogen energi. Hvordan? Du tager en regning fra nogle faktureringsperiode efter basisåret. Du kan derefter sætte i antallet af dage fra din regning, og antallet af Cooling graddage fra faktureringsperiode i din Baseline ligning. Antag for en aktuel måneds regning, var der 30 dage og 100 CDD associeret med faktureringsperiode. Baseline kWh = (5 kWh /Dag * # Dage) + (417 kWh /CDD * # CDD) Baseline kWh = (5 kWh /Dag * 30) + (417 kWh /CDD * 100) Baseline kWh = 41.850 kWhRemember, Baseline ligning repræsenterer hvor din bygning brugte energi i basisåret. Så med de nye indgange til antallet af dage og antal graddage, vil Baseline ligning fortælle dig, hvor meget energi bygningen ville have brugt i år baseret på basisåret forbrugsmønstre samt dette års betingelser (vejr og antallet af dage). Vi kalder denne brug, der er bestemt af Baseline ligning, Baseline Usage.Now, at få en rimelig vurdering af energibesparelser, vi sammenligner: Besparelser = Hvor meget energi, vi ville have brugt i år - Hvor meget energi vi bruge denne yearOr hvis vi ændrer terminologien lidt: Besparelser = Baseline energiforbrug - Faktisk Energy Usagewhere Baseline energiforbruget beregnes af Baseline ligning, ved hjælp af den nuværende måneds vejr og antallet af dage, og de faktiske energiforbrug er den aktuelle måneds regning. Så ved hjælp af vores eksempel antage denne måneds bill var for 30.000 kWh: Besparelser = Baseline Energy Usage - faktiske energiforbrug UsageSavings = 41.850 kWh - 30.000 kWhSavings = 11.850 kWhSUMMARY Utility Bill Tracking er i centrum af en succesfuld energistyringssystem, men de regninger skal bruges til en grundig analyse for enhver meningsfuld reduktion i energiforbrug. Ved at anvende tre analysemetoder præsenteres her (Benchmarking, Load Factor Analysis og vejr Normalisering), kan energien leder udvikler indsigt, som bør føre til lydenergi ledelsesbeslutninger
    Af:. John Avina