Kan data-analyse mensen vervangen in energie-efficiëntie?

van Steve Baab, DNV GL

Kan data-analyse mensen vervangen in energie-efficiëntie?

Big data en analytics zijn al geruime tijd modewoorden. Binnen de nutssector heeft Advanced Metering Infrastructure (AMI) nieuwe mogelijkheden geopend voor het verzamelen en gebruiken van gegevens over energieverbruik. In het verleden verzamelden de meeste nutsbedrijven alleen verbruiksinformatie op basis van het type meter en het afleesschema.Verschillende metertypes verzamelden verschillende hoeveelheden informatie. Grotere klanten hadden een energieverbruik (kWh) en een vraag (kW) in verschillende intervallen (maandelijks, om het uur, om de 30 min...). Voor alle klanten was het afleesschema meestal maandelijks en werd het manueel uitgevoerd door een meteropnemer. Met AMI-systemen is het mogelijk gegevens te verzamelen zonder iemand het veld in te sturen, en de gegevens te verzamelen wanneer een nutsbedrijf dat wil, in plaats van volgens een voorgeschreven schema. Nutsbedrijven die AMI-systemen implementeren, installeren gewoonlijk drie belangrijke componenten: de meters, het netwerk om met de meters te communiceren, en het informatiesysteem voor metergegevens. Opdat een nutsbedrijf zou beslissen een AMI-systeem te installeren, moeten de voordelen (arbeidsbesparing, operationele efficiëntie, klantentevredenheid) de kosten rechtvaardigen.

Een van de grootste voordelen van het installeren van AMI-netwerken aan de nutszijde zijn besparingen op arbeid. Het werk van de meteropnemer wordt misschien het meest beïnvloed door een AMI-netwerk, maar er zijn ook andere gebieden waar arbeidsbesparingen mogelijk zijn. De mogelijkheid om storingen te lokaliseren, het aantal facturen te verminderen en de service op afstand af te sluiten zijn ook gebieden waar een AMI-netwerk de arbeidskosten kan verminderen. Voor de klantentevredenheid stelt het beschikbaar hebben van intervalgegevens een nutsbedrijf in staat om zijn klanten meer flexibele factureringsopties en verbeterde informatie over het verbruik aan te bieden.

Maar hoe kan men de intervalverbruiksgegevens aan het werk zetten voor energie-efficiëntie? Kan de verhoogde granulariteit van verbruiksgegevens werk besparen binnen efficiëntieprogramma's? Al die gegevens bevatten een behoorlijke hoeveelheid informatie. Wanneer intervalgegevens worden gecombineerd met externe gegevens zoals type, grootte en leeftijd van het gebouw, kan een analist of misschien zelfs eenvoudige computeralgoritmen besparingsaanbevelingen geven. Dit zou mogelijk arbeid kunnen besparen doordat klanten niet hoeven te worden bezocht om via een audit of beoordeling besparingen te vinden.

Hoewel analyse zeer nuttig is om voor potentiële klanten vast te stellen waar er mogelijkheden voor energie-efficiëntie zijn, denk ik niet dat het ooit zo ver zal evolueren dat het mensen zal vervangen (althans niet binnen de komende 10-20 jaar). Dit is waarom:

Bestaande belastingsinformatie kan niet precies bepalen wat de oorzaak is van het belastingspatroon.

DNV GL en anderen zijn goed in het identificeren van belastingspatronen met behulp van geavanceerde gegevens. Gedetailleerde belastingvormen ondersteunen impactevaluaties, potentiële studies, en informeren efficiëntie en vraagrespons programma's. Echter, op een klant per klant basis, kunnen analytics alleen richtinggevende versus bruikbare informatie bieden. Analytics kunnen u alleen in de juiste richting wijzen, maar u zult geen manier hebben om het zeker te weten zonder een visuele bevestiging.

Onvermogen om het exacte type apparatuur te bepalen dat de belastingen genereert.

Software en analyses worden steeds geavanceerder in het identificeren van belastingspatronen, maar er is nog steeds onzekerheid in het gedrag van de klant en de apparatuur die het belastingspatroon creëert. Een inefficiënt koelsysteem of de voorkeur van een bewoner om zijn gebouw twee graden koeler te hebben dan alle anderen kan vergelijkbare belastingspatronen creëren. (Ook slechte isolatie, hoge interne belastingen, of iets anders dat abnormale koelbelastingen veroorzaakt.) Analytics kunnen goede richtingaanwijzers geven op basis van intervalmetergegevens, maar alleen een persoon met kennis van energie-efficiëntie en de apparatuur van de locatie kan tastbare aanbevelingen geven om het energieverbruik te verminderen.

Menselijke interactie stimuleert interesse in energie-efficiëntie

Rapporten, e-mails, tekstberichten of webportalen kunnen allemaal bijdragen tot een zekere mate van interesse en bewustwording, maar niets zet zo aan tot actie als een echt persoon. Om dezelfde reden waarom verkoopbanen niet snel zullen verdwijnen, zal de rol van energie-efficiëntiedeskundigen die audits en/of beoordelingen uitvoeren op de korte termijn ook niet verdwijnen.Tijdens een energiebeoordeling krijgen de klant en de energie-efficiëntiedeskundige de kans om met elkaar in contact te komen. De energie-efficiëntiedeskundige leert de klant kennen, de klant leert over energie-efficiëntie, en samenzullen ze wederzijds vertrouwen opbouwen en vervolgens debeste manier van handelen ontwikkelen om energie te besparen.

Samenvattend kan worden gesteld dat met behulp van analyses een deel van het technische potentieel van energie-efficiëntie kan worden blootgelegd en het personeel kan worden begeleid bij de keuze van de klanten die moeten worden bezocht, maar dat deze analyses nooit in staat zullen zijn de belangstelling en motivatie te peilen van klanten die de keuze hebben om tijd en geld te besteden aan energie-efficiëntie (of niet). Om mensen zo ver te krijgen dat ze energie-efficiënter worden, is een gesprek nodig met de mensen die energie gebruiken. Er is een groot verschil tussen gebouwen die het technische potentieel hebben om energie te besparen en klanten die daar belangstelling voor hebben en de aanbevelingen opvolgen. Mijn ervaring is dat persoonlijke gesprekken veel beter werken dan computeralgoritmen.

Steve Baab: Steve werkt bij DNV GL als Service Line Leader voor Programma Ontwikkeling en Implementatie. Steve werkt om best practices en innovatieve programma ideeën naar DNV GL klanten te brengen. Voordat Steve naar DNV GL kwam, was hij de ComEd C&I portfolio manager waar hij het Smart Ideas programma leidde vanaf de eerste lancering in 2008 tot een programma dat een breed spectrum aan klantoplossingen biedt in zowel energiesystemen als marktsegmenten.

Oorspronkelijk hiergeplaatst