ABSTRACTUtility Bill sporing systemer er i sentrum for en effektiv energistyring program. Men noen organisasjoner bruke tid og penger på å sette sammen en strømregning tracking system og aldri høste noen verdi. Dette notatet presenterer tre strømregning analyseteknikker som energi ledere kan bruke for å komme fram til gode energi beslutninger og oppnå kostnadskontroll savings.INTRODUCTIONUtility regning sporing og analyse er i sentrum for strenge energiledelse praksis. Pålitelige energikilder beslutninger kan gjøres basert på analyser fra en effektiv strømregning sporingssystem. Fra verktøyet regninger kan du bestemme: - enten du sparer energi eller øke forbruket, - hvilke bygninger som bruker for mye energi, - enten din energi ledelse innsats lykkes, - om det er verktøyet fakturering eller måling feil, og - når bruk eller måling uregelmessigheter oppstår (dvs. når bruksmønstre endre) Enhver energiledelse programmet er ufullstendig hvis den ikke spore regninger. Likeledes er noe energi management program gjøres mindre effektiv når det verktøyet system for sporing er vanskelig å bruke eller ikke gir verdifull informasjon. I begge tilfeller fruktbare energisparing muligheter er lost.Many praktiske energi ledere gjør smarte valg og investere i strømregning sporing, men deretter ikke klarer å gjenopprette sin opprinnelige investering i energisparing muligheter. Hvordan kunne dette skje? Denne artikkelen introduserer tre enkle og nyttige prosedyrer som kan utføres med strømregning sporing programvare. Bare utføre og handle på de første to typer analyser vil trolig spare deg nok penger til å betale for din strømregning tracking system i det første året. De tre temaene er Benchmarking, Load Factor Analysis, og vær Normalisering som vist i tabell 1.BENCHMARKINGLet 's anta at du var den nye energien med ansvar for en portefølje av skolebygg for et distrikt. På grunn av manglende ressurser, kan du ikke vie din oppmerksomhet til alle skolene samtidig. Du må velge en håndfull skoler for å overhale. Å identifisere de skolene som trenger mest oppmerksomhet, en av de første tingene du kan gjøre er å finne ut hvilke skoler brukte for mye energi. En enkel sammenligning av totale årlige verktøyet kostnader tilbrakt ville identifisere de bygninger som bruker mest på energi, men ikke hvorfor. Som vist i figur 1, koster Santa Rosa Elementary School (ES), San Simeon ES og San Gabriel ES mest å betjene, mens San Luis Obispo ES og Creston ES koster minst. Men disse tre skolene ikke kan være de beste skolene å jobbe med først. Mest sannsynlig bygningene som bruker mest på energi er de største bygningene i porteføljen. Det ville være klokere å finne disse bygningene som bruker mest per kvadratmeter per år. Denne prosessen blir referert til som referansemåling, og er angitt i figur 2.. Figur 2 viser de samme skolene, men kostnadene blir delt på arealet (kvadratfot). Santa Rosa og San Simeon ES er fortsatt de beste målene, men San Gabriel ES er faktisk en av de mer effektive skoler. I stedet San Luis Obispo ES er den tredje mest sløsing skolen på en $ /kvadratfot basis. Fra dette kan vi også se at de mest ineffektive skoler koste om lag 30% mer i drift enn den mest effektive schools.Benchmarking Ulike kategorier av BuildingsWhen benchmarking, er det også nyttig å bare sammenligne lignende fasiliteter. For eksempel, hvis du har sett på en skolekrets og sammenlignet alle bygninger med $ /kvadratfot, kan du finne at teknologien sentre administrasjonsbygg var på toppen av listen, siden administrasjonsbygg og teknologi sentre ofte har flere datamaskiner og er mer energi intensive enn barneskoler og barnehager. Disse resultater er ventet og ikke nødvendigvis nyttig. Av denne grunn, kan det være lurt å bryte bygningene dine i kategorier, og deretter benchmark bare én kategori om gangen. Ulike DatasetsYou kan benchmark dine bygninger mot hverandre (som vi gjorde i vårt eksempel) eller mot offentlig tilgjengelige databaser av tilsvarende bygg i ditt område. Energy Star Portfolio Manager lar deg sammenligne dine bygninger mot andre i din region. Kanskje disse bygningene i porteføljene som så mest sløsende er fortsatt på topp 50-persentil av alle lignende bygninger i ditt område. Dette ville være nyttig å know.Occasionally, bestemmer ledelsen at deres organisasjon behov for å spare litt vilkårlig prosentandel (5%, 10%, etc.) på verktøyet kostnader hvert år. Avhengig av målet, dette kan være ganske vanskelig, om ikke umulig. Energi ledere kan bruke benchmarking for å veilede ledelsen i å sette realistiske energi ledelse mål, som vist i Figur 3.. For eksempel kan vår skolekrets energi manageren bestemmer seg for å lage et mål at de tre mest energikrevende skoler bruker bare $ 0.80/SQFT. Siden dette er omtrent like mye som de laveste kraftkrevende skoler bruker i øyeblikket, kan dette være et oppnåelig mål. Hvis du kan finne et datasett, kan du også være i stand til å benchmark dine bygninger mot et sett av lignende bygninger i ditt område og se utvalget av muligheter for dine bygninger. I alle fall vil benchmarking fokusere din energi ledelse innsats og gi realistiske mål for fremtiden. Regler for ThumbNew energi ledere ofte søke etter en "tommelfingerregel" for å bruke for benchmarking. Et eksempel kan være: "Hvis bygningen bruker mer enn $ 2/SQFT/Year da har du et problem." Dessverre, vil dette ikke fungere. Ulike typer bygninger har ulike energi intensiteter. Videre vil ulike bygningstyper steder krever ulike mengder energi til oppvarming og kjøling. I San Francisco, der temperaturen er konsekvent i 60-årene, er det nesten ingen kjølebehov for mange bygningstyper, mens i Miami, vil bygningene nesten alltid krever kjøling. Ulike bygningstyper, med sine karakteristiske energi intensiteter, ulike vær-områder, og ulike utility priser alle sammen for å gjøre det vanskelig å ha tommelfingerregler for benchmarking. Imidlertid kan energi ledere med porteføljer ligger alle i nærheten, utvikle sine egne tommelfingerregler. Disse reglene vil mest sannsynlig ikke være overførbare til andre energibærere ledere på forskjellige steder, med ulike bygningstyper, eller ved hjelp av ulike verktøy configurations.Benchmarking bygninger i forskjellige LocationsThere er noen komplikasjoner forbundet med benchmarking. Tenk deg at du var den energien leder av en kjede butikk, og du hadde bygninger i ulike nasjonale steder. Deretter benchmarking ikke kan være nyttig i samme forstand. Ville det være rettferdig å sammenligne en San Diego butikk til en Chicago butikken, når det er alltid det riktige temperaturen ute i San Diego, og alltid for varmt eller for kaldt i Chicago? The Chicago butikken vil hele tiden være oppvarming eller kjøling, mens San Diego butikken ikke kan ha mange oppvarming eller kjøling behov. Sammenligning på $ /kvadratfot kan hjelpe bestemme hvilke store steder er de dyreste å operere på grunn av høye verktøyet priser og annen oppvarming og kjøling behov.Noen energi analytikere benchmark hjelp kBtu /kvadratfot å fjerne effekten av verktøyet priser (erstatte $ med kBtu). Noen vil ta det et skritt videre ved hjelp kBtu /kvadratfot /HDD for å fjerne effekten av været (legge HDD), men legger til HDD (eller CDD) er ikke en rettferdig måling, ettersom det forutsetter at all bruk er forbundet med oppvarming. Denne målingen heller ikke ta hensyn til kjøling (eller varme) behov. Mange gjennomtenkte energi ledere viker unna benchmarking som involverer CDD eller HDD.Different Benchmarking UnitsAnother populær benchmarking metode er å bruke kBtu /kvadratfot (per år), snarere enn $ /kvadratfot (per år). Ved å bruke energi enheter heller enn kostnader, "tommelfingerregler" kan lages som ikke ugyldiggjort med hver renteøkning. I tillegg vil de varierende kostnadene ved ulike verktøyet priser ikke forstyrre comparison.Benchmarking SummationBenchmarking er en enkel og praktisk trening som gjør at energi ledere til raskt å vurdere energiforbruk i sine bygninger ved å sammenligne dem mot hverandre ved hjelp av en slektning (og relevant) målestokk. Bygninger størst behov for energiledelse praksis er lett blinket ut. Rimelige energiforbruket målene er lett bestemmes for problem buildings.LOAD FACTOR ANALYSISOnce du har identifisert hvilke bygninger du ønsker å gjøre mer effektiv, kan du bruke Load Factor Analysis å konsentrere din energi ledelse fokus mot å redusere energi eller redusere demand.What Load Factor isLoad Factor blir vanligvis beregnet ved fakturering periode, og er forholdet mellom gjennomsnittlig etterspørsel og toppen (eller parkometer) etterspørsel. Gjennomsnittlig etterspørsel er den gjennomsnittlige timefortjeneste uavgjort i løpet av fakturering perioden. Hva kabinfaktoren MeansHigh Belastningsfaktorer (større enn 0.75) representerer meter som har nesten konstant belastning. Utstyret er trolig ikke slått av om natten og toppbelastningene (i forhold til off peak bruk) er lav. Lave Belastningsfaktorer (mindre enn 0,25) tilhører meter som har svært høy toppeffekt trekker i forhold til resten av prøven. Disse målerne kan være assosiert med kjølere eller elektrisk oppvarming utstyr som er slått av for mye av dagen. Lav belastning Faktorer kan også være assosiert med bygninger som slås av nesten alt utstyr under non-running timer, for eksempel elementære schools.Load Faktorer større enn 1 er teoretisk umulig, men synes noen ganger på verktøyet regninger. Isolerte tilfeller av svært høye eller lave Belastningsfaktorer er vanligvis en indikator for måling errors.Using Belastningsfaktorer å analysere din portefølje av BuildingsOnce du har beregnet Load Factor, kan du begynne å høste nyttig informasjon. Figur 5 viser reelle data fra en skolekrets i Georgia. Legg merke til at i mai 2003 regningen for Houston MS er over 100% - dette er åpenbart en måling eller data-entry feil. Den tykke stiplede linjen i figur 5 representerer den gjennomsnittlige kabinfaktoren. Legg merke til at den gjennomsnittlige kabinfaktoren på alle skolene har en tendens til å stige i vintrene, og slipp i løpet av kjøling sesongen. Dette står til grunn, som daglig loadshapes bli mer "peaky" under kjøling sesongen svar på ettermiddag kjølebelastninger, mens i fyringssesongen, siden skolene er oppvarmet med gass, de daglige loadshapes tendens til å flate ut. En skole, Tyler MS, har gjennomgående en mye lavere kabinfaktor enn de andre (svever konsekvent rundt 20%). Lav Belastningsfaktorer kan tilskrives enten svært høye peak last eller svært lave belastninger under andre timer. I dette tilfellet kan vi ikke skylde på Load Factor problem på "peaky" kjølebelastninger, som problemet finnes hele året. En sannsynlig årsak kan være at Tyler MS gjør en bedre jobb ved å stenge av all belysning og annet utstyr om natten enn de andre skolene. En skole (Jackson MS) har vanligvis høyere Belastningsfaktorer enn de andre skolene. En årsak kan være at belysning, VVS og annet utstyr kjører lengre dager enn på Tyler MS.A god energi manager ville undersøke hva bygningen operativ atferd bidrar til de lave kabinfaktoren verdier (og dermed relativt høy etterspørsel) for Tyler MS, og ville undersøke om etterspørselen kunne bli redusert. Spør om hvorvidt Jackson MS er å slå av utstyret om natten er også advisable.Figure 6 presenterer Belastningsfaktorer for enkelte grunnskoler i California. Siden Belastningsfaktorer er så lavt, vises det at belysning og VVS-utstyr blir slått av på night.Load Factor Regler for ThumbLoad Faktoranalyse er en kunst, ikke en vitenskap. Ulike bygningstyper (dvs. skoler, kontorer, sykehus, osv.) vil ha ulike kabinfaktoren områder. Siden sykehusene kjøre mange områder 24 timer i døgnet, man kunne forvente høyere Belastningsfaktorer enn for skolene, som kan slå av nesten alt om natten. Også mange ting bidrar til en bestemt bygning Load Factor. En bygning igjen på 24 timer i døgnet kan fortsatt ha en lav Load Factor hvis det er store topper hver måned - for eksempel en 20 sengers sykehus som har en planlagt MR lastebil besøk en gang hver måned. MR etterspørselen er stor, og kan i stor grad påvirke Load Factor av en liten facility.Like Benchmarking, kan du bestemme dine egne tommelfingerregler for dine bygninger, men vil rekke akseptable Belastningsfaktorer variere basert på bygningstype og klima. Rules of Thumb kanskje ikke så nyttig skjønt. Som Benchmarking, skal bare identifisere bygninger med uvanlig høye og lave Belastningsfaktorer, i forhold til de andre bygningene i porteføljen, være sufficient.Load Factor SummationLoad Factor kan brukes til å identifisere fakturering og måling feil, bygninger som ikke slå av utstyr, og bygninger med mistenkelig høye krav. Mens Benchmarking kan identifisere bygninger som mest sannsynlig vil gi store ENØK-utbetalingene, kan Load Factor Analysis peke på lett løses planlegging og måling issues.WEATHER NORMALIZATIONAnother viktig strømregning analysemetode er å normalisere regninger til været. Været Normalisering gjør at energien manageren å avgjøre om anlegget er å spare energi eller øke energiforbruket, uten å bekymre været variasjon. Anta en energi leder erstattet det eksisterende avkjølt vann system i en bygning med et mer effektivt system. Han sannsynligvis ville forvente å se energi-og kostnadsbesparelser fra denne ettermontering. Figur 7 presenterer resultater energi manageren kan expect.But hva om, i stedet, regninger presenterte katastrofen vist i Figur 8? En kvart million dollar ettermontering er vanskelig å rettferdiggjøre med resultater som dette. Og likevel, kjenner energien manager som alt i ettermontere gikk som planlagt. Hva som forårsaket disse resultatene? Klart energi manager kan ikke presentere disse resultatene uten noen grunn eller forklaring. Ledelsen kan bare se på tallene, og siden tallene lyver ikke, konkluderer de har leid feil energi manager! Det er mange grunner til ettermontering kanskje ikke har levert de forventede besparelser. En mulighet er at prosjektet leverer besparelser, men sommeren etter at ettermontering var mye varmere enn sommeren før ettermontering. Varmere somre føre til høyere air condition belastninger, som vanligvis medføre høyere strømregninger. Hotter Sommer -> Høyere Klimaanlegg Load -> Høyere Sommer Utility BillsIn andre ord, det nye utstyret virkelig spare energi, fordi det var å jobbe mer effektivt enn det gamle utstyret. Tallene viser ikke dette fordi denne sommeren var så mye varmere enn i fjor sommer. Hvis været virkelig var årsaken til høyere bruk, så hvordan kunne du noen gang bruke verktøyet regninger å måle besparelser fra prosjekter for energieffektivisering (spesielt når du kan lage unnskyldninger for dårlig ytelse, som vi nettopp gjorde)? Besparelser tallene ville være prisgitt været. Sparing tallene ville være uten verdi i det hele tatt (med mindre været var det samme år etter år). Vårt eksempel kan virke litt overdrevet, men det ber spørsmålet: Kan været virkelig ha en slik innvirkning på sparing tall? Det kan, men vanligvis ikke til denne ekstreme. Sommeren 2005 var den varmeste sommeren i et århundre med journalføring i Detroit, Michigan. Det var 18 dager på 90degF eller høyere i forhold til de vanlige 12 dagene. I tillegg ble den gjennomsnittlige temperaturen i Detroit 74.8degF forhold til normal 71,4 degF. Ved første tanke, ikke 3 grader ikke ut som så mye, men hvis du konvertere temperaturer til Avkjølingsbehov, som vist i Figur 9, resultatene ser dramatisk. Bare sammenligne juni og ut august perioden var det 909 Avkjølingsbehov i 2005 sammenlignet med 442 Avkjølingsbehov i 2004. Det er mer enn dobbelt! Avkjølingsbehov er omtrent proporsjonal med relativ bygge kjølebehov. For Detroit da, kan man antyde at en gjennomsnittlig bygningen kreves (og muligens forbrukes) mer enn dobbelt så mye energi til kjøling om sommeren 2005 enn sommeren 2004. Det er sannsynlig at i den øvre Midtvesten USA var det flere energi-ledere som står overfor akkurat dette problemet! Hvordan ettermontere en energi leder skal vise besparelser fra en avkjølt vann system under slike omstendigheter? En enkel sammenligning av regninger vil ikke fungere som de forventede besparelser vil bli begravd under den økte kjølebehovet. Løsningen ville være å bruke de samme værdata til de pre-og post-ettermontering regninger, og da ville det ikke være noen straff for ekstremvær. Dette er akkurat hva været normalisering gjør. Vise besparelser fra en ettermontere (eller annen energi ledelse praksis), og for å unngå vår katastrofale eksempel bør en energi leder normalisere regninger for været, slik at endringer i værforholdene ikke vil kompromittere besparelser tall. Flere og flere energiselskaper ledere er nå normalisere sine regninger for været fordi de ønsker å være i stand til å bevise at de faktisk sparer energi fra sine energiledelse innsats. I mange programvarepakker, kan du etablere forholdet mellom vær og bruk i bare ett klikk. Fordi ett klikk "stemming" at programvaren gir deg ikke alltid er akseptabelt, hjelper det å forstå den underliggende teori og metodikk, slik at du kan identifisere problemet stemming og foreta nødvendige justeringer. Jo mer du vet om emnet, jo bedre. Den delen som følger forklarer i litt mer detalj de grunnleggende elementene i været normalization.How Været Normalisering WorksRather enn sammenligne fjorårets bruk til årets bruk, når vi bruker været normalisering, sammenligner vi hvor mye energi vi ville ha brukt dette året til hvordan mye energi vi bruker i år. Mange i vår bransje kaller ikke resultatet av denne sammenligningen, "Savings", men heller "Usage Avoidance" eller "Cost Avoidance" (hvis sammenligne kostnader). Siden vi prøver å holde denne behandlingen på et innledende nivå, vil vi bare bruke ordet Savings.When vi prøvde å sammenligne fjorårets bruk til årets bruk, så vi den katastrofale prosjektet i Figur 8. Vi brukte ligningen: Savings = Fjorårets bruk - Årets usageWhen vi normalisere for været, de samme data resulterer i Figur 10 og bruker ligningen: Savings = Hvor mye energi vi ville ha brukt dette året - Årets Billedlenker neste spørsmålet er hvordan å finne ut hvor mye energi vi ville ha brukt dette året? Det er der været normalisering kommer in.First, velger vi et år med regninger som vi ønsker å sammenligne fremtidig bruk. Dette vil typisk være året før du startet din energieffektivitet program, året før du installerte en ettermontering, eller noen år i det siste at du ønsker å sammenligne dagens bruk til. I dette eksempelet ville vi velge år av verktøyet data før installasjon av avkjølt vann system. Vi vil kalle dette året basisår. Deretter beregner vi døgngrader for basisåret fakturering perioder. Fordi dette eksempelet er bare opptatt med kjøling, må vi bare samle Avkjølingsbehov. Basisåret regninger og Avkjølingsbehov blir så normalisert etter antall dager, som vist i Figur 11. Normalisering av antall dager (i dette tilfellet, bare, dele på antall dager) fjerner støy forbundet med ulike faktura periode lengder. Dette gjøres automatisk av hermetisert programvare og måtte utføres for hånd hvis andre midler var employed.To etablere forholdet mellom bruk og vær, finner vi linjen som kommer nærmest alle regningene. Denne linjen, Best Fit Line, er funnet ved hjelp av statistiske regresjon teknikker tilgjengelig i hermetisk strømregning sporing og i regneark. Det neste trinnet er å sørge for at Best Fit Line er god nok til å bruke. Kvaliteten av den beste tilpasning er representert ved statistiske indikatorer, er den vanligste av disse, R2-verdi. R2-verdien representerer føyning, og i energiteknikk kretser, er en R2> 0,75 anses som en akseptabel form. Noen meter har liten eller ingen følsomhet for vær eller kan ha andre ukjente variabler som har en større innflytelse på bruken enn været. Disse målerne kan ha en lav R2 verdi. Du kan generere R2 verdier for linjen som passer i Excel eller andre hermetikk strømregning sporing software.This Best Fit Line er en ligning, som vi kaller den tilpassede linjen Equation, eller i dette tilfellet Baseline ligning. Den tilpassede linjen Equation fra Figur 11 kan være: Baseline kWh = (5 kWh /dag * # dager) + (417 kWh /CDD * # CDD) Når vi har denne ligningen, er vi ferdig med regresjon process.Base År regninger ~ = Best Fit linje = tilpassede linjen EquationThe Fit Linje Equation representerer hvordan anlegget brukes energi i løpet av basisåret, og vil fortsette å bruke energi i fremtiden (som svar på skiftende værforhold) forutsatt ingen vesentlige endringer i bygningen forbruk patterns.Once du har Baseline ligning, kan du avgjøre om du lagret noe energi. Hvordan? Du tar en regning fra noen fakturering perioden etter basisåret. Du kan deretter plugge i antall dager fra regningen og antall Avkjølingsbehov fra fakturering perioden inn din Baseline ligning. Anta for en gjeldende måneds regning, var det 30 dager og 100 CDD knyttet til fakturering perioden. Baseline kWh = (5 kWh /dag * # dager) + (417 kWh /CDD * # CDD) Baseline kWh = (5 kWh /dag * 30) + (417 kWh /CDD * 100) Baseline kWh = 41850 kWhRemember, Baseline ligningen representerer hvordan bygningen brukt energi i basisåret. Så, med de nye tilførsler av antall dager og antall døgngrader, vil Baseline Equation fortelle deg hvor mye energi bygningen ville ha brukt dette året basert på basisåret bruksmønster og årets forhold (vær og antall dager). Kaller vi denne bruken som er bestemt av Baseline Equation, Baseline Usage.Now, for å få et rimelig estimat av energisparing, sammenligner vi: Savings = Hvor mye energi vi ville ha brukt dette året - Hvor mye energi vi bruker denne yearOr hvis vi endrer terminologien litt: Sparing = Baseline Energy Usage - Faktisk Energy Usagewhere Baseline Energy Usage beregnes av Baseline Equation, med dagens måneds vær og antall dager, og Actual Energy Usage er den nåværende måneds regningen. Så, ved hjelp av vårt eksempel at denne månedens regning var for 30 000 kWh: Sparing = Baseline Energy Usage - Faktiske Energi UsageSavings = 41850 kWh - 30000 kWhSavings = 11850 kWhSUMMARY Utility Bill Tracking er i sentrum for en vellykket energi management system, men regningene må brukes for lyd analyse for noen meningsfull reduksjon i energiforbruket. Ved å bruke tre analysemetoder som presenteres her (Benchmarking, Load Factor Analysis, og vær Normalisering), kan energien manageren utvikle innsikt som bør føre til lydenergi beslutninger
Av:. John Avina