Stel, je wil een besparing evalueren van een energie-efficiëntie maatregel. Je wil dus je verbruik na de maatregel meten en vergelijken met je verbruik van voor de maatregel. Om dit te kunnen doen moet je bepalen wat een vergelijkbaar, representatief verbruik was in die periode voor de maatregel: het baseline verbruik.
Dit is de basis van wat gekend staat als M&V, oftewel Measurement and Verification: een methodologie gebruikt om te berekenen hoeveel energie of water we besparen bij het uitvoeren van een energie- of waterbesparende actie.
In dit artikel willen we je meer uitleg geven over hoe in de energie-efficiëntie wereld maatregelen standaard geëvalueerd worden. We doen dit eerst aan de hand van klassieke M&V analysemethoden. Daarna doen we uit de doeken hoe Advanced M&V van Eneos de analyse volgens ons, en toch voor de moeilijkere gevallen, een veel betere tool is om preciezer en eenvoudiger afwijking van verbruiken te meten en meer inzicht te krijgen in de gerealiseerde besparing.
Als voorbeeld nemen we een gebouw met kantoorfunctie waar we een besparing van het gasverbruik willen onderzoeken na een verlaging van de ingestelde binnentemperatuur van 22.5°C naar 20°C.
1. Klassieke M&V analyse
De meest standaard methode bestaat erin de gasverbruiken op maandbasis te correleren met de graaddagen. Dit is logisch: hoe kouder het buiten is, hoe meer het gebouw zou moeten verbruiken. Je moet hier een sterke correlatie hebben met weinig variatie tussen de metingen.
Dit doe je aan de hand van een regressie-analyse nadat je de verbruiken samengezet hebt met de graaddagen op maandbasis. Visueel maak je een grafiek (puntenwolk/scatterplot) waarop je een trendlijn van best fit op tekent. Deze trendlijn wordt soms ook de baseline genoemd. Geen paniek, Excel doet dat allemaal voor jou. Daarna moet je die regressie gaan analyseren.
Je kan daarin een stap verder gaan en een regressie berekenen op basis van meerdere variabelen, dan spreek je van een multivariabele lineaire regressie (MVLR). We gaan niet in detail spreken over MVLR. Wel gaan we hieronder resultaten tonen van een paar MVLR-analyses
Het komt erop neer dat je de regressieanalyse op 3 manieren doet.
1.1. Het oog wil ook wat!
De getekende trendlijn gaat je nieuwe referentieverbruik baseline voorstellen in functie van een variabele, in dit geval de graaddagen. Deze trendlijn geeft weer in welke mate het energieverbruik varieert onder invloed van de variabele: hoeveel meer aardgas er zal verbruikt worden indien het kouder wordt. Hoe dichter alle punten bij de lijn zijn, hoe beter je in de toekomst het verbruik zal kunnen voorspellen voor een gegeven aantal graaddagen (volgens y=ax+b, weet je wel?). Als al je punten bvb 20 % afwijken van die rechte is het dan ook logisch dat je geen voorspelling zal kunnen doen van het verbruik bij x aantal graaddagen.
Hoe meer ze mooi op een lijn zitten, hoe beter. Hoe meer de punten gewoon 1 grote chaotische wolk vormen, hoe slechter. In de praktijk krijg je vaak een relatief mooie lijn met wat ruis op.
In ons voorbeeld krijg je onderstaande grafiek van de maandelijkse verbruikswaarden vs het aantal graaddagen (16,5/16,5 eq GD).
Het lukt redelijk mooi op maandbasis, maar wat gebeurt er als je vandaag een maatregel neemt dat je later deze week al wil evalueren? Dan moet je verbruiken op dagbasis analyseren…en dan krijg je dit beeld:
Je ziet al snel dat je aan de hand van deze voorspelling (zwarte trendlijn) niet veel kan aanvangen om je besparing te evalueren.
1.2. Determinatiecoëfficient R²
Wat je visueel hebt waargenomen met de puntenwolk kan uitgedrukt worden aan de hand van de determinatiecoëfficient. Met andere woorden, hoe goed kan (een deel van) de variatie van het verbruik (de afhankelijke variabele) voorspeld worden door het aantal graaddagen (de onafhankelijke variabele).
Wiskundig bekijken we de verhouding tussen:
- De gemiddelde afwijking tov de trendlijn
- De gemiddelde afwijking tov het gemiddelde
Om een lang verhaal kort te maken: dit cijfer bevindt zicht tussen 0 en 1. Een trend is perfect voorspelbaar als je een R² van 1 bekomt: Alle punten bevinden zich op 1 lijn. In de praktijk ga je een cijfer willen hebben dat niet lager is dan 0.9, en dan heb je inderdaad wat ruis op je grafiek.
Voor ons voorbeeld van hierboven met data op maandinterval krijgen we volgende waarde:
Dat ziet er dus goed uit, maar voor waarden op dagbasis komen een veel te laag cijfer uit:
Nu maken we even een zijsprong naar de MVLR (MultiVariabele Lineaire regressie). We kunnen meerdere variabelen kiezen die een invloed hebben op het gasverbruik. Als we buitentemperatuur en openingsuren van het gebouw kiezen als variabele krijgen we een veel betere waarde voor R²:
Maar…. De voorspelbaarheid volgens R² is niet de enige nuttige parameter. Je ziet bij de MVLR hierboven al de volgende parameter opduiken: CVRMSE
1.3. CVRMSE
Naast R2 is ook CVRMSE een klassieker om de kwaliteit van een baseline te evalueren.
CV staat voor Coefficient of Variance (de rest, RMSE is voor de nerds). Deze parameter gaat dus variatie weergeven tussen het energieverbruik (de afhankelijke variabele) en het model (hier: de trendlijn).
Hoe lager de CVRMSE, hoe beter de modelkwaliteit en hoe dichter het baselinemodel zal liggen tegen de werkelijke energieverbruiken.
Voor een baselinemodel (of trendlijn) dat is opgebouwd uit maandelijkse waarden wordt 20 % gehanteerd als maximumwaarde. Maar als je kortere intervallen in beschouwing neemt zie je dat het snel minder goede CVRMSE-cijfers oplevert
Hieronder een voorbeeld van verschillende intervallen:
1.4. Conclusie traditionele methode
Wanneer we op basis van de traditionele methoden de energiebesparing van dit gebouw trachten te berekenen komen we duidelijk van een kale reis terug. De statistische parameters zijn ruim onvoldoende, waardoor we een alternatief dienen te zoeken. Een te grote onzekerheid in het baselinemodel zal immers resulteren in te hoge onzekerheid van de gerealiseerde besparing, wat we dienen te vermijden. Een bijkomende tijdsrovende taak is het zoeken naar de parameter(s) die een mooie correlatie vormen met het te onderzoeken verbruik.
Er zijn meerdere situaties waar je met de traditionele methode moeilijk tot conclusies kan komen:
- Je een besparing wil opvolgen wanneer het niet op de verwarming of de koeling van toepassing is
- Klassieke analysemethoden zoals enkelvoudige of multivariabele regressieanalyses geen resultaten geeft die betrouwbaar genoeg zijn
- Er meer complexe interacties spelen in de achterliggende data door andere variabelen dan temperatuur (bv. Bezetting, zonne-instraling, …)
- Je heel snel feedback wilt krijgen hoeveel er bespaard wordt en op welk moment in de week. Hierdoor is het mogelijk om binnen de week na de uitvoering van bijvoorbeeld een regeltechnische optimalisatie de resultaten te zien.
- Je niet weet welke parameters (temperatuur, GD, RV, windsnelheid, bezetting,...) mogelijks een belangrijke invloed hebben op het verbruik?
Bovendien kost het heel wat tijd om manueel een baseline op te stellen voor elk besparingsproject dat wordt uitgevoerd. De automatisatie maakt de technologie dus toegankelijk om uit te voeren op grote schaal binnen een organisatie.
2. Advanced M&V met Automatische baseline-berekening van Eneos
Een eenvoudige en betrouwbare methode om besparinegn in kaart te brengen ligt bij de AM&V (Advanced Measurement & Verification) software van Eneos. Deze creëert volledig automatisch een baselinemodel met behulp van AI-technologie.
2.1. Aanpak
De software van Eneos is volledig geïntegreerd in eSight. Dit maakt het mogelijk met een druk op de knop een baseline te creëren en toe te passen. Hierdoor is het niet nodig om eigen baselines te creëren en te valideren via de statistische parameters. Dit maakt het een stuk eenvoudiger én sneller om besparingen op te volgen.
2.2. Gebruikte variabelen in de baseline
Eneos zal automatisch de juiste variabelen selecteren en in het baselinemodel integreren. Gebouwen en technische installaties hebben vaak wekelijkse en dagelijkse terugkerende patronen, waardoor deze tijdsvariabelen (weekdag en uur) zo goed als altijd meegenomen worden. Dit maakt het ook mogelijk om op elk moment de vergelijking te kunnen maken met de werkelijke verbruiksgegevens. Zo is het heel eenvoudig om te achterhalen hoeveel er precies bespaard werd op welk moment, zoals ook heel mooi geïllustreerd in volgende grafiek. Achterliggend wordt er bovendien automatisch rekening gehouden met de verschillende weersvariabelen (buitentemperatuur, zonne-instraling, luchtvochtigheid, windsnelheid enz.).
En, je kan gemakkelijk extra datareeksen meesturen waarvan je een vermoeden hebt dat ze een invloed hebben op het verbruik. Denk bijvoorbeeld aan waterverbruik, bezetting, openingsuren, # bereidde maaltijden, … Alle data die je meestuurt zal automatisch geselecteerd worden in de berekening van je baseline. Enkel de variabelen die de baseline verbeteren worden bijkomend opgenomen. variabelen die de baseline verbeteren worden bijkomend opgenomen. Hierdoor is het mogelijk meer complexe verbanden gelinkt aan deze verbruiksgegevens te achterhalen en hierdoor een nauwkeuriger model te bekomen. Het maakt bovendien niet uit als er zich onvolledige maanden in de referentieperiode bevinden.
2.3. Validatie model
De statistische validatie gebeurt volledig automatisch. Niet enkel wordt de nauwkeurigheid van de baseline zelf berekend, maar ook van de gerealiseerde besparing. Voor de automatisch opgestelde baseline bedraagt de CVMRSE 18,3 % en de R2 98 % geaggregeerd op maandbasis. Deze waarden vallen mooi binnen de statistische criteria van een baseline.
In onderstaande grafiek wordt de baseline (rode lijn) en de werkelijke verbruiken (blauwe lijn) vergeleken. Hier zien we dat de baseline meestal de verbruiken mooi volgt. Wanneer er echter onregelmatigheden opgetreden zijn in het gebruik van het gebouw zal dit tot een afwijking leiden tussen de baseline en de werkelijke verbruiken tijdens de referentieperiode.
In onderstaande grafiek zie je dat er na de maatregel (2/11/22) er een groot verschil komt tussen het berekend verbruik volgens het model (rood) en het werkelijk verbruik (blauw).
Gezien we een model hebben opgesteld aan de hand van AM&V op basis van uurwaarden kunnen we gaan kijken op welk moment van de dag de besparingen gerealiseerd zijn. Hier kan je het interactieve dashboard terugvinden van Eneos met deze resultaten.
Let wel, het dashboard wordt het best op een desktop geopend.
Voor diegenen die niet willen doorklikken; hebben we een grafiek gemaakt over de laatste 3 weken van de onderzochte periode op uurinterval:
Hieruit kunnen we zien dat de temperatuurverlaging in het gebouw tijdens de dagelijkse opstart (van 4h – 8h) enkel resulteert tot energiebesparing bij buitentemperaturen hoger dan 5 °C. Wanneer de buitentemperatuur zakt wordt de besparing voornamelijk gerealiseerd na de ochtendpiek.
3. Afsluiter
3.1. Hoe zeker ben je dat je echt bespaard hebt?
De mens, experten en investeerders in het bijzonder, houden van zekerheden. We willen graag een exact cijfer kunnen plakken op een berekening. Het probleem is dat je dat niet kan of mag doen. Waarom?
Het is allemaal heel mooi om een statistisch correct model te hebben, maar in the end is het ook maar een model met zijn onnauwkeurigheden en hypotheses. En toch: je wil weten hoe zeker je bent dat de besparing (of meerverbruik!) echt een afwijking is ten opzichte van je model. We spreken hier van de besparingsonzekerheid. Eenvoudig uitgelegd: hoe groter de berekende besparing, hoe waarschijnlijker dat je een effectieve besparing gerealiseerd hebt.
Ter illustratie: als je een besparing van bijna 30% detecteert zoals in ons voorbeeld, dan ben je redelijk zeker dat je een echte besparing hebt gerealiseerd, want zelf al zit je 50% fout in je evaluatie heb je nog altijd veel bespaard. Daarentegen, als je een site hebt waar je model een 3.5% besparing aantoont mag je je echt wel afvragen of die besparing wel behaald is wanneer je wat ruis hebt op je model.
Dus: hoe groter de besparing, hoe minder modelnauwkeurigheid nodig is om toch een acceptabel resultaat te bekomen. Hier kan je er meer informatie over terugvinden.
Via de traditionele aanpak via lineaire regressies op maandbasis wordt als vuistregel naar voor geschoven dat deze enkel besparingen van meer dan 10% voldoende nauwkeurig kan detecteren. Bij baselinemodellen op uurbasis is dit een stuk lager. Hier kunnen besparingen vanaf 3% reeds voldoende nauwkeurig berekend worden.
Dus: de o zo belangrijke statistische parameters die we besproken hebben moeten altijd in perspectief van de besparing bekeken worden. Die besparingsonzekerheid (Uf) kan berekend worden. Voor een onzekerheid van 18% ga je voor een berekende besparing zoals de onze van 27% eigenlijk moeten zeggen: dankzij de maatregel hebben we tussen 22 en 32% bespaard.
3.2. Het summum van de visualisatie: de CuSum!
De CuSum (cummulative sum of geaccumuleerde som) is een van de belangrijkste analysemethoden/ dashboards voor elke energiemanager. Het sommeert de gerealiseerde besparingen (of meerverbruiken) na elke tijdsstap. Het maakt het eenvoudig om de totaal gerealiseerde besparing tijdens deze periode af te lezen. Ook is het een instrument om trends en trendwijzigingen te kunnen detecteren. Zeker bij gebruik van uur- of dagdata geeft dit heel veel inzicht.
Op de bovenstaande CuSum kunnen we aflezen dat er tijdens de beschouwde periode (1-11-2022 tot 9-12-2022) meer dan 25.000 kWh bespaard is. Dit vergelijken we dan met het verwachte energieverbruik tijdens dezelfde periode, vanwaaruit we de besparing kunnen berekenen (relatieve besparing = som van absolute besparing / som van het verwachte verbruik (of baselineverbruik).
Dit artikel heb ik met véél plezier geschreven met Maarten Van de Vijver. Om de tekst gemakkelijk leesbaar te halen hebben we bewust een aantal termen achterwege gelaten en zaken versimpeld. Ook benieuwd wat er echt schuilt achter afkortingen als IPMVP, M&V CVMRSE? Heb je je altijd al afgevraagd wat een graaddag is, maar je hebt het nooit durven vragen? Wil je in de wondere wereld duiken van de monitoring, dashboarding en anomaliedetecties? Neem gerust contact met ons op, we helpen je graag verder!