ElPred - den fremsynte appen

Transkript

1 ElPred - den fremsynte appen Eksperter i Team TET4850 Smart Grids Prosjektrapport Robert Versvik Stein-Olav Davidsen Magnus Solli Haukaas Håvard Skytt Michaelsen Egil Solberg NTNU Mai

2 Forord Dette prosjektet ble skrevet i forbindelse med emnet TET4850 Smart Grids. Faget hører inn under Eksperter i team, som er et obligatorisk tverrfaglig emne på masterprogrammene ved NTNU. Deltakerne i prosjektet har alle teknologisk bakgrunn og kommer fra studieprogrammene datateknikk, industriell matematikk, industriell økonomi, kybernetikk og materialteknologi. VI vil takke landsbyleder Kjell Sand for verdifulle innspill i prosjektet og Vidar Kristoffersen fra Fredrikstad EnergiNett for samarbeid om AMS-data. 2

3 Innhold Forord Innledning Prosjektidé Forutsetninger for en fungerende applikasjon Målsetting Marked Spørreundersøkelse Resultater Forretningsmodell Produkter på markedet i dag GarantiKraft ewave ElPred - systemoversikt Prognoser Modellen Problematikk i antakelser Simuleringer basert på 2011-data Oppsett Nøyaktighetsresultater Potensial for kostnadsbesparelser Optimering og styring Modulbeskrivelse Implementering i demonstrasjonsutgaven Planlagt informasjonsflyt og virkemåte Kompatibilitet med dagens smarthus Zigbee Insteon X Bruksområder for modulen Use-case for aktørens interaksjon med Android-applikasjonens optimeringsmodul Applikasjonens grafiske brukergrensesnitt Informasjon om skjermene Kommunikasjon

4 8 Forslag til forbedringer og videre arbeid Prognosemodell Forbruksdata Markedspåvirkning Alternative produkter Konklusjon Referanser Vedlegg 1: Spørreundersøkelsen Vedlegg 2: Dokumentasjon av beregningsprogramvaren

5 1. Innledning Prosjektet denne rapporten bygger på har pågått vårsemesteret 2012 som en del av EiT-landsbyen Smart Grids. Smart Grids brukes ofte som en fellesbetegnelse på fremtidens kraftsystem som vil ta i bruk mer informasjon, IKT og avanserte måle- og styresystemer, deriblant automatiske strømmålere (AMS). Innføringen av AMS til alle husstander i Norge er et ledd i utbyggingen av Smart Grids. Innen 1. januar 2017 skal alle norske husstander ha installert AMS-målere. AMS er en samlebetegnelse på «smarte målere» som registrerer, avregner og rapporterer strømforbruk på timebasis. Dette innebærer en radikal endring fra dagens ordning, hvor husstandene manuelt rapporterer avlesninger til nettselskapet for eksempel hver tredje måned. Vi tror at den hyppige avregningen, samt den økte graden av kontroll og styring av strømforbruket innebærer en rekke muligheter for både forbrukere og strøm-/nettselskaper som samlet kan ha stor verdi for samfunnet. Målet for prosjektet har vært å demonstrere potensiell verdi av investeringer i AMSmålere for strømforbrukere, strøm-/nettselskaper og samfunnet gjennom å lage et produkt. I rapporten har vi beskrevet både hvilke muligheter som vi tror finnes i markedet og de viktigste delene av produktet vårt. 1.1 Prosjektidé I de fleste norske husholdninger i dag finnes det ingen såkalte smarthusløsninger. SINTEF definerer smarthusteknologi som en samlebetegnelse for IKT-baserte komponenter installert i boliger med den hensikt å bidra med en eller flere nyttefunksjoner som enklere betjening og økt selvstendighet for beboeren, lavere energiforbruk, bedre komfort og/eller høyere sikkerhetsnivå (SINTEF, 2009). I en markedsundersøkelse som gruppen gjorde, svarte 79% av respondentene at de var interessert i å følge med på forbruket i større grad enn tidligere dersom det fantes en oversikt som var lettere tilgjengelig, for eksempel i en applikasjon for mobiltelefon (jf. kapittel 2). Basert på markedsundersøkelsen har gruppen valgt å utvikle en smarthusapplikasjon kalt ElPred rettet mot private strømforbrukere. I dagens marked finnes det allerede noen løsninger som bygger på denne ideen, bl.a. produktet ewave. Disse løsningene aggregerer informasjon om tidligere forbruk i en grafisk oversikt. Det lar brukeren for eksempel sette mål for strømsparing og sier fra dersom det brukes for mye. Vi har valgt å ta denne ideen et steg videre. Basert på gruppens tilgjengelige kompetanse har vi hatt som ambisjon å klare å ekstrahere mer informasjon ut av de nye dataene som AMS-målerne tilfører. Konkret bygger prosjektideen på å predikere, det vil si forutsi husstandens forbruk frem i tid. Dette kan gjøres ved å formulere forbruket som en matematisk modell som er en funksjon av tidligere forbruk og variable som for eksempel utetemperatur. Prosjektet omfatter en implementasjon av denne ideen og betrakter nærmere hvilken verdi disse dataene kan ha for forbrukeren og strøm-/nettselskaper. 5

6 I tillegg til bedre muligheter for forbruker til å følge med, styre og optimalisere eget forbruk, åpnes nye dører når AMS-data og prognoser kombineres med allerede eksisterende teknologier. Et eksempel er automatisk styring av forbruk. Prosjektet har derfor fokusert på hvilke muligheter som kan utvikles fra forbruksprognoser i kombinasjon med andre teknologier. Med applikasjonen som er utviklet, samt ideer til videre arbeid med denne, forsøker gruppen å konkretisere og synliggjøre noen av disse verdiene. Bakgrunnen for fokusområdet bunner i prosjektgruppas ferdigheter og interesser samt et felles ønske om å skape et produkt i et marked som enda ikke er fullt utforsket: en felles plattform for smarthustjenester som kombinerer dagens lokale smarthusløsninger med muligheter som de nye AMS-målerne gir. Prosjektet har altså hovedfokus på den enkelte forbrukeren og hvordan man kan gjøre forbruket billigere og smartere ved hjelp av ny teknologi. Tanker rundt samfunnsnytte drøftes også. I det følgende oppsummeres noen viktige forutsetninger for prosjektet og produktet: 1.2 Forutsetninger for en fungerende applikasjon AMS-målere er montert og nettselskapene har installert fungerende infrastruktur for automatisk avlesning. Markedsplasser for kraftforsikringstjenester o.a. tilbys av tredjepart. For tilkobling til eksisterende smarthuskommunikasjon vil det kreve en utbredt standard eller samarbeid med en tredjepart (leverandør av faktiske husholdningsartikler). Dette drøftes i detalj i kapittel Målsetting Utforske mulighetene rundt nye smarthusløsninger gitt av ny AMS-teknologi, samt hvordan disse kan kombineres også med eksisterende teknologi og tjenester. Synliggjøre verdien av de nye løsningene gjennom programvare som er avansert og velfungerende, men samtidig intuitiv og nyttig for den jevne husstand. 6

7 2 Marked Dette kapittelet belyser den forretningsmessige delen av vårt produkt. Her er det laget en todeling hvor det først undersøkes interesse for produktet blant tjenestemottakerne før det deretter gjøres en vurdering av aktuelle tjenestetilbydere. I tilknytning til aktuelle tjenestetilbydere undersøkes også markedet I dag for lignende produkt og ulike forretningsmodeller. Når det gjelder tjenestemottakerne er det laget en spørreundersøkelse hvor resultatene fra denne undersøkelsen er analysert. 2.1 Spørreundersøkelse Det ble laget en spørreundersøkelse med den hensikt å undersøke interessen for strømpriser og strømforbruk. Se vedlegg 1 for skjemaet til spørreundersøkelsen. Undersøkelsen ble lagt ut på Innsida hvor ansatte og studenter på NTNU har tilgang. Besvarelsene vil derfor ha en overvekt av deltakere med teknologisk bakgrunn. Det var ønsket at spørreundersøkelsen var så kort som mulig for å få flest mulig respondenter. Det ble derfor valgt ut 6 spørsmål. Totalt ble det mottatt 277 svar på undersøkelsen. 2.2 Resultater Figur 1 viser fordelingen av svar etter strømforbruk. Husholdning 18 % 11 % <5000 kwh, leilighet med annen oppvarmingskilde en strøm <10000 Kwh, leilighet kvm 33 % 38 % <20000 kwh, Stor leilighet/ liten enebolig >20000 Kwh, Stor enebolig Figur 1: Fordeling av husstørrelse og strømforbruk. Figuren viser at antall svar på <5000 og >2000 kwh/år er lavt i forhold til <10000 og <20000 kwh/år. Svarene fra de to gruppene kan derfor sprike mer enn de andre. Figur 2 viser interessen for strømregning etter hvor stort strømforbruket er. 7

8 3,5 Hvor interessert er du i strømregningen? 1 aldri - 5 ofte 3 2,5 2 1,5 1 0,5 0 Figur 2: Interesse for strømregning Vi ser av figur 2 at interessen for strømregning øker med forbruket. Forbrukere med høyt strømforbruk kan dermed være mer interessert i å redusere strømforbruket. At interessen er lavere i husholdninger med lavere strømforbruk enn 1000 kwh/år kan skyldes at det ofte er den yngre befolkningen som bor der. Til hjelp for graderingen var det oppgitt spørsmål som sjekker du strømforbruket mot tidligere kvartal?. Unge folk har muligens ikke like god innsikt over tidligere strømpriser og sitt eget forbruk. Figur 3 viser hvor deltagerne vil motta informasjon om sitt strømforbruk. Hvor kunne du helst tenke deg å motta informasjon om strømforbruket ditt? Alle 27% 52% 21% >20000 Kwh, Stor enebolig 24% 65% 12% <20000 kwh, Stor leilighet/ liten enebolig 29% 51% 20% <10000 Kwh, leilighet kvm <5000 kwh, leilighet med annen oppvarmingskilde en strøm 13% 32% 60% 43% Mobiltelefon Hjemmedisplay Strømleverandørens hjemmesider 25% 27% Figur 3: Fordelingen av svar på hvor deltagerne vil mota informasjon om strømforbruk 8

9 Undersøkelsen viser at hjemmedisplay, som for eksempel et nettbrett, er mediet som er mest foretrukket å motta informasjon på. Figur 4 viser fordelingen av interessen for å kjøpe forsikring ved høye strømpriser etter strømforbruk. Kan du tenke å kjøpe forsikring ved høye strømpriser? Ja, men bare hvis det blir gjort automatisk. Ja, men bare hvis informasjon om fremtidig strømpriser og antatt forbruk er lett tilgjengelig. Ja, er interessert i finansielle markeder og følger med på strømprisene. Nei, er ikke bekymret for svingninger i strømprisene. Alle 7% 32% 4% 57% >20000 Kwh, Stor enebolig 4% 35% 8% 53% <20000 kwh, Stor leilighet/ liten enebolig 7% 31% 7% 56% <10000 Kwh, leilighet kvm 10% 29% 1% 59% <5000 kwh, leilighet med annen oppvarmingskilde en strøm 3% 37% 0% 60% Figur 4: Interesse for å kjøpe forsikring. Figuren viser at over halvparten er ikke bekymret for svinginger i strømprisene. Dessuten ser man av figuren at deltakerne med over kwh/år kan 47 % tenke seg å kjøpe forsikring, i forhold til bare 40 % hos de med forbruk under 5000 kwh/år. Flesteparten av de som er villig til å kjøpe forsikring vil bestemme selv når det blir gjort. Gruppen med strømforbruk under kwh/år er mer villig til å ta i bruk et automatisk system for å kjøpe forsikring. Det kan skyldes at befolkningen som bor i mindre leiligheter er yngre, og dermed er mer vant og komfortabel med å bruke automatiske løsninger enn den eldre befolkningen. Figur 5 viser hvordan interessen for å kjøpe forsikring er som følge av interessen for strømregningen. 9

10 Kan du tenke å kjøpe forsikring ved høye strømpriser? 5-Ofte 11% 33% 6% 50% 4 5% 33% 8% 53% 3 7% 33% 4% 56% 2 6% 27% 2% 65% 1-Aldri 10% 31% 0% 58% Ja, men bare hvis det blir gjort automatisk. Ja, men bare hvis informasjon om fremtidig strømpriser og antatt forbruk er lett tilgjengelig. Ja, er interessert i finansielle markeder og følger med på strømprisene. Nei, er ikke bekymret for svingninger i strømprisene. Figur 5: Interesse for forsikring som følge av interesse for strømregningen. Man ser av figur 5 at forbrukere som mer interessert i strømregningen er også mer villig til å kjøpe forsikring ved høye strømpriser. Det kan skyldes mer kunnskap om hvor stor grad strømprisen påvirker regningen. Figur 6 viser hvor interessert deltagerne er i et system som kan redusere strømforbruket/strømregningen. I hvor stor grad er du interessert i et system som kan styre termostater og andre elektriske produkter for å redusere strømregningen. Alle 28% 60% 12% >20000 Kwh, Stor enebolig 24% 67% 10% <20000 kwh, Stor leilighet/ liten enebolig 26% 62% 12% <10000 Kwh, leilighet kvm 38% 52% 10% <5000 kwh, leilighet med annen 7% Ja, men bare hvis dette skjer automatisk. 70% 23% Ja, men bare hvis jeg godtar endringene som systemet foreslår. Nei, dette høres for avansert ut. Figur 6: Interesse for strømsparende tiltak. 10

11 Man ser av figur 6 at husholdninger som har mindre enn kwh/år er mer interessert i automatiske løsninger enn de med større forbruk. Samtidig ser man at de fleste vil ha et system der de selv godtar endringene. Som tidligere påpekt kan skyldes at befolkningen som bor i mindre leiligheter er yngre, og dermed er mer vant og komfortabel med å bruke automatiske løsninger. At de minste leilighetene ikke er mer interessert kan skyldes det lave strømforbruket og at det ofte er 1- roms leiligheter hvor soverom, kjøkken og stue ikke er adskilt. Figur 8 og 9 viser om deltagerne vil ha sjekket strømforbruket sitt oftere hvis det var lettere tilgjengelig. I hvor stor grad ville du ha sjekket strømforbruket hvis det var lettere tilgjengelig? Alle >20000 Kwh, Stor enebolig <20000 kwh, Stor leilighet/ liten enebolig <10000 Kwh, leilighet kvm <5000 kwh, leilighet med annen 79% 84% 81% 80% 57% 21% 16% 19% 20% 43% I større grad enn før Ingen forandring Figur 7: Ville deltagerne sjekket forbruket oftere hvis det var mer tilgjengelig? Figur 8 viser at 43 % de med minst forbruk ikke vil sjekke strømforbruket sitt mer selv om det er lettere tilgjengelig. Det kan skyldes at fastutgiftene som nettleie og avgifter utgår en større del av regningen. I de andre gruppene er det rundt 80 % som ville ha sjekket det oftere. Totalt sett viser spørreundersøkelsen at det er interesse for et produkt som predikerer strømforbruk og tilbyr kjøp av opsjoner for strøm. Flesteparten av deltagerne ville også motta informasjonen på et hjemmedisplay. 11

12 2.3 Forretningsmodell Vi har nå sett at det er en interesse i markedet for vår idé. Videre er det naturlig å se på hvordan produktet skal generere inntekter samtidig som interaksjonen med andre relevante aktører blir belyst. Det er derfor laget en forretningsmodell. Nedenfor er det sammenlignet ulike aktuelle forretningsmodeller, før det til slutt er konkludert med en modell som vi mener er mest hensiktsmessig. Den første muligheten er at ElPred selger produktet alene uten noe samarbeid med andre aktører. Dette innebærer blant annet at ElPred selger opsjoner selv. Dette er alternativ som ikke er å foretrekke da det trengs avanserte modeller for kalkulering av opsjonspriser. I tillegg er det behov for en betydelig mengde kapital når man selger forsikring. En annen mulighet er at ElPred inngår en joint venture (to selskaper samarbeider om en idé). Dette kan være en mulig løsning hvis det andre selskapet har nødvendig kunnskap og kapital. Mulige alternativer er da IT-selskap, energiselskap og store finansielle aktører. Forretningsmodellen som derimot foretrekkes er vist i figur 8 (de grønne pilene i modellen signaliserer kontantstrømmer). Her er det inngått et tenkt samarbeid med flere ulike aktører. I denne modellen får hver enkelt fokusere på sin kjernekompetanse. Her står for eksempel en større bank eller forsikringsselskap for salget av opsjoner. Banken/forsikringsselskapet mottar forsikringspremia og utbetaler penger til kunden hvis strømprisen går over avtalt pris. I tillegg betaler de for programvaren. ElPred betaler for tilgang til AMS-data og har inntjening på programvare og tilleggsmoduler på applikasjonen. Kundene kan altså kjøpe tilleggsfunksjoner etter ønske. Aktuelle tilleggsfunksjoner som energi- og effektiviseringssystemer og sammenligning av strømavtaler blir forklart senere i rapporten. Det skal nevnes at det ikke er nødt til å være en bank eller forsikringsselskap som står for salget av opsjoner. Andre alternativer er investeringsselskap og nettselskap. Figur 8: Forretningsmodell 12

13 3 Produkter på markedet i dag 3.1 GarantiKraft I dagens elektrisitetsmarked er det først og fremst bedrifter som kjøper forsikring mot strømprisene. Dette er vanlig innenfor kraftkrevende industri der store mengder elektrisitet forbrukes. På markedet i dag finnes det også opsjonslignende produkter for privatkunder. Et av disse produktene følger spotprisen, men garanterer at prisen ikke overstiger et visst nivå. Hos de fleste strømleverandører går dette produktet under navnet GarantiKraft. Garantien kan være i størrelsesorden 1 år. For dette produktet tar strømtilbyderen en fast månedspris i tillegg til en variabel kurs per kwh. Noen strømleverandører har ingen engangsavgift for å tegne dette abonnementet og ingen bindingstid. Dette betyr at i prinsippet kan GarantiKraft fungere som en opsjon på kortere tidsintervall. Vår applikasjon kan da forslå for forbrukeren når lønner seg å kjøpe GarantiKraft. Dette kan skje automatisk slik at systemet selv melder inn og sier opp avtalen. Dette skal i prinsippet være mulig, men det forventes derimot at strømleverandørene kommer til å forandre vilkårene på avtalen hvis dette blir en realitet. En annen ulempe er at pristaket er satt av strømleverandøren slik at fleksibiliteten blir mindre. Denne funksjonen er derfor ikke implementert i vår applikasjon. Pristaket slo inn siste måneder i 2010 og jan 2011, noe som gjorde at mange ville ha et slikt produkt. Interessen for å betale for en prissikring er lavere når spotprisene er lave, slik at i den siste tiden har en del kunder valgt å ikke ha prissikring. Karen Sofie Nicolaysen, Vesterålskraft Strøm AS Sitatet ovenfor viser tendensen til at strømkundene er interessert i et forsikringsprodukt som har kortere tidshorisonter enn et år. Produktet som omtales i sitatet er GarantiKraft. I motsetning til GarantiKraft skal vårt produkt gjøre det mulig å handle opsjoner med en kortere tidshorisont (ned mot 1 dag). Figur 9: GarantiKraft er et forsikringstilbud for privatkunder i dagens marked 13

14 3.2 ewave Det finnes mange løsninger på markedet for å overvåke strømforbruk. Det eksisterer også mange systemer som styrer oppvarming, lys og elektriske apparater. Vi har derimot valgt å se på ewave som er et forholdsvis nylig lansert produkt. ewave er et energidisplay fra selskapet Miljøvakt AS. Displayet viser en oversikt over strømforbruk og kostnad. Displayet lar brukerne sette mål for strømforbruk og gir beskjed ved overforbruk. ewave er koblet opp mot sikringsskapet og informasjon blir lagt ut på egen webside. Enheten kan også gi alarmer ved høy temperatur i sikringsskap. Tips og råd for strømsparing kan sendes ut fra strømleverandør til brukerne. Den store forskjellen mellom ewave og ElPred er prognosefunksjonaliteten. I tillegg skal ElPred gjøre automatiske forbedringer. ElPred er en applikasjon som både har energi- og effektiviseringssystemer og forbrukshistorikk/prognose. Tabellen nedenfor er en sammenligning av funksjonene til de to produktene. Tabell 1: Sammenlikning av produktene ElPred og ewave. ElPred E-wave Historisk strømforbruk x x Forteller om målsetninger x om el-forbruk er nådd Viser strømforbruk i nåtid x x Brannfare-varsling x Meldingsfunksjon som gir x råd og tips om strømsparing. Automatisk kundesupport x Prognose av forbruk og x pris. Kjøpe opsjoner x Energi-og effektiviseringssystem x 14

15 4 ElPred - systemoversikt På tidspunktet da systemet skulle utformes, kom vi frem til at vi ikke visste med sikkerhet hvilken funksjonalitet vi ønsket å ha med i applikasjonen. Dette gjorde at vi valgte å modularisere programvaren så mye som mulig. Det vil si at systemet består av enheter som er mer eller mindre uavhengige av hverandre. Denne systemarkitekturen har en rekke fordeler for vår applikasjon. For det første er det enkelt å lage ny funksjonalitet gjennom å bygge nye moduler som knyttes til systemet. For det er det enkelt å skille beregninger og brukerinteraksjon i separate enheter. Det vil si at tunge beregninger kjøres på en ekstern server, mens brukeren gir input og kan visualisere data på en lett enhet, som for eksempel en tablet. Dermed unngår man problemet med begrenset regnekraft på små enheter. En ulempe med denne utformingen er at data er sentralisert, og man er avhengig av internettilkobling fra brukerens enhet for å hente og sende data til serveren. For et system som må være robust, bør en lage en backupløsning lokalt hos brukeren. Systemet er strengt modularisert, for alle modulene kommuniserer kun med brukeren, husholdningen eller en database slik vi har utformet arkitekturen. I figuren nedenfor visualiseres arkitekturen i systemet. Piler indikerer informasjonsflyt mellom brukeren, databasen og de ulike modulene. Figur 10: Systemarkitektur 15

16 5 Prognoser Prognosemodulen er selve kjernen i programvaren i ElPred, og har ansvar for å regne ut prognoser av husstandens forbruk, samt timesprisene (spotprisene) for å danne beslutningsgrunnlag for de andre programvaremodulene. Modulen implementerer en matematisk modell som gir ut prognoser av husstandens forbruk og spotprisen på strøm. I prosjektet har vi gjort en forenklet antakelse om at husstandens forbruk er korrelert med tidligere forbruk og utetemperaturen til enhver tid. Videre antas at spotprisen på strøm vil avhenge av tidligere priser og temperaturen til enhver tid. I demonstrasjonsapplikasjonen er det brukt et virkelig datasett av AMS-data, spotpriser og temperaturdata fra 2011, og programvaren er bygget opp rundt dette. 5.1 Modellen For simulerings- og demonstrasjonsformål fikk gruppen tilgang til historiske AMS-måledata fra en husstand i FEAS Hvaler-prosjekt, spotpriser fra Nordpool samt temperaturdata for Hvaler for hele Alle dataene har en oppløsning på en time. Modellen som brukes er en statistisk tidsrekkemodell. Konkret vil dette bety at modellen regrederer observasjonene mot tidligere observasjoner. Spotprisen på Nordpool regrederes mot historiske priser og temperaturdata. Tilsvarende regrederes forbruksdataene mot historiske forbruksdata og temperaturdata. Prognoser av fremtidige verdier gjøres 24 timer frem i tid basert på den beste tilpasningen av modellen ut fra historiske data frem til prognosetidspunktet. For eksempel vil prognosene for døgnet 1. juni 2011 være basert på modellen som tilpasses alle historiske data opp til og med kl mai I tillegg gjør systemet en såkalt kondisjonert prognose, hvor det kondisjoneres på en av variablene i modellen. Det vil si at man kan overstyre prognosen på en av variablene, på bakgrunn av at man har oppdatert eller bedre informasjon om denne enn de andre variablene. I vårt tilfelle vil det være naturlig å bruke værvarsler som prognose for fremtidig temperatur enn å forsøke å predikere temperaturen basert på tidligere observasjoner, da meteorologenes varsler baseres på mer komplekse modeller. For å regne ut prognosedata trenger modulen inputdata fra databasen. Slik som demonstrasjonsprogramvaren fungerer, er data for hele 2011 lagt inn i databasen. I en reell kjøresituasjon vil data måtte lastes ned og legges inn i databasen kontinuerlig. Videre vil en i en reell kjøresituasjon bruke værvarsler, for eksempel fra Yr.no. I demonstrasjonsapplikasjonen er det brukt virkelige historiske temperaturdata i prognosene. 5.2 Problematikk i antakelser Fra et finansteoretisk standpunkt er antakelsen om at fremtidspriser kan predikeres noe tvilsom. I effisiente markeder vil fremtidige priser ikke kunne predikeres basert på tidligere priser. Imidlertid vil prisene kunne være avhengig av andre faktorer, som temperatur. Prognose basert på værvarsel strider derfor ikke mot teorien om effisiente markeder; informasjon som er tilgjengelig vil være priset inn til enhver tid. Bakgrunnen for at vi har valgt å sette opp denne prognosemodellen likevel, er behovet for å ha en grov indikator på hvilken vei prisen vil gå det neste døgnet, time for time. En ad-hoc autoregressiv modell som vi har satt opp vil ofte fungere bra nok for slike formål. 16

17 5.3 Simuleringer basert på 2011-data For å teste modellens prognoseevne og for å kunne justere modellen og avklare forbedringspotensial ble det skrevet programvare til å utføre simuleringer. Til simuleringene ble det benyttet en faktisk tidsrekke fra AMS-prosjektet til FEAS på Hvaler. Tidsrekken stammer fra en privat husholdning med et årsforbruk på om lag kwh. For værdata ble det benyttet data fra målestasjonen Strømtangen fyr som ligger like nordvest for Hvaler. I figur 10 og 11 vises et eksempel på grafene som produseres i simuleringen basert på 2011-data fra AMS-prosjektet på Hvaler. Her utføres prognose av forbruket for døgnet basert på alle forbruks- og værdata fra januar til og med samt temperaturvarselet for døgnet (her er brukt den faktiske temperaturkurven for dette døgnet). Figur 11: Plott av temperatur og forbruk januar-mars

18 Figur 12: Plott av siste døgns forbruk og temperatur, samt forbruksprognose og temperaturvarsel for

19 5.3.1 Oppsett Alle simuleringene ble kjørt fra 1. juni til 31. desember. For hvert døgn ble det regnet ut prognoser av det neste døgnets forbruk og spotpriser fra kl. 00 basert på all historikk opp til og med kl. 23. Som nevnt ovenfor ble det for temperaturvarselet brukt de faktiske temperaturverdiene for det neste døgnet. De predikerte dataene ble lagret i databasen og sammenliknet med de faktiske måleverdiene for hvert døgn for å måle modellens gjennomsnittlige nøyaktighet. Det ble også gjort simuleringer for å se på hvilket potensial det er for å redusere kostnader ved reallokering av forbruk. Resultater for nøyaktighetsmålinger og de andre simuleringene følger Nøyaktighetsresultater Prognosene for husstandens forbruk og spotprisene på Nordpool ble sammenliknet med de virkelige dataene på døgnbasis. Nøyaktigheten ble målt både som absoluttfeil for et døgn relativt til akkumulert forbruk/pris for hvert døgn i simuleringsperioden. For forbruksdataene var akkumulert relativ døgnfeil i gjennomsnitt 13%, mens for prisdataene var relativ døgnfeil i gjennomsnitt 9%. For hvert datapunkt var prognosefeilen i gjennomsnitt 0,36 kwh for forbruksdataene og 2,55 EUR/MWh for spotprisene. Sistnevnte svarer med en Eurokurs på 7,5 til en prognosefeil på 2 øre/kwh. Modellen ser altså ut til å være temmelig presis ut fra forutsetningene. Figurene nedenfor viser predikerte verdier mot de faktiske datapunktene. Figur 13: AMS-prognoser 19

20 Figur 14: Spotprisprognoser 5.4 Potensial for kostnadsbesparelser Med de predikerte dataene ble det gjort forsøk på å reallokere forbruk til tidspunkt med billigere strøm. Ideen er å prøve å finne tidspunkt på døgnet hvor prisen er høyest og lavest, og så flytte en del av forbruket fra timene med høyeste priser til timene med de laveste prisene. For simuleringsformål har vi sett på effekten av å flytte noe forbruk fra de predikert dyreste timene til de predikert billigste timene hvert døgn. Vi har antatt at det for en husholdning er mulig å flytte forbruk i 9 timer med en effekt på 3 kw. Denne mengden energi tilsvarer om lag en opplading av elbil pluss en kjøring av en vaskemaskin. Et årsforbruk av dette tilsvarer 9855 kwh, som med en snittpris på 0,5 kr/kwh vil koste 4927,50 kr. Simuleringene viser at systemet vårt vil redusere denne kostnaden med 357 kr, en innsparing på vel 7%, og at potensialet er oppad begrenset til 416 kr (når man bruker timene som faktisk var billigst). Med andre ord treffer systemet i snitt ca. 86% av innsparingene som er mulig å gjøre ved å flytte på dette forbruket. Figur 3 viser differensen mellom innsparingen som følge av reallokeringen som systemet foreslår og øvre grense for innsparing for halvåret juni-desember Gjennomsnittsavviket er på 0,16 kr per dag. 20

21 Figur 15: Avvik mellom mulig innsparing og faktisk innsparing Volumet av innsparingene som ble simulert er nok ikke revolusjonerende stort for en privat husholdning. Men relativt til totalkostnaden utgjør innsparingen over 7%, hvilket er en betydelig reduksjon hvis totalvolumet er stort. En kan tenke seg at et slikt system vil være meget verdifullt for en industriell aktør som har fleksibilitet til å skyve på forbruk. Et annet aspekt som er verdt å nevne, er at en forbrukeratferd som skisseres ovenfor vil være markedsdrivende dersom den utøves i stort omfang. Finansiell likevektsteori tilsier da at prisene i markedet vil jevnes ut, slik at døgnvariasjonene blir mindre. For nettselskapene vil en slik endret forbrukeratferd kunne ha stor verdi i den forstand at lasttoppene kan reduseres. Dermed vil muligens behovet for investeringer i nettinfrastruktur reduseres. 21

22 6 Optimering og styring Figur 16: Optimeringsmodul 6.1 Modulbeskrivelse Optimeringsmodulen har som oppgave å utnytte tilgjengelig informasjon til å finne ut hvordan husholdningsartikler og andre laster bør styres optimalt. Typiske områder for slik styring er romoppvarming, belysning og styring av store laster som for eksempel varmtvannsberedere. I arbeidet med denne modulen til applikasjonen har det blitt lagt vekt på at strukturen skal legge til rette for optimering på flere områder, også områder der det ikke er vanlig i dag. På den måten bidrar optimeringsmodulen til å gjøre applikasjonen til noe mer enn bare besparelser for forbruker fra den dagen den lanseres til den er utdatert. Den blir en plattform for besparelser også i fremtiden i takt med ny teknologi etter hvert som modulen oppdateres. Denne tankemåten setter krav til oversiktlighet og vil gjøre vedlikeholdsarbeid lettere. Dette er viktig i all systemutvikling. Det som skiller tankegangen rundt denne modulen fra dagens løsninger for hjemmeoptimering som i stor grad er tidsbasert er hovedsakelig bruk av de predikerte verdiene fra prognosemodulen, samt prisinformasjon. Dette mener prosjektgruppa er noe nytt og unikt som kan gi husholdninger store besparelser og ny grad av kontroll. Det har altså blitt lagt vekt på lokal styring, men man kan også tenke seg at dette kan kombineres med ordre fra nettselskap om å skru av store laster ved flaskehalser i nettet. Altså er modulens rolle å ta over for de eksisterende dumme smarthusløsningene som ikke bruker informasjon utenfra. 22

23 I første runde, og i arbeid med demonstrasjonsutgaven av applikasjonen, er det i hovedsak behandlet optimering og synliggjøring av besparelser i forbindelse med oppvarming da dette er den største forbrukskilden i norske hjem. 6.2 Implementering i demonstrasjonsutgaven I demonstrasjonsutgaven av applikasjonen er optimeringsmodulen kun realisert for å vise hensikten med den. Det innebærer at flere av de planlagte funksjonene og ideene i dette avsnittet av rapporten ikke er implementert i den nåværende utgaven av systemet. Demonstrasjonsutgaven viser at optimering av varmeovninnstillinger kan gjennomføres basert på pris og brukers egne innstillinger. Tallene som vises er beregnet med utgangspunkt i et tidlig utkast av en optimeringsfunksjon i Java. Figur 17: Skjermbilde fra demo applikasjon 6.3 Planlagt informasjonsflyt og virkemåte For å passe inn i et databasesentrert totalsystem er optimeringsmodulen planlagt implementert som en eventbasert modul. Det vil si at når serveren med optimeringsmodulen kjører og databasen er tilgjengelig, vil modulen kontinuerlig søke etter informasjon fra databasen. Dersom ny nyttig informasjon er tilgjengelig vil beregninger (optimeringer) bli foretatt. På denne måten sikres det at det ikke blir brukt unødvendig datakraft på beregninger som ikke er nødvendige eller allerede er gjennomført tidligere. Eksempel på slik informasjon som trigger en beregning kan for eksempel være varsel om høy strømpris. Et resultat av beregningene kan bli å sette ned temperaturen i huset. I utgangspunktet vil en slik prosedyre med innhenting av informasjon, beregninger og til slutt endringer bli foretatt minst en gang i timen, men det vil kunne endres etter behov. Intervallet på en time henger sammen med at man med AMS-teknologien har foreslått at ny prisinformasjon skal være tilgjengelig på timebasis, også for forbruker. Dette betyr derimot ikke at optimeringene er låst 23

24 til en beregning i timen og er ute av funksjon hvis prisinformasjon uteblir. Til romoppvarming for eksempel vil det beregnes en optimeringshorisont. Det innebærer at det ved hver beregning konstrueres en tidsrekke frem i tid hvor planlagt styring for hver time blir satt. Her brukes reell pris første time (hvis tilgjengelig) og predikerte verdier for de neste timene. Hele denne rekken oppdateres ved hver optimering. Denne måten å gjøre det på er mest aktuelt i situasjoner hvor det er mennesker i huset, men man kan også tenke seg løsninger hvor oppvarming av kaldt hus blir optimert ved hjelp av predikert pris. Et scenario er en familie som kommer hjem fra vinterferie og ønsker oppvarmet hus. Systemet vil da beregne når oppvarmingen bør begynne. Figur 18: Optimeringsmodul - virkemåte 6.4 Kompatibilitet med dagens smarthus Målet med produktet vårt er at det ikke skal være nødvendig å måtte investere i nye husholdningsapparater og infrastruktur for å benytte seg av applikasjonen. Applikasjonen skal være tilgjengelig for alle og ikke kun spesielt interesserte. Dette byr på en utfordring i dagens situasjon. I industrien er det ennå ingen markert markedsstandard for smarthuskommunikasjon med elektronisk styring. Ingen kandidater står frem som en ledende standard verken nasjonalt eller internasjonalt. Muligens har teknologien vært dyr og ikke god nok enda, eller interessen fra potensielle brukere har ikke vært stor nok. Prosjektgruppa tror dette nå er i ferd med å snu og den store satsingen på Smart Grids vitner også om dette. 24