2. Hvad kan smart meter-data
bruges til?
Foredrag i Ingeniørforeningen IDA
Ingeniørhuset i København den 1/9-2015
Ved Anders Niemann, Sektionsleder,
Teknologisk Institut, Aarhus

3.  2002 Maskiningeniør, IHA, Aarhus
 2004 Mediko-ingeniør, AU
 2010 Ph.d. fra Sundhedsvidenskabeligt fakultet, AU
 Computational Fluid Dynamics simulation of a-v fistulas
 2010 Konsulent, Center for Installation og kalibrering, Teknologisk Institut
 Kalibrering af flowmålere (fra 500 m³/h til 1 ml/h)
 Test og analyse af flow og flowmålere via deltagelse i nationale og internationale
projekter
 Projektleder for EUDP-projekt
 Bearbejdning, test og analyse af data (Big-data) fra Energimålere i et fjernvarmenetværk
 2015 Sektionsleder, Teknologisk Institut
 Vand- og luftflow-laboratorier
Personlig introduktion
3

4.  Et Smart Grid er et moderne energinetværk,
der bruger informations- og
kommunikationsteknologi til automatisk at
indsamle information omkring forsyningers og
kunders adfærd og reagere hensigtsmæssigt
på baggrund af denne information.
 Hvor formålet er at forbedre effektiviteten,
driftssikkerheden, økonomien og
bæredygtigheden ved produktion, distribution
og forbrug af energi.
SMART GRID-Definition
4

5. Smart Grid-elementer
5
 Sensorer (Smart Meters)
 Datakommunikation
 Datalagring, datahåndtering og
data-administration
 Datasikkerhed
 Dataanalyseværktøj (Data mining)
 Evaluering og tilbagekobling
 Forbrugsvisualisering
 Produktionstilpasning
 Driftsoptimering

6. Driftsoptimering af Smart Grid-
fjernvarmesystemer for lavtemperatur

7.  78 smart meters (energimålere) installeret i 2 forskellige
testområder
 65 husstandsmålere
 9 målere i omløbsskabe
 4 målere i to blandeskabe til de to områder
 Testområderne
 Område 1: parcelhuse fra 1955 – 65 (radiatorer)
 Område 2: Parcelhuse fra 1998 – 99 (gulvvarme)
 Data bliver logget på minutbasis
 Data fra før og efter forskellige driftsoptimeringer
 IT-Værtøjer:
 TERMIS®: Numerisk værktøj til hydraulisk og termodynamisk
modellering og simulering af bl.a. tryk, temperatur og energi i
forsyningsnettet for både frem- og returløb
 Matlab®: Matematik- og programmeringssoftware
Projektforudsætninger
7

8.  For at udnytte og inkorporere vedvarende
energikilder, overskudsvarme eller for at
driftsoptimere et eksisterende
fjernvarmesystem på en optimal måde
kræves et nøje kendskab til de forskellige
driftsparametre og til dynamikken i
forsyningssystemet.
 At kunne anvende data fra Smart Meters til at
få kendskab til de forskellige driftsparametre
og dynamikken i fjernvarmenettet blandt
andet forbrugsmønstre.
 At anvendelse af Smart Meters med
minutbaseret datalogning kan være med til at
udvikle og afprøve tidsligt højtopløselige
modelleringsstrategier for driftsoptimering og
analysere driftsforhold og forbrugsmønstre.
Fjernvarme Smart Grid:
- Udfordringer og visioner
8

9. Datamængde og –anvendelighed ?
9
 Hvad skal vi med alle de data?
 Datalinjer (records) fra 1 måler:
 Dag: 1440 records
 Måned: 43920 records
 År: 525600 records
 Datalinjer fra 78 målere ≈ 41 mio. records
 Excel: ~1 mio. datalinjer
 Hvor mange data (hvor meget information)
skal der til?
 Logningsinterval pr. minut, pr. time ??
 Hvordan skal vi analysere og behandle dem?
 Af hvem og til hvad kan resultaterne
anvendes?

10.  Visualisering
 Forbrug af varme-energi
 Gennemsnitlig fjernvarmeafkøling
 Hvornår der er forbrug
 Benchmarking – anonymiseret
sammenligning med andre kunder
 Driftsoptimering:
 Forbrugsvisualisering
 Kundevejledning
 Bedre kendskab til forbrugsmønstre
 bedre produktionsplanlægning
 bedre drift af distributionsnettet
 Inkorporering af VE-kilder
 Sol, vind etc.
Anvendelse af de mange data
10

11.  At udvikle håndterings-, modellerings- og
analyseværktøjer
 Verifikation af målerdata for at sikre kvaliteten af inputdata
til videre analyser.
 Etablere en simuleringsmodel og –metode i TERMIS
baseret på validerede minutdata.
 Analysere og estimere usikkerheden på outputtet fra
TERMIS
 Udvikle værktøjer og metoder til at analysere
driftsoptimeringer og logningsintervallets indflydelse på
resultaterne.
Projekts hovedformål
11

12. Fjernvarme-distributionsnettet
12
tfrem = 75 °C
tretur = 35 °C
Pvarme = Δt∙c∙Qmasse
Omløb/shunt
tfrem = 60 °C
tretur= 20 °C
tfrem = 20 °C
tretur= 60 °C
Energi til opvarmning:
Afkøling af fjernvarme-
vandet
Energiforbrug (fjernvarme):
• Rumopvarmning (langvarig, konstant og
vejrafhængigt)
• Varmt brugsvand (kort tidskonstant,
vejruafhængigt)
tfrem = 70 °C
Pvarme = ∑pforbrug+ ∑pvarmetab
Ptotal = Pvarme+ Ppumpe
Ppumpe =
𝑄∙Δ𝑝 𝑡𝑜𝑡
η

13. Testområde 2
Dataflow
- Håndtering af data
13
Rå-datalager
(Oracle)
Data-udstilling
(MS-SQL-server)
Dataoverføring/
datavalidering
Vejr- og SRO-
data
Efter-
bearbejdningVisualisering Evaluering
Resultater
MS-SQL-
server
Dataanalyse
Testområde 1
Dataopsamling
Smart meters
Smart meters

14. Fremløb
 I henhold til EN-1434 varmemålere
 Flow sensor
 Temperaturfølere (differenstemperatur)
 Beregnerdel
 Temperaturfølere (enkeltvis)
Målerdata – Nøjagtighed
14
retur
Temp1Temp2

15. Målerdata – Nøjagtighed
- Maksimale tilladelige fejl (EN 1434)
15
𝜀 𝐹 = ± 2 + 0,02 ∙
𝑞 𝑝
𝑞 𝑎
[%]
εF: Procentuel maksimal fejl på flowsensor
qa: Aktuelt flow
qp: Maksimum flow
Flow Sensor:
𝜀 𝐷 = ± 0,5 + 3 ∙
∆𝑇 𝑚𝑖𝑛
∆𝑇𝑎
[%]
εD : = Procentuel maksimal fejl på afkøling
∆Ta : = Aktuel temperaturforskel
∆Tmin : = Mindste målbare temperaturforskel
Temperaturfølere (par):
εc : Procentuel maksimal fejl på regner
∆Ta : Aktuel temperaturforskel
∆Tmin : Mindste målbare temperaturforskel
𝜀 𝑐 = ± 0,5 +
∆𝑇 𝑚𝑖𝑛
∆𝑇𝑎
[%]Beregnerdel:
Total: 𝜺 𝑬 = ± 𝟐 +
𝟎,𝟎𝟐
𝒒 𝒂
𝒒 𝒑
+ 𝟎, 𝟓 +
𝟏
∆𝑻 𝒂
∆𝑻 𝒎𝒊𝒏
+ 𝟎, 𝟓 +
𝟑
∆𝑻 𝒂
∆𝑻 𝒎𝒊𝒏
= ± 𝟑 +
𝟎,𝟎𝟐
𝒒 𝒂
𝒒 𝒑
+
𝟒
∆𝑻 𝒂
∆𝑻 𝒎𝒊𝒏
[%]
Temperaturføler: ± 2 K

16. Målerdata – Nøjagtighed
16
-9,0
-7,0
-5,0
-3,0
-1,0
1,0
3,0
5,0
7,0
9,0
0,01 0,1 1
Errorε[%]
qa/qp
Maksimal tilladelig fejl (MPE)
ΔTa/ΔTmin = 1
ΔTa/ΔTmin = 2
ΔTa/ΔTmin = 5
ΔTa/ΔTmin = 10
± 𝟑 +
𝟎,𝟎𝟐
𝒒 𝒂
𝒒 𝒑
+
𝟒
∆𝑻 𝒂
∆𝑻 𝒎𝒊𝒏
[%]

17. Målerdata – Nøjagtighed
- Afregningsmåler kontra datalogger
17
𝜀 𝐸 = ± 𝜀 𝐹 + 𝜀 𝐷 + 𝜀 𝑐 [%]
Aritmetisk sum (worst case) : 100 % Konfidens
Sumkvadrat (kvadrattet af varianser): 95 % Konfidens
𝑈 𝐸 = ±2 𝑢1
2 + 𝑢2
2 + 𝑢3
2 = ±2
𝜀 𝐹
3
2
+
𝜀 𝐷
3
2
+
𝜀 𝑐
3
2
[%]
-𝜀 𝐸 𝜀 𝐸
½a
PDF
μ
𝑢 =
ε 𝐸
3
58 % af PDF
1 std afv. (u )
μ
95 % af PDF
2 std afv. (u )
PDF
−𝜀 𝐸(N) = -2μ 𝜀 𝐸(N) = 2μ

18. Databehandling og validering af data
18
Rå-datalager
(Oracle)
Data-udstilling
(MS-SQL-server)
Dataoverføring/
databehandling
Dataopsamling
Interpolering Validering

19. TID
Målernr.
1
Interpolerede data
Databehandling og validering af data
19
Interpolering
i = 1i =N-1
TID
Forbrug
X Y
X
Y
𝑾𝒊 = 𝟏 −
𝒊
𝑵
Vægtning af hvert punkt afhængigt
af hvor langt det er fra hullet:
Vægtet gennemsnit =
𝑥𝑊
𝑊
𝒙𝒊 = 𝒅𝒂𝒕𝒂 𝒑𝒖𝒏𝒌𝒕𝒆𝒓

20. • Flow [m³/s]
• Temperatur [°C] (frem og retur)
• Varmetab [w/m]
• Tryktab [Pa/m] eller [Pa]
• Flow [m³/s]
• Temperatur [°C] (frem og retur)
• Effekt [W]
• Samlet energi [kWh] og
vandforbrug [m³]
• Differenstemperatur (afkøling)
Fjernvarme-distributionsnettet
- beregningsparametre
20

21.  Inputdata
 Målerdata: Tryk, temperatur, effekt, flow…
 Output:
 Fx varmetab, tryktab, temperatur...
 Usikkerheder på input:
 Fx effekt (flow, differenstemperatur, …)
21
Analyse og estimering af usikkerheden på
outputtet fra TERMIS®
OutputTERMIS
(Simuleringsværktøj)
InputInput: ±2 %

22. Analyseparametre for nettes driftstilstand: før- og eftersituation:
 Fremløbstemperatur
 Returtemperaturen
 Afkølingen hos individuelle kunder
 Ændringer i forbrugsmønster hos individuelle kunder
 Ændringer i varmetab fra rør
 Ændring af tryktab i nettet
 Samtidighedsfaktoren
Samtidighedsfaktoren som analysemetode
 Til tjek af nettes driftsstatus før og efter driftsoptimeringer (hypotese)
 Til tjek af logningsintervallets betydning for resultatet (skalering/overføring)
Driftsoptimeringer og logningsinterval
- Værktøjer og metoder
22
Vejr- eller graddagsafhængig

23. Samtidighedsfaktor (”teoretisk”)
23
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0,80
0,90
1,00
0 10 20 30 40 50 60 70
SAMTIDIGSHEDSFAKTOR
ANTAL MÅLERE
Samtidighedsfaktorer
Tilslutningseffekten
Varmtvandsbehov
𝐬 = 𝟎, 𝟔𝟐 +
𝟎, 𝟑𝟖
𝐧
𝐬 =
𝟓𝟏 − 𝐧
𝟓𝟎 ∙ 𝐧
Kilde: Varme ståbi 6. udgave

24. 0 200 400 600 800 1.000 1.200 1.400
FORBRUG
TID [MINUTTER]
Individuelle forbrug
Meter 2
Meter 1
Meter 3
Kilde: EUDP-projekt: Driftsoptimering af Smart Grid-fjernvarmesystemer for lavtemperatur
Samtidighedsfaktor (målt)
24
max
max
max

25. Samtidighedsfaktor (målt)
25
0 200 400 600 800 1000 1200 1400 1600
FORBRUG
TID [MINUTTER]
Totalforbrug (summeret)
Meter 2
Meter 1
Meter 3
Totalforbrug
Kilde: EUDP-projekt: Driftsoptimering af Smart Grid-fjernvarmesystemer for lavtemperatur
max

26. Samtidighedsfaktor (målt)
26
𝑆 =
𝑀𝑎𝑥𝑖𝑚𝑎𝑙𝑣æ𝑟𝑑𝑖𝑒𝑛 𝑎𝑓 𝑡𝑜𝑡𝑎𝑙𝑓𝑜𝑟𝑏𝑟𝑢𝑔
𝑆𝑢𝑚𝑚𝑒𝑛 𝑎𝑓 𝑚𝑎𝑥𝑖𝑚𝑎𝑙𝑣æ𝑟𝑑𝑖𝑒𝑟𝑛𝑒 𝑓𝑜𝑟 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑒𝑙𝑙𝑒 𝑓𝑜𝑟𝑏𝑟𝑢𝑔
=
𝑚𝑎𝑥( 𝑖=𝑛 𝑀𝑒𝑡𝑒𝑟 𝑖)
𝑖=𝑛 𝑚𝑎𝑥(𝑀𝑒𝑡𝑒𝑟 𝑖)
0 200 400 600 800 1000 1200 1400
FORBRUG
TID [MINUTTER]
Individuelle forbrug
Meter 2
Meter 1
Meter 3max
max
max
0 200 400 600 800 1000 1200 1400
TID [MINUTTER]
Totalforbrug (summerede indv.)
Meter 2
Meter 1
Meter 3
Total forbrug
max

27. Samtidighedsfaktor
- Målt vs. teoretisk
27
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0,80
0,90
1,00
0 10 20 30 40 50 60 70
SAMTIDIGHEDSFAKTOR
ANTAL MÅLERE
Samtidighedsfaktor: Teoretisk og målt
Tilslutningseffekten
Varmtvandsbehov
Minutbaseret data
Timebaseret data
Varme ståbi
Varme ståbi
Målt: timeværdi
Målt: minutværdi

28. Målerdata minut- kontra timeværdier
28
0 200 400 600 800 1000 1200 1400
FORBRUG
TID [MINUTTER]
Målerdata
Minutdata
Timedata

29. Samtidighedsfaktor
- Sammenligning
29
0,8
0,85
0,9
0,95
1
1,05
0 5 10 15 20 25 30 35
SG(N)/SN(N)
ANTAL BOLIGER
Ratio mellem nyere og ældre testområde 1 min
2 min
4 min
8 min
15 min
30 min
60 min
90 min

30. Logningsinterval vs. samtidighedsfaktor
30
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
0 20 40 60 80 100 120 140 160 180
SAMTIDIGHEDSFAKTOR
LOGNINGS-INTERVAL [MINUTTER]
Samme log-tidspunkt
Forskelligt log-tidspunkt

31.  Sænkning af middelfremløbstemperaturen
 Ændring af forbrugsmønster
 Dårligere afkøling hos kunderne
 Returtemperaturstigning
 Forøget pumpeeffekt
 Mindsket varmetab
 Opsætning af nye fjernvarmeunits hos kunder og fintuning af anlæg
 Bedre afkøling af fjernvarmevandet = returtemperatur
 Mindre flow
 Omkostning for forbruger/fjernvarmeforsyning
Driftsoptimering
- Forventninger
31

32. 32
Pointen er ikke, at der skal installeres
fjernvarme-smart meters med minut-aflæsning
alle steder, men at udvikle validerede og
verificerede analyse- og optimeringsværktøjer,
der kan udnytte data fra de smart meters med
lavere samplingsfrekvens, der allerede er
installeret eller planlægges at blive installeret.

33. 33
Tak for opmærksomheden
Spørgsmål?