ABSTRACTUtility Bill Tracking system är i centrum för en effektiv energihushållning program. Men vissa organisationer spenderar tid och pengar att sätta ihop ett verktyg BILL spårning och aldrig skörda något värde. Denna uppsats presenterar tre allmännyttiga tekniker proposition analys som energi chefer kan använda för att komma fram till sunda beslut energihushållning och uppnå kostnadseffektivitet spårning savings.INTRODUCTIONUtility bill och analys är i centrum för rigorösa energiledningssystem praktiken. Pålitlig energiledningssystem beslut kan fattas baserat på analyser från en effektiv elräkning spårningssystem. Från dina elräkningar kan du bestämma: - om du sparar energi eller öka din konsumtion, - vilka byggnader använder för mycket energi, - om din energiledningssystem ansträngningar lyckas, - om det finns verktyg fakturering eller fel mätare, och - när användning eller mätning missbildningar förekommer (dvs. när användningsmönster förändras) Alla energihushållningsprogram är ofullständig om den inte spårar elräkningar. Likaså är någon energi management program blir mindre effektiv när dess användbarhet tracking system är svåra att använda eller inte ge värdefull information. I båda fallen, givande möjligheterna till energibesparingar är lost.Many praktiska energiansvariga gör det smarta valet och investera i elräkning spårningsprogram, men sedan misslyckas med att återfå sin ursprungliga investering i energibesparingar möjligheter. Hur kan detta vara? Denna uppsats presenterar tre enkla och användbara rutiner som kan utföras med elräkning spårningsprogram. Bara utföra och agera utifrån de två första typerna av analys kommer sannolikt att spara tillräckligt med pengar för att betala för din elräkning tracking system under det första året. De tre ämnena är Benchmarking, Load Factor Analysis, och väder Normalisering som visas i tabell 1.BENCHMARKINGLet 's antar att du var den nya energin chef med ansvar för en portfölj av skolbyggnader för ett distrikt. På grund av brist på resurser, kan du inte ägna din uppmärksamhet till alla skolor samtidigt. Du måste välja en handfull skolor att undersöka noggrant. För att identifiera de skolor som är i störst behov av din uppmärksamhet, en av de första saker du kan göra är att ta reda på vilka skolor använder för mycket energi. En enkel jämförelse av de totala årliga förbrukade kostnader för allmännyttiga tjänster skulle identifiera de byggnader som spenderar mest på energi, men inte varför. Som framgår av Figur 1, kostar Santa Rosa Elementary School (ES), San Simeon ES och San Gabriel ES mest att fungera, medan San Luis Obispo ES och Creston ES kostar minst. Men dessa tre skolor kanske inte de bästa skolorna för att arbeta på först. Troligtvis de byggnader som spenderar mest på energi är de största byggnaderna i portföljen. Det vore klokare att hitta de byggnader som spenderar mest per kvadratmeter per år. Denna process kallas benchmarking, och återges i fig 2. Figur 2 visar samma skolor, men de är fördelad per kvadratmeter (mäklararvode). Santa Rosa och San Simeon ES är fortfarande de bästa målen, men San Gabriel ES är faktiskt en av de mer effektiva skolor. Istället San Luis Obispo ES är den tredje mest slösaktiga skolan på en $ /sqft basis. Från detta kan vi också se att de mest ineffektiva skolor kostar ca 30% mer att driva än den mest effektiva schools.Benchmarking Olika kategorier av BuildingsWhen benchmarking, är det också bra att bara jämföra liknande anläggningar. Till exempel, om du tittat på ett skoldistrikt och jämförde alla byggnader med $ /sqft, kanske du upptäcker att de teknikcentrum förvaltningsbyggnader var på toppen av listan, eftersom förvaltningsbyggnader och teknikcentrum har ofta fler datorer och är mer energi intensiv än grundskolor och förskolor. Dessa resultat förväntas och inte nödvändigtvis bra. Av denna anledning kan det vara klokt att bryta dina byggnader i kategorier, och sedan jämföra bara en kategori åt gången. Olika DatasetsYou kan jämföra dina byggnader mot varandra (som vi gjorde i vårt exempel) eller mot allmänt tillgängliga databaser av liknande byggnader i ditt område. Energy Star Portfolio Manager kan du jämföra dina byggnader mot andra i din region. Kanske dessa byggnader i dina portföljer som såg det mest slösaktiga är fortfarande i topp 50: e percentilen av alla liknande byggnader i ditt område. Det skulle vara bra att know.Occasionally beslutar ledningen att deras organisation behöver för att spara lite godtycklig andel (5%, 10%, etc.) på allmännyttiga kostnader varje år. Beroende på målet, kan detta vara ganska krävande, om inte omöjligt. Energi chefer kan använda benchmarking för att vägleda ledningen att sätta realistiska mål för energihushållning, som visas i figur 3. Till exempel kan vår skoldistrikt energi manager väljer att skapa ett mål som de tre mest energiförbrukande skolor använder endast $ 0.80/SQFT. Eftersom detta är ungefär lika mycket som de lägsta energiförbrukande skolor använder för närvarande, kan detta vara ett realistiskt mål. Om du kan hitta en datamängd, kan du också kunna jämföra dina byggnader mot en uppsättning av liknande byggnader i ditt område och se utbudet av möjligheter för dina byggnader. I varje fall kommer benchmarking fokusera dina ansträngningar energihushållning och ger realistiska mål för framtiden. Regler för ThumbNew energiansvariga söker ofta för en "tumregel" att använda för benchmarking. Ett exempel skulle kunna vara: "Om byggnaden använder mer än $ 2/SQFT/Year så har du ett problem." Tyvärr kommer detta inte att fungera. Olika typer av byggnader har olika energiintensitet. Dessutom kommer olika byggnadsdelar platser kräver olika mängder energi för uppvärmning och kylning. I San Francisco, där temperaturen är genomgående på 60-talet, det finns nästan inget kylbehov för många typer av byggnader, medan i Miami, kommer byggnaderna nästan alltid kräver kylning. Olika typer av byggnader, med sina karaktäristiska energiintensitet, olika platser väder och olika skattesatser verktyg kombineras för att göra det svårt att ha tumregler för benchmarking. Däremot kan energi chefer vars portföljer är alla i närheten, utveckla sina egna tumregler. Dessa regler kommer sannolikt inte kunna överlåtas till andra energikällor chefer på olika platser, med olika typer av byggnader, eller med hjälp av olika verktyg configurations.Benchmarking Byggnader i olika LocationsThere finns vissa komplikationer i samband med benchmarking. Anta att du var energin chef för en butikskedja, och du hade byggnader i olika nationella platser. Då benchmarking inte kan vara användbara i samma mening. Skulle det vara rättvist att jämföra en San Diego butik till en Chicago butik, då det alltid är rätt temperatur utanför i San Diego, och alltid för varmt eller för kallt i Chicago? Den Chicago butiken kommer ständigt vara värme eller kyla, medan San Diego butiken inte kan ha många värme-eller kylbehov. Jämföra på $ /sqft kan hjälpa avgöra vilka butikslägen är dyrast att använda på grund av höga nytta priser och olika uppvärmning och kylning needs.Some analytiker energi benchmark med kBtu /sqft för att ta bort effekten av nytta priser (ersätter $ med kBtu). Vissa tar det ett steg längre med kBtu /sqft /HDD för att ta bort effekten av vädret (lägga HDD), men att lägga hårddisken (eller CDD) är inte en rättvis mätning, eftersom det förutsätter att all användning är associerad med uppvärmning. Denna mätning tar heller inte hänsyn till kyla (eller värme) behov. Många omtänksamma energiansvariga skygga benchmarking som innebär CDD eller HDD.Different Benchmarking UnitsAnother populära benchmarking metoden är att använda kBtu /sqft (per år), snarare än $ /sqft (per år). Genom att använda energi enheter snarare än kostnaderna, "tumregler" kan skapas som inte vederläggs med varje räntehöjning. Dessutom innebär de varierande kostnaderna för olika nytta priser inte störa comparison.Benchmarking SummationBenchmarking är en enkel och bekväm praxis som tillåter energi chefer att snabbt bedöma energiprestanda deras byggnader genom att jämföra dem mot varandra med hjälp av en släkting (och relevant) måttstock. Byggnader i störst behov av energistyrning praktiken lätt pekas ut. Rimliga energiförbrukningen målen bestäms lätt för problem buildings.LOAD FACTOR ANALYSISOnce du har identifierat vilka byggnader du vill göra mer effektivt kan du använda Analysis Load Factor att koncentrera ditt fokus energiledningssystem för att minska energi eller minska demand.What Load Factor Factor isLoad vanligen beräknas genom faktureringsperiod, och är förhållandet mellan genomsnittliga efterfrågan och topp (eller uppmätt) efterfrågan. Genomsnittlig efterfrågan är den genomsnittliga timlönen dragningen under faktureringsperiod. Vad kabinfaktorn MeansHigh belastningsfaktorer (större än 0,75) representerar mätare med nästan konstant belastning. Utrustning är sannolikt inte avstängd nattetid och maximal användning (relativt lågtrafik användning) är låg. Låg utnyttjandegrad (mindre än 0,25) hör till mätare som har mycket hög toppeffekt drar i förhållande till resten av provet. Dessa mätare skulle kunna förknippas med kylaggregat eller elvärme utrustning som är avstängd för mycket av dagen. Låg utnyttjandegrad kan också vara associerade med byggnader som stänger nästan all utrustning under icke-gångtimmar, såsom elementära schools.Load Faktorer som är större än 1 är teoretiskt omöjligt, men förekommer ibland på elräkningar. Enstaka fall av mycket hög eller låg belastning faktorer är oftast ett tecken på Load mätning errors.Using faktorer för att analysera din portfölj av BuildingsOnce du har beräknat kabinfaktor, kan du börja skörda användbar information. Figur 5 visar verkliga data från ett skoldistrikt i Georgien. Observera att i maj 2003 notan för Houston MS är över 100% - detta är uppenbarligen en mätning eller datainmatningsexpert fel. Den tjocka streckade linjen i figur 5 representerar medelvärdet Load Factor. Lägg märke till att den genomsnittliga kabinfaktor på alla skolor tenderar att stiga i vintrarna, och släpp under kylningen säsongen. Detta är självklart, som dagliga loadshapes blir mer "peaky" under kylningen säsongen som svar på eftermiddagen kylbehov, medan under eldningssäsongen, eftersom skolorna värms med gas, de dagliga loadshapes tenderar att plana ut. En skola, Tyler MS, har genomgående en mycket lägre beläggning än de andra (svävar konsekvent omkring 20%). Låg utnyttjandegrad kan tillskrivas antingen mycket höga belastningstoppar eller mycket låga belastningar under andra tider. I det här fallet kan vi inte skylla problemet Load Factor på "peaky" kylbehov, eftersom problemet finns hela året. En trolig orsak kan vara att Tyler MS gör ett bättre jobb på att stänga av all belysning och annan utrustning på natten än de andra skolorna. En skola (Jackson MS) har typiskt högre belastning faktorer än de övriga skolorna. En orsak kan vara att belysning, VVS och annan utrustning är igång fler timmar än på Tyler MS.A bra energi chef skulle undersöka vilken byggnad operativa beteende bidrar till de låga värdena kabinfaktor (och därmed relativt hög efterfrågan) för Tyler MS, och skulle undersöka om efterfrågan skulle kunna minskas. Förfrågan om huruvida Jackson MS stänga utrustningen på natten är också advisable.Figure 6 presenterar belastningstal för några grundskolor i Kalifornien. Eftersom lastfaktorerna är så låga, verkar det som belysning och VVS-utrustning håller avstängd vid Rules night.Load faktor ThumbLoad Faktoranalys är en konst, inte en vetenskap. Olika typer av byggnader (t.ex. skolor, kontor, sjukhus, etc.) kommer att ha olika intervall kabinfaktor. Eftersom sjukhusen kör många områden 24 timmar om dygnet, kan man förvänta sig högre fyllnadsgrad än för skolor, vilket kan stänga av nästan allt på natten. Också många saker bidrar till en viss byggnad kabinfaktor. En byggnad kvar på 24 timmar om dygnet kan fortfarande ha en låg belastning faktor om det finns stora toppar varje månad - till exempel en 20 säng sjukhus som har en planerad MR lastbil besök en gång varje månad. Den MRI efterfrågan är stor, och kan i hög grad påverka kabinfaktor på en liten facility.Like Benchmarking, kan du bestämma dina egna tumregler för dina byggnader, dock kommer ditt utbud av godtagbara belastningsfaktorer variera beroende på typ av byggnad och klimat. Tumregler är kanske inte så bra ändå. Precis Benchmarking, ska bara identifiera byggnader med ovanligt hög och låg utnyttjandegrad i förhållande till de övriga byggnaderna i portföljen, vara sufficient.Load Factor SummationLoad Factor kan användas för att identifiera fakturering och mätning fel, byggnader som inte vänder ut utrustning, och byggnader med misstänkt höga krav. Medan Benchmarking kan identifiera byggnader mest sannolikt ge stora utdelningen energieffektivitet, kan Load Factor Analysis peka lätt lösas schemaläggning och mätning issues.WEATHER NORMALIZATIONAnother viktig elräkning analysmetod är att normalisera elräkningar till vädret. Väder Normalisering tillåter Energy Manager för att avgöra om anläggningen är att spara energi eller ökad energianvändning, utan att oroa vädret variation. Anta en energi chef ersatte den befintliga köldbärarsystemet i en byggnad med ett effektivare system. Han förmodligen skulle förvänta sig att se energi-och kostnadsbesparingar från denna eftermontering. Figur 7 presenterar resultat energin chefen kanske expect.But tänk om, istället presenterade räkningarna katastrofen som visas i figur 8? En kvarts miljon dollar eftermontering är svårt att motivera med resultat som denna. Och ändå, känner energin chefen att allt i efterhand gick som planerat. Vad orsakade dessa resultat? Tydligt Energy Manager kan inte presentera dessa resultat utan någon anledning eller motivering. Ledningen kan bara titta på siffrorna och eftersom siffrorna inte ljuger, avslutar de har anställt fel Energy Manager! Det finns många anledningar till eftermontering kanske inte har levererat de förväntade besparingarna. En möjlighet är att projektet levererar besparingar, men på sommaren efter ombyggnad var mycket varmare än sommaren innan eftermontering. Varmare somrar översätta till högre belastningar luftkonditionering, vilket medför normalt högre elräkningar. Hotter Summer -> Högre Luftkonditionering Load -> högre sommartemperaturer Utility BillsIn andra ord, den nya utrustningen verkligen spara energi, eftersom det fungerar mer effektivt än den gamla utrustningen. Siffrorna visar inte detta eftersom denna sommar var så mycket varmare än förra sommaren. Om vädret verkligen var orsaken till den högre användning, hur kunde du använda någonsin elräkningar att mäta besparingar från energieffektiviseringsprojekt (speciellt när du kan göra ursäkter för dåliga resultat, som vi just gjorde)? Dina besparingar siffror skulle vara i händerna på vädret. Besparingar siffror skulle vara av något värde alls (om inte vädret var samma år efter år). Vårt exempel kan tyckas lite överdrivet, men det väcker frågan: Kan vädret verkligen har en sådan inverkan på sparande siffror? Det kan, men oftast inte denna extrema. Sommaren 2005 var den varmaste sommaren på ett sekel av journalföring i Detroit, Michigan. Det fanns 18 dagar vid 90degF eller högre jämfört med den vanliga 12 dagar. Dessutom var den genomsnittliga temperaturen i Detroit 74.8degF jämfört med den normala 71,4 degF. Vid första tanke, inte 3 grader tyckas inte så mycket, men om du konverterar temperaturer kyla graddagar, som visas i figur 9, resultaten ser dramatisk. Bara jämföra juni-augusti perioden fanns 909 kylning graddagar under 2005 jämfört med 442 kyla graddagar 2004. Det är mer än dubbelt! Kylning graddagar är ungefär proportionell mot relativa krav byggnad kylning. För Detroit då, kan man dra slutsatsen att en genomsnittlig byggnad krävs (och eventuellt konsumeras) mer än dubbelt så mycket energi för kylning under sommaren 2005 än sommaren 2004. Det är troligt att i Övre Mellanvästern i USA fanns det flera energikällor chefer som står inför just detta problem! Hur är en energi chef ska visa besparingar från ett kylt vattensystem eftermontering under dessa omständigheter? En enkel jämförelse av elräkningar kommer inte att fungera, eftersom de förväntade besparingarna kommer att bli begravd under den ökade kylbehov. Den lösningen skulle vara att tillämpa samma väderdata för de pre-och post-eftermontering räkningar, och då skulle det inte finnas någon påföljd för extrema väderförhållanden. Detta är precis vad väder normalisering gör. Att visa besparingar från en eftermontering (eller annan energi management praxis), och för att undvika att vår katastrofala exempel bör en energi chef normalisera räkningar för väder så att förändringar i väderförhållandena inte äventyrar besparingar siffrorna. Mer och mer energi chefer nu normalisera sina elräkningar för väder för att de vill kunna bevisa att de faktiskt sparar energi från sina insatser energihushållning. I många programpaket kan du fastställa sambandet mellan väder och användning med bara ett klick. Eftersom ett klick "stämningar" att programvaran ger dig är inte alltid acceptabelt, hjälper det att förstå den bakomliggande teori och metod så att du kan identifiera problemet stämningar och göra nödvändiga justeringar. Ju mer du vet om ämnet desto bättre. Avsnittet som följer förklarar lite mer i detalj de grundläggande elementen i vädret normalization.How Väder Normalisering WorksRather än jämföra förra årets användning till årets användning, då vi använder väder normalisering, jämför vi hur mycket energi vi skulle ha använt det här året till hur mycket energi vi använder i år. Många i vår bransch inte kalla resultatet av denna jämförelse, "besparingar", utan snarare "Användning Undvikande" eller "Cost Avoidance" (om man jämför kostnader). Eftersom vi försöker att hålla denna behandling på en introducerande nivå, kommer vi helt enkelt använda ordet Savings.When vi försökt att jämföra förra årets användning till årets användning, såg vi den katastrofala projektet i Figur 8. Vi använde ekvationen: Besparingar = Fjolårets användning - Årets usageWhen vi normalisera för väder, samma data resultaten i figur 10 och använder ekvationen: Besparingar = Hur mycket energi vi skulle ha använt i år - Årets usageThe nästa fråga är hur att räkna ut hur mycket energi vi skulle ha använt det här året? Det är där vädret normalisering kommer in.First, vi väljer ett år av elräkningar som vi vill jämföra framtida användning. Detta skulle normalt vara det år du började ditt program energieffektivisering, året innan du installerade en ombyggnad, eller något år tidigare som du vill jämföra nuvarande användning för. I detta exempel, skulle vi välja år av verktyget data innan installation av köldbärarsystemet. Vi kommer att kalla detta år basåret. Därefter beräknar vi graddagar för fakturering Basår perioder. Eftersom detta exempel är bara sysslar med kyla, vi behöver bara samla Cooling Degree Days. Basårets räkningar och kyla Days Degree normaliseras sedan med antalet dagar, som visas i figur 11. Normalisering av antal dagar (i det här fallet, bara, dividera med antalet dagar) avlägsnar något buller i samband med olika längder räkningen period. Detta görs automatiskt av konserverad programvara och skulle behöva göras för hand om andra sätt var employed.To fastställa förhållandet mellan användning och väder, finner vi den linje som kommer närmast alla räkningar. Denna linje, Best Fit Line, hittas med hjälp av statistiska regressionstekniker tillgängliga i burk elräkning spårningsprogram och kalkylblad. Nästa steg är att se till att de bästa Fit Line är bra nog att använda. Kvaliteten på den bäst anpassade linjen representeras av statistiska indikatorer, är den vanligaste av dessa, R2-värde. R2-värdet representerar godhet passar, och i cirklar energiteknik, är en R2> 0,75 anses vara en acceptabel passform. Vissa mätare har liten eller ingen känslighet för väder eller kan ha andra okända variabler som har ett större inflytande på användning än vädret. Dessa mätare kan ha ett lågt R2 värde. Du kan generera R2 värden för räta linje i Excel eller andra konserverade elräkning spårning software.This Best Fit Line har en ekvation, som vi kallar den anpassade linjen ekvation, eller i detta fall Baseline ekvation. Den räta linje ekvation från figur 11 kan vara: Baseline kWh = (5 kWh /dag * # dagar) + (417 kWh /CDD * # CDD) När vi har denna ekvation, är vi klara med Year regression process.Base räkningar ~ = Best Fit Linje = Fit Linje EquationThe Fit ekvation representerar hur din anläggning använd energi under basåret, och skulle fortsätta att använda energi i framtiden (som svar på förändrade väderförhållanden) förutsatt att inga väsentliga förändringar skett i byggnaden konsumtion patterns.Once du har Baseline ekvation, kan du avgöra om du sparat någon energi. Hur? Du tar en faktura från någon faktureringsperiod efter basåret. Du kopplar sedan i antalet dagar från din faktura och antalet Cooling Degree Days från faktureringsperiod i din Baseline ekvation. Antag för en aktuell månads faktura, fanns det 30 dagar och 100 CDD samband med faktureringsperiod. Baseline kWh = (5 kWh /dag * # dagar) + (417 kWh /CDD * # CDD) Baseline kWh = (5 kWh /dag * 30) + (417 kWh /CDD * 100) Baseline kWh = 41.850 kWhRemember, Baseline ekvationen representerar hur byggnaden används energi under basåret. Så, med de nya ingångarna på antal dagar och antal graddagar, kommer Baseline ekvation berätta hur mycket energi byggnaden skulle ha använt detta år baseras på basår användningsmönster och årets förhållanden (väder och antal dagar). Vi kallar denna användning som bestäms av Baseline ekvation, Baseline Usage.Now, för att få en rättvis uppskattning av energibesparingar, jämför vi: Besparingar = Hur mycket energi vi skulle ha använt detta år - Hur mycket energi vi använder denna yearOr om vi ändrar terminologin lite: Besparingar = Baseline energianvändning - Faktisk Energi Usagewhere Baseline Energianvändningen beräknas av Baseline ekvation, med nuvarande månads väder och antal dagar, och faktiska energianvändning är aktuell månads faktura. Så, med hjälp av vår Anta denna månads räkning var för 30.000 kWh: Besparingar = Baseline energianvändning - Faktiska Energi UsageSavings = 41.850 kWh - 30.000 kWhSavings = 11,850 kWhSUMMARY Utility Bill Tracking är i centrum för en lyckad energiledningssystem, men räkningarna måste användas för ljudanalys för att en meningsfull minskning av energianvändningen. Genom att tillämpa tre analysmetoder som presenteras här (Benchmarking, Load Factor Analysis, och väder Normalisering) kan energin chefen utvecklar insikt som bör leda till sunda beslut energihushållning Musik av:. John Avina