Nejnavštěvovanější odborný portál pro stavebnictví a technická zařízení budov

Inovativní přístupy k vyhodnocení měřených dat během otopné sezony

V posledních letech můžeme sledovat setrvalý nárůst množství dat, která jsou měřena a zaznamenávána systémy měření a regulace. Typicky se jedná o stovky až desetitisíce měřených hodnot na jednu budovu. Vyvstává otázka, zda jsou tato data náležitě zužitkována, vytěžena. Cílem příspěvku je představit možnosti, které poskytují současné technologie a analytické softwarové nástroje pro vyhodnocení měření dat týkajících se provozu systémů vytápění.


© Fotolia.com

Úvod

Článek si klade za cíl seznámit čtenáře s možnostmi, které dává postupný rozvoj systémů měření a regulace. Při použití vhodných nástrojů a postupů je možné z měřených dat vytěžit hodnotné informace vedoucí k optimalizaci provozu TZB. Inovativnost přístupu představeného v článku není ve vlastních algoritmech nebo nástrojích. Vše, co je v článku prezentováno, lze vypočítat a vizualizovat i pomocí MS Excel. Klíčová je minimalizace času potřebného pro provedení vyhodnocení. Díky tomu se expert věnuje pouze interpretaci výsledků a návrhům optimalizace provozu, nikoliv zdlouhavé práci s měřenými daty jako je export tisíciřádkových tabulek, konverze formátů, boj s různými reprezentacemi času a desetinnou tečkou vs. desetinnou čárkou, atd. Cílem je ukazatele vyhodnocovat v reálném čase online a díky tomu mít možnost bezprostředně reagovat na nestandardní stavy a minimalizovat jejich negativní dopad.

Pro analytickou práci s TZB daty je zásadní možnost strojového porozumění významu měřených dat. K tomuto účelu se používá takzvané štítkování (tagging) dat. Štítky představují metadata, která, nezávisle na pojmenování, označují, co daná proměnná (datový bod) měří. Význam štítkování dokládá i vznikající ASHRAE Standard 223P: „Designation and Classification of Semantic Tags for Building Data“. Na tomto standardu spolupracují, mimo jiné, dvě významné skupiny, které se otázce štítkování dat věnovaly i v minulosti. Konkrétně Project Haystack1 a Brick Initiative2. Cílem standardizace je dosažení přenositelnosti postupů a algoritmů pro vyhodnocování dat.

V tomto článku se zaměřujeme na vytápění a nástroje pro včasné odhalení provozních chyb systémů vytápění. Jedná se o přímočaré metody, které jsou široce použitelné. Nicméně článek nepokrývá problematiku specializovaných diagnostických algoritmů pro vyhodnocení provozu otopných soustav. Zájemce o podrobnější informace o diagnostice provozu otopných soustav lze odkázat na článek [1], kde byl představen postup výpočtu optimálního režimu útlumu vytápění na základě měřených dat. Dále lze doporučit inciativu Smart Energy Analytics Campaign3, viz například shrnutí činnosti a dosažených výsledků ve zprávě [2].

V článku budou podrobněji představeny dvě oblasti využití z reálné praxe, u kterých dochází k výraznému zefektivnění práce. V prvním příkladu se jedná o online monitoring několika desítek otopných soustav, v druhém příkladu jde o průběžné porovnávání měřených spotřeb s matematickým modelem.

Generická zobrazení online dat

Obrázek 1 Praktická ukázka generického zobrazení několika stovek otopných okruhů pomocí cloudového dispečerského systému Mervis. Otopné okruhy jsou seřazeny dle měřené teploty otopné vody (třetí sloupec s hodnotami). Jedná se o reálná data kotelen provozovaných firmou Energocentrum Plus, proto jsou rozmazány popisky řádků. Například v přechodném období lze vidět, které otopné větve jsou již v útlumu a naopak kde dochází k přetápění, např. z důvodu větších solárních zisků.
Obrázek 1 Praktická ukázka generického zobrazení několika stovek otopných okruhů pomocí cloudového dispečerského systému Mervis. Otopné okruhy jsou seřazeny dle měřené teploty otopné vody (třetí sloupec s hodnotami). Jedná se o reálná data kotelen provozovaných firmou Energocentrum Plus, proto jsou rozmazány popisky řádků. Například v přechodném období lze vidět, které otopné větve jsou již v útlumu a naopak kde dochází k přetápění, např. z důvodu větších solárních zisků.

Dnešní SCADA systémy poskytují velké množství dat. Obsluha si tak může zobrazit údaje o teplotách a dalších parametrech přímo z dispečerského pracoviště. Často je takto integrováno více budov nebo areálů na jedno dispečerské pracoviště. Obsluha má možnost si zkontrolovat dálkově data z řádově tisícovek senzorů. Typicky tak činí nicméně pouze v případě stížnosti nebo alarmu, kdy dohledá konkrétní proměnné, které se incidentu týkají. Alarm nebo stížnost obyvatele budovy je poslední fáze, do které dospěl provozní problém. Cílem by mělo být tomuto předcházet a problémy rozpoznávat dříve, efektivněji.

S využitím štítkování je možné data zobrazovat pomocí generických zobrazení, kdy jsou všechna relevantní online data k vybrané technologii zobrazena na jednom přehledovém panelu. Zásadní výhodou generických vizualizací je to, že programátor pouze definuje podobu zobrazení (typicky jaké typy hodnot mají být v jednotlivých sloupcích). Vlastní obsah generického přehledového panelu (tj. řádky) se doplňuje automaticky na základě štítků.

Obsluha má stále k dispozici komplexní obraz stavu provozované technologie. Zobrazení se v reálném čase seřadí dle aktuálních hodnot, tudíž mohou být na prvních místech vždy otopné okruhy s největším rozdílem měřené a požadované teploty otopné vody, tj. to, co je pro dispečery nejdůležitější.

Na obrázku 1 je uveden příklad monitoringu 80 kotelen a předávacích stanic (tj. řádově stovky otopných okruhů) provozovaných firmou Energocentrum Plus. Jedná se o objekty různého stáří, vybavené různými systémy MaR. Postupně se podařilo všechny systémy MaR integrovat do cloudového dispečerského systému Mervis. Pro techniky, kteří obsluhují tyto kotelny a předávací stanice, je důležité mít přehled o všech zařízeních najednou. Právě díky integraci a štítkování dat se podařilo různorodé systémy zobrazit na jednom přehledovém panelu, viz příklad níže.

Dalším příkladem využití přehledového panelu je monitoring systému centrálního zásobování teplem (CZT) v městě Odolena Voda. Dodavatelem tepla je společnost innogy Energo. Distribuční soustavu tvoří přes čtyři kilometry potrubí spolu s 36 objektovými předávacími stanicemi, přes které jsou na soustavu připojeni koncoví zákazníci. Instalovaný tepelný výkon zdroje je 10,3 MW. Díky dlouhodobé a koncepční spolupráci Energocentra Plus a innogy Energo, se podařilo postupně modernizovat MaR celého systému CZT a vše integrovat v cloudovém dispečerském systému, viz obrázek 2.

Obrázek 2 Ukázka monitoringu jedné předávací stanice systému centrálního zásobování teplem v městě Odolena Voda.
Obrázek 2 Ukázka monitoringu jedné předávací stanice systému centrálního zásobování teplem v městě Odolena Voda.

Pro provozovatele soustavy je důležité zajistit optimální provoz všech předávacích stanic. Díky využití přehledového panelu, viz obrázek 3, má provozovatel k dispozici aktuální stavy všech předávacích stanicích v dynamicky řazené tabulce. Vzájemným porovnáním online hodnot všech stanic tak bezprostředně vidí, které stanice se odchýlí od normálu, například vlivem zanešení výměníku přípravy teplé vody TUV.

Obrázek 3 Ukázka přehledového panelu TUV systému centrálního zásobování teplem v městě Odolena Voda. Zde seřazeno dle teploty za výměníkem. Je zřejmé, že tento pohled umožní efektivněji detekovat předávací stanice, které vybočují svými parametry z normálu.
Obrázek 3 Ukázka přehledového panelu TUV systému centrálního zásobování teplem v městě Odolena Voda. Zde seřazeno dle teploty za výměníkem. Je zřejmé, že tento pohled umožní efektivněji detekovat předávací stanice, které vybočují svými parametry z normálu.

Online porovnání spotřeby energie s matematickým modelem

Při hodnocení náročnosti vytápění je často využívána denostupňová metoda. Typicky se jedná o jednorázové vyhodnocení na konci otopné sezony, kdy jsou porovnány měsíční (případně roční) spotřeby tepla normované pomocí denostupňů. Zde bude prezentována metodika, kdy jsou principy denostupňové metody použity pro průběžné hodnocení energetické náročnosti vytápění na denní úrovni. Díky tomu je možné bezprostředně detekovat odchýlení se od normální spotřeby energie na vytápění a včas na nastalou situaci reagovat a ideálně docílit nápravy v řádu dní.

Základem je opět štítkování měřených hodnot. Po oštítkování dat a jejich pročištění je pro každé měření energie identifikován matematický model. Model vyjadřuje spotřebu energie jako lineární kombinaci otopných a chladicích denostupňů a konstantního členu. Důležité je rozlišovat režim využití budovy – minimálně pracovní dny a víkendy, ale nabízí se i zohlednění státních svátků anebo jemnější rozlišení na pracovní a mimopracovní dobu. Pro každý režim je identifikován samostatný model. Následně je možné porovnávat měřenou spotřebu s předpovídanou spotřebou.

Následující praktická ukázka demonstruje využití denostupňového modelu při dohledu provozu TZB řádově stovek poboček jedné z českých bank. Opět je kladen důraz na možnost průběžného vzájemného porovnání a seřazení výsledků dle vhodného kritéria, viz obrázek 4. Na základě porovnání jsou vybrány budovy, které jsou dále podrobněji zkoumány, viz obrázek 5. Vlastní metrika rozdílu mezi měřenou a předpovídanou spotřebou energie sečtená za určité období nic neříká o možné příčině. Nicméně rovnou dává odhad potenciální úspory a díky tomu je možné operativně rozhodovat o tom, kterým problémům je vhodné se podrobněji věnovat. Tento systematický přístup garantuje, že v portfoliu monitorovaných budov nedojde k výraznější odchylce od očekávané spotřeby, aniž by byla zaznamenána.

Obrázek 4 Příklad vyhodnocení porovnání spotřeby energie s předpokladem modelu napříč větším portfoliem bankovních poboček za jeden měsíc. Data jsou seřazena dle rozdílu mezi měřenou a odhadovanou spotřebou (prostřední sloupec). V krajních sloupcích jsou k dispozici i další metriky, jako odchylka od dlouhodobého průměru nebo vyhodnocení spotřeby v závislosti na obsazenosti budovy.
Obrázek 4 Příklad vyhodnocení porovnání spotřeby energie s předpokladem modelu napříč větším portfoliem bankovních poboček za jeden měsíc. Data jsou seřazena dle rozdílu mezi měřenou a odhadovanou spotřebou (prostřední sloupec). V krajních sloupcích jsou k dispozici i další metriky, jako odchylka od dlouhodobého průměru nebo vyhodnocení spotřeby v závislosti na obsazenosti budovy.
Obrázek 5 Ukázka ročního porovnání měřené denní spotřeby energie (červená) a jejího odhadu pomocí matematického modelu (modrá) vybrané bankovní pobočky. Je vidět relativně dobrá shoda měření a odhadu modelu během roku. Až před koncem roku jsou patrné dva nárůsty měřené spotřeby. Díky systému online kontroly byl tento stav identifikován a řešen s minimální prodlevou. Během dalšího roku se již neopakoval.
Obrázek 5 Ukázka ročního porovnání měřené denní spotřeby energie (červená) a jejího odhadu pomocí matematického modelu (modrá) vybrané bankovní pobočky. Je vidět relativně dobrá shoda měření a odhadu modelu během roku. Až před koncem roku jsou patrné dva nárůsty měřené spotřeby. Díky systému online kontroly byl tento stav identifikován a řešen s minimální prodlevou. Během dalšího roku se již neopakoval.

Další ukázka využití online vyhodnocovaného denostupňového modelu je z EPC projektu v Nemocnici Břeclav (více viz například [3]). V tomto projektu se díky modernizaci TZB a optimalizaci provozu podařilo ročně ušetřit 14,6 mil. Kč (očekávaná roční úspora byla 12,8 mil. Kč). Pro poskytovatele služeb (zde firma Amper Savings) je zásadní udržení optimalizovaného stavu, k čemuž využívá i denostupňový model aplikovaný na všechny předávací stanice, viz obrázek 6. Díky tomu jsou případné větší spotřeby tepla bezprostředně identifikovány. Dále má také poskytovatel EPC možnost v reálném čase vidět, jakých úspor dosahuje v porovnání s výchozím stavem.

Obrázek 6 Ukázka z výstupu denostupňového modelu v prostředí dispečerského sytému Mervis z jedné předávací stanice v Nemocnici Břeclav. V horní prostřední části je vidět porovnání spotřeb po měsících. Modrá čárka je očekávání modelu, oranžový sloupec měřená spotřeba. Je zde vidět důsledek postupné optimalizace provozu. Na počátku zobrazeného období je měřená spotřeba větší, než odhad modelu, postupně se ale poměr obrací a zvětšuje se rozdíl mezi očekávanou a reálnou spotřebou (tj. je dosahována větší úspora). V prostřední části jsou spotřeby tepla na denní bázi, které jsou průběžně kontrolovány.
Obrázek 6 Ukázka z výstupu denostupňového modelu v prostředí dispečerského sytému Mervis z jedné předávací stanice v Nemocnici Břeclav. V horní prostřední části je vidět porovnání spotřeb po měsících. Modrá čárka je očekávání modelu, oranžový sloupec měřená spotřeba. Je zde vidět důsledek postupné optimalizace provozu. Na počátku zobrazeného období je měřená spotřeba větší, než odhad modelu, postupně se ale poměr obrací a zvětšuje se rozdíl mezi očekávanou a reálnou spotřebou (tj. je dosahována větší úspora). V prostřední části jsou spotřeby tepla na denní bázi, které jsou průběžně kontrolovány.

Závěr

V článku byly představeny postupy analýzy měřených TZB dat založené na výpočtech nad oštítkovanými daty a jejich následné generické vizualizace. Tento přístup umožňuje zásadním způsobem minimalizovat čas potřebný pro zpracování měřených dat. Zpracování je prováděno automaticky a člověk – expert již jen interpretuje vypočtené výsledky a řeší konkrétní problémy. V porovnání s reaktivním přístupem (tj. technici řeší primárně stížnosti obyvatel budovy a alarmy) je tento přístup z dlouhodobého hlediska efektivnější, protože umožňuje stížnostem a alarmům předcházet. Důsledkem jsou úspory energie, zvýšení živostnosti instalovaných zařízení a prevence porušení komfortu vnitřního prostředí. V neposlední řadě tento přístup i šetří čas technikům a vede k lepšímu využití jejich kapacit. Menší počet techniků dokáže na vyšší technické úrovni monitorovat více objektů. S rostoucí cenou práce bude právě tento faktor nabývat na významu.

Literatura

  1. ŠIROKÝ, Jan, Jiří CIGLER. Automatizovaná kontrola režimů vytápění na základě provozních dat. Vytápění větrání instalace. 2018, 27(2), 88–90. ISSN 1210-1389.
  2. Kramer H., Lin G., Granderson J, Curtin C., Crowe E. Synthesis of year one outcomes in the smart energy analytics campaign. Lawrence Berkeley National Laboratory, September 2017. [online]. Dostupné z:
    https://smart-energy-analytics.org/blog/report-available-year-one-outcomes-smart; accessed on March 18, 2018
  3. článek na portálu www.tzb-info.cz. Projekt financovaný z dosažených úspor neboli EPC v břeclavské nemocnici. Dostupné z: https://www.tzb-info.cz/epc-energy-performance-contracting/17369-projekt-financovany-z-dosazenych-uspor-neboli-epc-v-breclavske-nemocnici

Poznámky

1 https://project-haystack.org/ ... Zpět

2 https://brickschema.org/ ... Zpět

3 https://smart-energy-analytics.org/ ... Zpět

English Synopsis
Innovative approaches to evaluation of measured data during the heating season

In recent years, we have seen a steady increase in the amount of data that is measured and recorded by measurement and control systems. Typically, these are hundreds to tens of thousands of readings per building. The question arises as to whether these data are properly utilized, extracted. The aim of the paper is to present the possibilities provided by current technologies and analytical software tools for evaluating data measurements related to the operation of heating systems.

 
 
Reklama