Automatisk datagenkendelse og informationsfeedback til SMV

Energispareindsatsen har traditionel haft vanskelige vilkår i SMV-segmentet (butikker, mindre kontorer og småerhverv), da størrelsen af slutbrugernes forbrug rent kommercielt ikke muliggør kundebesøg og større analysearbejde. I dette projekt blev der udviklet et modelværktøj der systematisk og autonomt kan identificere og klassificere energibesparelsespotentialer ved at kombinere elforbrugsdata tilgængeligt fra Energinets ”DataHub” med informationer om virksomhedstypen, størrelsen af det opvarmede areal og omgivelsestemperaturene.

Værktøjet blev opbygget af algoritmer, der analyserede virksomhedens elforbrug isoleret set, men også sammenlignede virksomheden med resten af branchen (benchmarking). Via værktøjet blev der specielt identificeret store besparelsespotentialer i de deltagende supermarkeder, da disse butikker i forvejen har et højt elforbrug, og tilmed viste ekstremt store variationer af størrelsen og profilen af elforbruget. En grov opskalering af resultaterne fra supermarkederne tilmeldt projektet, til et nationalt niveau, gav et energibesparelsespotentiale på 76 GWh/år – 244 GWh/år, svarende til 0,3% – 0,8% af Danmarks totale elforbrug. I de andre branchesegmenter (tøjforretninger og byggemarkeder) som deltog i projektet blev der også identificeret et potentiale for energiforbedringer, og der var her stor variation i forbruget forretningerne imellem. Dette viste sig primært at skyldes at nogle forretninger havde LED-belysning, mens andre stadig havde lysstofsrør eller spots.

Projektet med automatisk datagenkendelse og informationsfeedback har vist gode potentialer for en bredere anvendelse i fremtiden med henblik på nemmere at identificere energiforbedringer. I testfasen blev det vist, at der kan identificeres mange forskellige forbedringspotentialer via analyseværktøjet, og at diagnoserne overordnet set stemte fint overens med de faktiske forhold som blev kortlagt, da udvalgte forretninger blev besøgt.

Præcisionen af diagnoserne i værktøjet var dog dels begrænset af at elforbrugsdataen kun var på timebasis, og dels at mængden af gennemgåede virksomheder i testfasen var begrænset. En bedre dataopløsning ville kunne gøre det muligt at udvikle mere konkrete diagnoser, således at systemet i stedet for blot at sige at dagsforbruget var højt, også med større præcision kunne sige hvorfor, at dagsforbruget var højt.

En forretningsmodel med en 3. partsinvolvering er umiddelbart svær at se, på grund af manglende økonomisk incitament og udfordringerne ved at modtage tilladelse til anvendelse af energiforbrugsdata. En forretningsmodel baseret på automatisk datagenkendelse og benchmarking, og drevet af selskaber med adgang til elforbrugsdata, f.eks. energiselskaber, som en serviceydelse til deres kunder, er derimod oplagt.

Energiselskaber har i modsætning til en 3. partsaktør muligheden for en implementering i større skala, da de i forbindelse med indgåelse af elhandelsaftalen med deres kunder har muligheden for at indføje, at kunden samtidig giver samtykke til, at selskabet må anvende deres forbrugsdata til analyse og kontakte kunden med forslag til forbedringer.