E2B2 Årskonferens 29:e januari 2015 Hossein Shahrokni KTH

Transkript

1 E2B2 Årskonferens 29:e januari 2015 Hossein Shahrokni KTH

2 Syfte Att beskriva FoU-projektet Smart City SRS och hur det ledde till studien om Big Datadriven energieffektiviseringsplan Stockholm

3 Möjligheterna med realtidsdata Vilka är de lokala och globala konsekvenserna av mitt beslut? Mötte vi vårt klimatmål idag? Varför inte? Det är en Bruce Springsteen konsert i Globen i dag - hur ska vi anpassa vägtullar och kollektivtrafik för att hålla trafiken flytande? Vilken del av våra byggnader ska vi prioritera för energieffektivisering det kommande året för att för att få ut mest av vår budget?

4 En växande marknad The global Smart Cities market was worth US$442 billion in 2011, and is expected to reach a value of US$1,026.3 billion by 2017, Research and Markets 2011 The market for smart city technology from transportation management and water monitoring systems to smart grids is already well over a billion dollars per year. Last year the market reached $6.3 billion. By 2020, the market value will more than triple, to $20.2 billion annually Pike Research 2012 New analysis from Frost & Sullivan reveals a $3.3 trillion market potential in smart cities by 2025 with multiple opportunities to tap into infrastructure development, technology integration, and energy and security services. Frost & Sullivan 2013

5 IKT som möjliggörare för hållbarhet Gårdagens Formel 1 Modern Formel 1 Här är våra städer idag IKT Den primära drivkraften för prestanda

6 IKT som möjliggörare för hållbarhet

7 Vår mission: Hållbarhetsprogrammet för NDS

8 Vår mission: Miljöprogrammet Staden har ansvaret för uppföljning av det övergripande programmet och handlingsprogram för olika etapper. En gemensam databas med vidhängande webbportal kommer att utvecklas för detta ändamål där uppföljningar kan publiceras form av indikatorer, utvärderingar och kontrollplaner. Även mätning och analys av energi och materialflöden i realtid kommer att möjliggöras inom ramen för Norra Djurgårdsstaden Innovation.

9 Vår mission: Miljöprogrammet informationsdisplay i lägenheten som ger reseinformation i realtid och resplaner som hjälper användaren att göra medvetna val utveckla ett system för mätning, visualisering och styrning av energianvändningen i Norra Djurgårdsstaden på olika nivåer brukarvänliga system för individuell mätning, visualisering, avläsning och styrning av energi, vatten, avfall och transporter

10 5 Utmaningar att bemöta

11 Utmaningsdriven Innovation 4 KPI:er som reflekterade miljöprogrammet valdes ut för prototypen kwh/m2 PE/Cap CO2e/Cap % Förnybar Energi

12 Utmaningsdriven Innovation Nästa steg: Leta data-strömmar! Identifiera aktörer och mätpunkter som tillsammans utgör underlaget för KPI:erna

13 Utmaningsdriven Innovation Utmaning 1: [Våra partners undrar:] Vad är vår affär i detta? Vad tjänar vi på att skapa integrerationer till ett gemensamt system?

14 Utmaningsdriven Innovation Innovation 1: Den magiska hatten

15 Utmaningsdriven Innovation Innovation 1: Den magiska hatten Under projekttiden, lägg era data i projektets magiska hatt så kan vi tillsammans utvärdera huruvida det finns goda nyttor och affärsmodeller att basera konceptet på.

16 Sådan är den smarta stadens verklighet

17 Utmaningsdriven Innovation Utmaning 2: Våra partners är på väg ansluta sina system, men de är ju så olika! Hur ska vi på ett vettigt sätt integrera allesammans i en och samma miljö?

18 Utmaningsdriven Innovation Innovation 2: SRS Integration Platform Realtidsintegration av 20 data-leverantörer som inkluderar el, värme, tappvarmvatten, hushållsavfall, grovavfall, energimix, med mera Öppna gränssnitt Skalbar Fi2xml

19 Utmaningsdriven Innovation Utmaning 3: Men hur ska vi lagra/strukturera/ och organisera data?

20 Utmaningsdriven Innovation Innovation 3: SRS Data Model Robust, sofistikerad och modulär ritning dvs datamodell.

21 Utmaningsdriven Innovation Utmaning 4: Ok toppen här är strukturerat realtidsdata, men hur omsätter vi det till 4 KPI:erna i realtid?

22 Utmaningsdriven Innovation Innovation 4: Smart Urban Metabolism En modulär, flexibel, beräkningsmotor som bland annat levererar de 4 KPI:erna, och jämförelsevärden i realtid ur ett vetenskapligt riktigt systemperspetkiv.

23 Utmaningsdriven Innovation Utmaning 5: Toppen med levererade KPI:er och smart urban metabolism, men hur kan vi göra en vettig återkoppling med dessa?

24 Utmaningsdriven Innovation Innovation 5: SmARt Viz Rätt information Rätt plats Rätt tid

25 Konsortiets 5 FoU Resultat

26 1 Smart Urban Metabolism Ramverk Gå till poster

27 1 Smart Urban Metabolism Beräkningsmotor Obs! Används primärt av systemforskare

28

29

30

31

32

33 3 SRS Data Visualizer - Beta Uppföljning för förvaltningar och byggherrar

34 4 SRS Dashboard Beta Realtidsfeedback till boende, verksamma, företag, och borgmästare

35 4 SRS Dashboard Beta Realtidsfeedback till boende, verksamma, företag, och borgmästare

36 4 SRS Dashboard Beta Realtidsfeedback till boende, verksamma, företag, och borgmästare

37 5 smart Viz Intuitiv återkoppling och information på rätt plats och rätt tid Affärsmässigt bärande Exvis turism

38

39

40 Bi-effekten av realtidsdata Big GIS Data Analytics Grovavfall

41 3 Understanding and Identifying Grid Smart Apartments

42 42

43 Överlappande entreprenörer som samlar avfall på samma adress

44 Big Data Energy Analytics: Stockholm Stockholm Färdplan 2050 Behöver effektivisera befintligt bestånd med en tredjedel Men hur?

45 Data Timvis fjärrvärmedata (för år 2012) fastigheter m fotbollsplaner mätvärden 4 år 65 dagar 13 GB rådata Bygg egenskaper Fastighetstyp, åldersgrupp, plats

46

47 Årlig profil Dålig mätare

48 Metod för beräkning av effektiviseringspotential Beräkningar: KNIME, MatLab Energieffektiviseringsåtgärder och besparingar Baserade på Stockholm Stads Primärenergiberäkningar EED annex II

49 Resultat Total tekisk potential motsvarar 49% (3.83 TWh/a) Stadens mål kan nås med investeringar som ger NPV>0 Investeringskostnad 80 GSEK -30 GSEK NPV (4%) -47 GSEK NPV (10%)

50 Technical potential Teknisk effektiviseringspotential Stockholm

51 Resultat Analys för mål I åtgärdsplan 354 GWh 664 fastigheter berörs 4.6% besparing 37 GTCE Boxplot of EUI for buildings in retrofitting plan

52 Big Data GIS Analytics Stockholms första energikarta

53 Bonus: Big Data GIS Analytics Stockholm stads första riktiga energikarta

54 Nästa steg Mer data Behovsägare E2B2

55 Tack Hossein Shahrokni Industrial Ecology Sustainable Science, Environmental Science and Engineering Department School of Architecture and the Built Environment Royal Institute of Technology

56 Efficiency measures Replace thermostats -5% heating demand low cost Install heat recovery ventilation -33% heating demand medium cost Renovate building climate shell EUI limited to 60 kwh/m 2 high cost Application of measures depends on current EUI