Smart Building Networks Management

Transcript

1 Progetto C.1: Risparmio di energia elettrica nei settori : civile, industria e servizi Smart Building Networks Management Mauro Annunziato*, Stefano Pizzuti* ENEA Dip. Tecnologie Energetiche *Dir. Div. «Smart Energy» *Dir. Lab. «Smart Cities & Communities» mauro.annunziato@enea.it

2 Dalla Efficienza Energetica alla Smart City Energia consumata per un servizio urbano Efficienza energetica dei componenti Organizzazione del sistema Componenti migliori Riorganizzazione del sistema Smart Building > Interactive Buildings Smart Building Network

3 Smart Building Network MANAGMENT OPTIMIZATION NETWORK SUPERVISORS REMOTE MONITORING Cost/Energy Optimization Active Demand Management GRID DISTRIBUTOR

4 La qualificazione della metodologia Flussi di cassa cumulativi attualizzati Smart building Building Network TRL 3-4 Smart Village District Simulation TRL 5 TRL 6-8 Discounted Cashflow , , , , , ,00 Anni Business model Cities

5 Ricerca di sistema Piano Triennale Building Network Management: la roadmap PAR 2012 PAR 2013 PAR Sviluppo metodologie Sperimentazione su singolo edificio/simulatore Qualificazione controllore di rete su Smart Village Trasferimento a contesti urbani 1. Simulatore strategie di controllo edificio 2. Metodi di diagnostica/controllo edificio 3. Realizz/validaz edifici pilota 4. Definizione algoritmi di ottimizzazione e scenario di active demand 5. Network europei 1. Qualificazione modelli diagnostica e controllo su edifici pilota (smart) 2. Validazione su simulatore di metodologie di active demand 3. Network europei/italiani 1. Prototipo integrato controllore rete 2. Test su simulatore di distretto 3. Qualificazione su rete Smart Village 4. Modello di business 5. Network europei/italiani 1. Applicazioni urbane (Bari, Brescia, L Aquila, H2020-Roma) 2. Applicazioni territoriali (stakeholders) 3. Trasferimento ad aziende 4. Città, Patto dei sindaci, ANCI 5. Modello per direttiva EU su efficienza energetica

6 Lo Smart Village al Centro Ricerche ENEA Casaccia Torri faro + Telecamere Piattaforma ICT Smart Lighting Smart Mobility Smart Building Smart Village Control room Smart Street Smart buildings F65-F73 Viale LED + Smart Lighting Smart Building Edificio F40 Smart Mobility Navetta elettrica con monitoraggio on-line verso pali intelligenti e control room

7 Ricercatori ENEA cittadini Control room Rete idrica Rete di 10 smart buildings

8 La rete di ricerca su Smart Buildings Network Partners industriali Rete di ricerca

9 Le funzioni del Building Network Management Profiling Diagnostics Network Supervisor Adaptive Control Optimization Aggregator Level Benchmarking Active demand set points strategies Building Level Sensors data BEMS BEMS BEMS Actuators commands

10 Smart Building Sensoristica Misura dei consumi Condizioni ambientali indoor e outdoor Diagnostica La gestione ottimizzata dell edificio minimizza i consumi

11 1.Profiling Dati climatici esterni Dati climatici interni Consumi elettrici Consumi termici Presenza di utenti Settings di regolazione apprendimento Dati climatici esterni Presenza di utenti Settings di regolazione Building Predictive Model Consumi Comfort

12 2. Diagnostica Avanzata: risalire dai sintomi alle cause risparmio energetico: 5-30 % PREPROCESSING SITUATION ASSESSMENT CAUSES Sintomo o anomalia riscontrabile attraverso la lettura dei dati di monitoraggio Individuazione dell evento origine del sintomo Causa effettiva dell evento P1. Picco di consumo energia elettrica (illuminazione) P2. Picco di consumo energia elettrica (climatizzazione) P3. Picco di consumo energia termica o risorsa energetica (riscaldamento) P4. Picco di consumo energia termica (raffreddamento) P5. Trend anomalo di energia termica rispetto all andamento storico ricorrente (riscaldamento) S4 P6. Trend anomalo di energia termica rispetto all andamento storico ricorrente (raffreddamento) P5 P16 P17 P18 P7. Trend anomalo di energia elettrica rispetto all andamento storico P6 ricorrente (raffreddamento) P8. Trend anomalo di energia elettrica rispetto all andamento storico ricorrente (illuminazione) P9. Cambio del valore medio di potenza elettrica assorbita (illuminazione) P10. Cambio del valore medio di potenza elettrica assorbita (raffreddamento) P11. Cambio del valore medio di potenza termica assorbita S1. Accensione contemporanea di un numero anomalo di utenze elettriche rispetto al livello di occupazione (illuminazione) S2. Accensione impianti, strumentazione o terminali per il riscaldamento al di fuori dell orario previsto di funzionamento S3. Accensione contemporanea di un numero anomalo di utenze elettriche rispetto al livello di occupazione (f.e.m) S4. Immissione incontrollata di aria esterna (apertura finestre) C5 S5. Impostazione anomala set-point termostato locale S6 S5 S6. Accensione impianti, strumentazione o terminali per il raffrescamento al di fuori dell orario previsto di funzionamento S7. Accensione utenze elettriche locali al di fuori degli orari di P7 P10 lavoro P12 (f.e.m) P16 P17 S8. Accensione apparecchi di illuminazione degli spazi P5 comuni P11 al di fuori degli orari di lavoro S9. Elevate perdite energetiche al sottosistema di distribuzione S10. Locali serviti dall impianto di illuminazione in assenza di occupanti S11. Accensione di sistemi di riscaldamento ausiliari energivori C1. C1. Sostituzione apparecchi di illuminazione con altri di diversa potenza C2. C2. Guasto dell orologio in centrale termica C1. C3. Guasto localizzato impianto termico (malfunzionamento o rottura delle pompe di circolazione) per il circuito di riscaldamento C2. C4. Guasto localizzato impianto termico (malfunzionamento o rottura ventilatori) C3. C5. Guasto localizzato impianto termico (malfunzionamento o rottura macchina S13 frigorifera) C4. C6. Guasto localizzato impianto (malfunzionamento o rottura generatore di calore a combustione) P6 P7 P12 P13 P23 P33 C5. C7. Rottura termostato ambiente P4 P2 C6. C8. Rottura o malfunzionamento del P13 P16 terminale di emissione in ambiente (riscaldamento) Quale causa è più supportata dai sintomi che riscontro dai dati? C7. C9. Rottura o malfunzionamento del terminale di emissione in ambiente (raffrescamento) C8. C10. Distacco per sovraccarico o sospensione servizio C9. C11. Apertura finestra da parte dell utente P16 P10

13 Esempi di risultati sperimentali della diagnostica

14 3. Controllo adattivo:il principio dell energy on demand Fornire energia solo quando realmente serve, dove serve, nella intensità che serve edificio Energia consumata zona Energia realmente richiesta stanza risparmio energetico: %

15 Il monitoraggio della presenza stanza 1. badge 2. Sensori presenza 3. PC activity 3. Smart Plugs 4. Smart Phone + Beacon

16 4. Ottimizzazione Energia-Comfort Inseguimento di un corretto comfort minimizzando il consumo energetico ed il costo dell energia CONSUMO PPD Predicted Percentage Dissatisfied PPD = 10% Adattamento giornaliero alle condizioni climatiche e di utenza Adattamento localizzato (zona o stanza, nord/sud) Negoziazione/adattamento al mercato (active demand) risparmio energetico: %

17 Strategie di ottimizzazione a confronto No ottimizzazione (convenzionale) ottimizzazione statica ottimizzazione dinamica (giornaliera) APPROCCIO COSTANTE (CONVENZIONALE) OTTIMIZZAZIONE STAGIONALE OTTIMIZZAZIONE GIORNALIERA SET-POINT MANDATA Giornaliero SET-POINT TERMOSTATO 21 (stagionale) 21,5 Giornaliero PPD MEDIO STAGIONALE < 10 % SPRECO > 10 % DISCOMFORT 6,1 9,1 (73% fuori normativa) 8,9 (PPD max = 9,8: sempre entro normativa) RISPARMIO ENERGETICO [%] - 18,7 19,2 Sperimentazione su casi reali risparmio energetico: % RISULTATI

18 CONSUMO SPECIFICO [kwh e /m 2 ] 5. Il benchmarking della rete Building Asset Management III=652 filiali IV=1538 filiali I=374 filiali (12%) II=591 filiali Piani di ristrutturazione Piani ottimizzati di manutenzione Ottimizzazione progressiva dei comportamenti CONSUMO TOTALE [kwh e ] Esempio di una rete di edifici (studio su 3155 filiali bancarie, Politecnico Torino)

19 6. Il principio del «Demand Response»

20 RISULTATI Risultati di saving energetico (rete di 10 smart buildings) Intervento Saving Energetico Monitoraggio e Diagnostica 5-15 % Ottimizzazione e controllo di zona % Ottimizzazione dinamica e controllo di stanza %

21 Flussi di cassa cumulativi attualizzati Tempi di ritorno dell investimento (Edificio, Zona, Stanza) DISCOUNTED CASHFLOW EDIFICIO ZONA STANZA Anni

22

23 Risultati ottenuti Smart Village premio smart city SMAU infrastruttura ricerca comune per il Joint Program EERA Smart Cities Modello di business Task force Smart Energy Confindustria Enea Rse Interoperabilità con piattaforme commerciali Building networks: IBM, Almaviva, Selex, Telecom BEMS: UMPI, TERA, Energy Team Applicazione Urbane in corso Progetto City 2.0: L Aquila Progetto Res Novae: Bari, Cosenza Progetto Brescia Smart Living: Brescia

24 La mappa dei progetti ENEA dove vengono applicate le tecnologie smart building networks sviluppate nel PAR 2012/14 Brescia Smart Living Smart Village City 2.0 Res Novae

25 The CO_GOAL proposal candidate as Lighthouse Cities. malaga rome malmo EU Lighthouse Cities 30 ML Euro, 30 partners, citizens coordinated by:

26 Cambiare il volto di un quartiere 440 smart homes, mq Smart district ICT platform 6.5 ML di investimento sull area 310 TEP/a energia risparmiata 1400 Ton CO2/a evitata 126 anni uomo di lavoro locale Green jobs: 40 permanenti Massimina Aggregator Energy Vendor DSO Citizen Open to apps from market companies (third parties) Smart Meters Energy box

27 Grazie per l attenzione mauro.annunziato@enea.it

28 Building Network Management: the enabling technologies City Level City monitoring/planning KPI City Urban Center Diagnostics Optimization Active Demand Management City/grids Interaction Network Supervisor Aggregator Level Low level control User GUI Network Interaction data BEMS Building Energy Manag. System set points strategies Building Level data commands Monitoring Actuation Sensors Actuators

29 Esempi di risultati sperimentali della diagnostica

30 Benchmarking: Indicatori prestazionali per la descrizione della qualità di gestione Variabili di input attuali (T.est, Umid, Occup, Illum.) Consumo min Modello (reti neurali) Consumo medio DB storico Consumo max 1 Indice qualità gestione 0 Cattiva gestione giorni guasto

31