App'en bruger målepunkts-forbrugs data mhp. optimering

App'en bruger målepunkts-forbrugsdata mhp. teoretisk superoptimering således udfra den enkelte forbrugers faktiske-forbrugsscenarier over en periode på fx 14 dage. En Barry AI udleder så hvilket elektrisk-forbrugsmønster der er sandsynligt udfra periodens data.

Adfærden bag denne periode-norm, er det vi som forbrugere løbende kan ændre, således adfærden bliver bedre og bedre... lidt ligesom løbende gennemsnits brændstofforbrug/km i en ikke-elbil.

Herpå kan AI'en komme med teoretiske forudsigelser, der matcher den enkelte bruger, (baseret på NORDpol pris/CO2-data i relation til historiske vejrudsigter) udfra nutidsvejrudsigten for kommende 12/24 timer.  Dette kunne fx være:

1) Bedst mulige adfærd i et teoretisk lavpris-scenarie...

2) Best mulige adfærd i et teoretisk høj grøn-energi/lavt CO2-ækvivalent pr. kWh scenarie...

... hvor alt ikke-baseline forbrug (køle/fryser etc) tweakes i det teoretisk scenarie i kommende 12/24 timer. Dette således at brug af opvaskmaskine/vaskemaskine udsættes til den teoretisk bedst mulige lavprisscenarie aften/nat på dag 1 eller formiddag på dag 2. Øvrigt forbrug fx støvsugning, madlavning mv. tweakes fx max 1-2 timer frem/tilbage (da det jo ikke kan vente i en alm. familie).

A) AI oplyser så at forbruger ved forslåede superoptimering teoretisk kan spare følgende CO2-ækvivalenter / kr. i forhold til aktuelle periode norm adfærd.

B) AI oplyser efter fx 12/24 timer, hvor god/dårlig forbrugeren, så var til at følge anvisningen (positiv/negativ afvigelse fra periode norm adfærd) til superoptimering

C) Al oplyser så hvor god den var til at foreslå teoretisk superoptiring udfra forbrugerens periode norm adfærd) retrospektivt set udfra forbrugerens faktiske forbrug efter fx 12/24 timer, dito 12/24 timer gamle data fra NORDpol og de faktiske elproduktions/vejr-forhold.

0

Kommentarer

0 kommentarer

Log ind for at efterlade en kommentar.

Fandt du ikke det, du ledte efter?

Nyt opslag