Là một hệ thống tự động hóa ngôi nhà an toàn, seen™ điều phối hoạt động của các thiết bị được kết nối, pin gia đình và hệ thống điện mặt trời trên mái nhà, đáp ứng các giá trị và sở thích của chủ nhà cùng với nhu cầu của lưới điện.
Phần mềm của NREL sử dụng các thuật toán học hỏi từng ngôi nhà, cũng như lịch trình và thói quen sinh hoạt của người sử dụng, do đó , dự đoán được mức tiêu thụ năng lượng trong tương lai của các hộ gia đình. Nhờ đó, dự đoán chính xác nhu cầu tiện nghi, chi phí năng lượng, tác động môi trường và khả năng cung cấp dịch vụ lưới điện bằng cách tận dụng các thuật toán học máy, phân tích dữ liệu nâng cao, cùng với mô hình hóa và mô phỏng dựa trên vật lý để xây dựng các mô hình thiết bị và thói quen sử dụng dựa trên dữ liệu.
Sự va chạm
Kết quả gần đây cho thấy hệ thống Forerunner có thể giúp chủ nhà tiết kiệm từ 5% đến 12% chi phí năng lượng cho toàn bộ ngôi nhà, đồng thời mang lại sự cân bằng giữa sự thoải mái, tiện lợi và lợi ích từ lưới điện. Nếu Forerunner được sử dụng trong mọi ngôi nhà ở Mỹ, ít nhất 5% năng lượng sinh hoạt có thể được tiết kiệm mỗi ngày, tương đương hơn 1 nghìn tỷ đơn vị nhiệt Anh (Btu) năng lượng sơ cấp mỗi năm, tương đương khoảng 10 tỷ đô la tiền tiết kiệm hóa đơn tiền điện. Con số này gần tương đương với tổng lượng năng lượng được sử dụng bởi tất cả các hộ gia đình ở Alaska, Delaware, Hawaii, Idaho, Maine, Montana, New Hampshire, Bắc Dakota, Rhode Island, Nam Dakota, Vermont và Wyoming cộng lại.
Phần mềm Forefore thích ứng với nhu cầu năng lượng cao và thấp, đồng thời gửi/nhận tín hiệu dự báo năng lượng và tín hiệu giá điện thông qua giao tiếp hai chiều với công ty điện lực. Bằng cách điều phối việc sử dụng năng lượng và chuyển đổi các thiết bị sang hoạt động ngoài giờ cao điểm, Forefore có thể giảm áp lực lên lưới điện và giúp người tiêu dùng thấy hóa đơn tiền điện thấp hơn bằng cách tham gia vào các chương trình phản hồi nhu cầu và theo dõi thời gian sử dụng hiện có.
Bằng cách theo dõi giá tiện ích và dự báo thời tiết, phân tích mức tiêu thụ điện năng và giám sát các thiết bị và hệ thống được kết nối, hãy dự đoán lịch trình hoạt động của các hệ thống được kết nối để đạt được tốt nhất các ưu tiên mà chủ nhà/người dùng xác định.
Nhờ những đột phá này, Forerunner đã nhận được Giải thưởng R&D 100 năm 2018.
Khả năng
Dữ liệu từ các thiết bị được kết nối với Forerunner được sử dụng để phát triển mô hình dự đoán các thành phần của tòa nhà—từ lớp cách nhiệt tường đến máy điều hòa không khí, máy nước nóng, v.v. Các thuật toán học máy xây dựng các mô hình này—tự động tùy chỉnh theo từng ngôi nhà—vì vậy Forerunner có thể:
- Dự đoán mức tiêu thụ năng lượng trong tương lai của một ngôi nhà
- Lên kế hoạch để đáp ứng nhu cầu thoải mái của người cư ngụ
- Giảm chi phí năng lượng và tác động môi trường
- Cho phép tham gia vào các chương trình khuyến khích của tiện ích địa phương.
Sử dụng mô hình điều khiển dự đoán đường chân trời lùi dần để vạch ra lộ trình hướng tới tương lai trong ngày, sau đó triển khai lộ trình đó thông qua các quyết định về năng lượng từng phút, dự đoán các hành động thay mặt chủ nhà để phối hợp các thiết bị và hệ thống được kết nối trong nhà, bao gồm cả những thiết bị tiêu tốn nhiều năng lượng nhất:
- Hệ thống sưởi ấm/làm mát (ví dụ: bộ điều nhiệt, lò sưởi và máy điều hòa không khí)
- Máy nước nóng
- Máy giặt quần áo
- Máy sấy quần áo
- Thiết bị nhà bếp lớn (ví dụ: máy rửa chén và tủ lạnh)
- Chiếu sáng
- Tải cắm khác và thiết bị điện tử được kết nối
- Máy bơm hồ bơi
- Điện mặt trời trên mái nhà (PV)
- Xe điện cắm điện
- Pin gia đình.
Lớp an ninh mạng tích hợp của hệ thống Forerunner bảo vệ tất cả các bên, bất chấp việc truyền dữ liệu hai chiều giữa nhà và dịch vụ tiện ích. Dữ liệu không chỉ được bảo mật mạng để ngăn chặn tin tặc, mà dữ liệu của chủ nhà cũng được bảo vệ khỏi dịch vụ tiện ích – dịch vụ tiện ích không thể xem hoặc truy cập các tùy chọn của chủ nhà, và các trọng số thu được từ thuật toán được bảo mật vì Forerunner học được cách người dùng muốn vận hành nhà của họ.
Dự án này, bao gồm phát triển công nghệ và thí nghiệm trong phòng thí nghiệm, được hỗ trợ bởi Cục Quản lý Điện lực Bonneville và Bộ Năng lượng Hoa Kỳ, Văn phòng Hiệu quả Năng lượng và Năng lượng Tái tạo, Văn phòng Công nghệ Xây dựng. Quan hệ đối tác kỹ thuật với Robert Bosch Bắc Mỹ, ETAS/ESCRYPT, Đại học Bang Colorado và Đại học Colorado đóng vai trò quan trọng cho sự thành công của dự án.
Sử dụng nghiên cứu
NREL hiện đang sử dụng công nghệ tiên đoán trong nghiên cứu theo nhiều cách khác nhau và đã cung cấp các buổi trình diễn trong phòng thí nghiệm cho hơn 10 tổ chức bên ngoài.
Kích thước pin, Phương pháp lựa chọn
NREL đã phát triển một phương pháp sơ bộ để định cỡ pin gia đình bằng cách sử dụng công nghệ tiên đoán (foresee) để tối ưu hóa cách sử dụng pin cùng với các phụ tải kết nối trong bất kỳ vùng khí hậu, tòa nhà dân cư và biểu giá điện nào. Nhóm nghiên cứu đã hợp tác với một hội đồng cố vấn gồm các nhà sản xuất thiết bị, công ty điện lực, học giả, và các bên liên quan trong lĩnh vực năng lượng của tiểu bang và phi lợi nhuận để xây dựng một kế hoạch hoàn thiện phương pháp lựa chọn thiết bị này. Nghiên cứu ban đầu đã được trình bày tại Hội nghị Quốc tế lần thứ 5 về Tòa nhà Hiệu suất Cao. Đọc bản in trước của bài báo hội nghị, Định cỡ Pin Kinh tế cho Nhà Thông minh . Ngoài ra, hãy xem bài thuyết trình hội thảo trực tuyến . Tìm hiểu thêm về quan hệ đối tác này .
Tích hợp lưới xây dựng
Các dự án sau đây đã mở rộng khả năng của dự án nhằm nghiên cứu các cơ hội mới trong việc phối hợp sử dụng năng lượng của tòa nhà cùng với lưới điện.
Phối hợp năng lượng phân tán
Hợp tác với BlockCypher, NREL đã sử dụng công nghệ blockchain để dàn dựng một thị trường năng lượng phân tán đơn giản giữa hai hệ thống năng lượng gia đình mô phỏng. Các nhà nghiên cứu đã trình diễn thị trường năng lượng phân tán này tại Phòng thí nghiệm Hiệu suất Hệ thống của Cơ sở Tích hợp Hệ thống Năng lượng (ESIF), nơi hai hệ thống năng lượng gia đình thực tế, bao gồm cả hệ thống dự kiến , trao đổi năng lượng theo hợp đồng thông minh dựa trên blockchain. Tìm hiểu thêm về dự án này .
Dự báo điện áp cục bộ và điều chỉnh điện áp
Các tòa nhà có thể có tác động đáng kể đến lưới điện địa phương. Đặc biệt ở những nơi năng lượng tái tạo phân tán đang được triển khai nhanh chóng hơn, tình trạng điện áp cao có thể xảy ra khi nhiều tấm pin mặt trời trên mái nhà sản xuất nhiều điện hơn mức các tòa nhà sử dụng cùng lúc. NREL đã phát triển một phương pháp dự đoán để dự báo điện áp cao, cho phép dự đoán sự thay đổi thời điểm các thiết bị sử dụng năng lượng để khắc phục vấn đề điện áp này. Theo thuật ngữ tiện ích, dịch vụ này được gọi là “điều chỉnh điện áp”.
NREL đang áp dụng công cụ dự báo này để giúp các Công ty Điện lực Hawaii (HECO) hiểu rõ các lựa chọn của mình bằng cách xác thực một số chiến lược điều chỉnh điện áp, sử dụng cụ thể các bộ biến tần tiên tiến có chức năng hỗ trợ điện áp và tích hợp chúng với các thiết bị sử dụng cuối có thể điều khiển. Công trình này bao gồm một nghiên cứu tổng hợp và nghiên cứu về cách chuyển tải thông minh có thể cho phép tăng cường độ phủ sóng của PV.
Làm săn chắc mặt trời
Mây bay qua trên cao thường tạo ra những biến động lớn trong sản lượng điện từ các mảng PV. Để điều tiết sự biến động này – một hiệu ứng được gọi là “solar firming” – NREL đã phát triển một mô-đun cho forecast , sử dụng các thiết bị gia dụng được kết nối và pin để tiêu thụ bất kỳ năng lượng dư thừa nào sau đồng hồ đo, thay vì xuất ra hệ thống điện. Hiệu suất của forecast trong trường hợp này được thể hiện trong hình bên dưới, trong đó forecast giảm thiểu biến động công suất và loại bỏ việc xuất năng lượng từ hộ gia đình. Giải pháp này được kỳ vọng sẽ cho phép phân phối nhiều nguồn năng lượng hơn trên lưới điện và cải thiện độ tin cậy.
Dữ liệu phòng thí nghiệm cho thấy một ngôi nhà có hệ thống điện mặt trời trên mái nhà. Trong khoảng thời gian trung tâm, dự đoán được kích hoạt để giảm sự biến động công suất và loại bỏ việc xuất khẩu năng lượng từ ngôi nhà.
Cơ hội thương mại hóa và hợp tác
Phần mềm Forefore hiện đã có sẵn để cấp phép . Các nhà nghiên cứu của NREL quan tâm đến việc hợp tác với các công ty sẵn sàng đưa Forefore ra thị trường. Các bước tiếp theo bao gồm tiến hành các thí nghiệm/thử nghiệm thực địa để:
- Phát triển thêm các phương pháp học máy bằng cách sử dụng dữ liệu từ nhiều tòa nhà và cư dân thực tế khác nhau
- Chứng minh rằng mức tiết kiệm năng lượng, dịch vụ lưới điện và các lợi ích khác được đo lường đều đạt được trong các tòa nhà thực tế.