Reengen Enerji IoT Platformu kurucu ortağı ve AR-GE sorumlusu Sahin Çaglayan, nesnelerin interneti ve büyük veri analizi yeteneklerini bir araya getirerek ticari binalarda ve enerji şebekesinde bulut tabanlı optimizasyon süreçlerini anlattı. - 23 Mart 2016 meet@ideaport | IoTxTR#21 'Enerji Sektöründe Endüstriyel IoT Uygulamaları' Semineri

1. Enerji
Sektöründe
Endüstriyel IoT
Uygulamaları
Şahin Çağlayan, CTO

2. 1)
Distributed
always
wins
in
the
long
turn
2)
IoT
is
an
API
for
the
real
world
3)
Reengen,
where
the
magic
happens
4)
Big/PredicDve
data
analyDcs
is
the
key

3. 12 adet Fatura
35.000 adet Veri
Akıllı şebeke devrİMİ

4. Enerji Depolama &
Elektrikli Araçlar
Talep Tarafı
Yönetimi
Akıllı Sayaçlar
Otomasyon
Akıllı İletim
Şebekesi
Dağıtık Enerji
Üretimi
Akıllı Dağıtım
Şebekesi
Dinamik Fiyatlama

5. ENERNET
INTERNET
Enerji,
Güç
Bilgi,
Bant
Genişliği
Carnot
Thermodynamics
Shannon
Informa?on
Theory
1824
–
Entropi
1948
–
Entropi!
Ergs
ve
Joules
Bits
ve
Bytes
Elektriksel
Elektronik
WaM
(W)
=
Newton-­‐metre/saniye
Metcalfe
(Me)
=
Bit-­‐metre/saniye
Güç
=
Joules/saniye
Bant
genişliği
=
Bit/saniye

6. Sarnoff
ağın gücü

7. Sarnoff - metcalfe
ağın gücü

8. Sarnoff - metcalfe - reed
ağın gücü

9. Sanal
Şebeke
Mikro
Şebeke-­‐1
Mikro
Şebeke-­‐2
Mikro
Şebeke-­‐3
Mikro
Şebeke-­‐4
INTERNET OF ENERGY
EDAŞ

11. Distributed
always
wins
in
the
long
turn

12. Aralık
1970
Mart
2016
İnternetİn dÖnÜşümü
Kaynak: Wikipedia

13. Eylül
1904,
Niagara
Hidroelektrik
Santrali
Mart
2016
V=
I
*
R
V=
I
*
R
Q2+P2=S2
enerjİnİn dÖnÜşümü

14. Read only – no wrıte operatıon

15. Talep Artışı
Dağıtık Üretim Tesisleri
Dağıtık Depolama
Elektrikli Araçlar
Teknik Kayıplar
Kaçak Kullanım
Ekipmanlarının Takip Zorluğu
Saha Operasyon Verimsizliği
Tek yönlü dİzayn

16. Latch
Current Transformer
Closing Mechanism
Power Digital Board
Rogowski Coil
Temp Sensor
Radio Board & Antenna
GRID SENSOR
IoRIT
IoRIT

17. IoRIT

18. IoRIT

19. IoRIT

20. 20
M2m to ıot
Existing M2M
Systems
Collaborative IoT
Platforms
Organized in ‘’Hub & Spoke’’ Manner which create ‘Data
Silos’and prevents systems from acting interoperable
Open interoperable data in multiple parallel formats
(structured, unstructured, time-series)
Application development is custom and complex – few
tools for users to quickly develop applications
Users can find information and discover patterns without
IT specialists or complex data normalization
Software platforms typically focus on single data types
limiting range of execution processes
Collects, tags and relates different data types creating an
operational data store that becomes more valuable as the
quantity of data and the density of relationships grows
Intelligence tools work off of curated data sets limiting
questions answered to only those who known in
advance
Tools to enable business to quickly assemble new Ad Hoc
application solutions
Scalability limited – lack of peer to peer schema for data
relationships and fusion
Functionality for collaborative user participation for
sharing data and building applications
Little to no ecosystem and partner leverage - ‘Command
and control relationship reduces innovation potential
Open platform business model that derives multi-party
collaboration across diverse service delivery partner base

21. IoT
is
an
API
for
the
real
world
Zak
Greant,
Sr.
Technical
Evangelist,
Magnolia

22. 2010
Veri
Hacmi
(Exabytes)
12000
2020
Verilerin Belirsizlik Oranı
Buradayız
Sensörler
ve
Cihazlar
VoIP
Kurumsal
Veri
Sosyal
Medya
6000
9000
100
0
50
Source: IBM Global Technology Outlook 2012
Belirsizlik
Oranı
(%)
büyük verİ

23. verİ bİlİmİ
Gartner Big Data Analytics Report

24. verİ bİlİmİ

25. Iot, büyük verİ ve bulut kesİşİmİ
• The
connec?vity
is
just
an
enabler,
but
the
real
value
of
IoT
is
on
data
(business
insight/data
driven
management)
• For
big
data,
data
collec?on
is
one
of
the
big
concerns,
IoT
can
play
a
big
role
on
data
collecDon
and
data
sharing
• For
big
data,
data
is
nothing
without
real
business
value
insight
• Cloud
offers
‘Everything
as
a
Service’
business
model
for
IoT
and
big
data
• IoT
is
a
King,
big
data
is
a
Queen
and
the
Cloud
is
the
Palace

30. BİNA YAŞAM DÖNGÜSÜ MALİYETİ
İnşaat
Operasyon
1-­‐2
Yıl
25-­‐30
Yıl
%25
%75
İnşaat
&
Devreye
Alma
Maliye?
Operasyon
Maliye?

33. rEENGEN enERGY
IOT PLATFORM
Talep tarafı
yönetİmİ
DAĞITIK ENERJİ
ÜRETİMİ
ElektrİkLİ
Araçlar
SANAL şebeke
Saas-paas
Enerjİ performans anlaşması
BİNA/BÖLGE BAZLI ENERJİ OPTİMİZASYONU
MÜŞTERİ ANALİZLERİ
SANAL ENERJİ YÖNETİCİLİĞİ
MİKRO ŞEBEKE YÖNETİMİ
Hvac
optimizasyonu
Kestİrİmcİ
bakım
Enerjİ
ANALİZİ
2014
ŞİMDİ
2016
2017
Enerjİ
depolama
P2P enerjİ
ticareti
Şebeke
optimizasyonu
2018

34. DEMAND SIDE MANAGEMENT
EV CHARGING & STORAGE MANG.
INDOOR AIR QUALITY MONITORING
ASSET MANAGEMENT
ELECTRICITY, GAS & WATER MANAGEMENT
CHP(C) MANAGEMENT
UPS & GENERATOR MANAGEMENT
REACTIVE ENERGY CONTROL
TARIFF OPTIMIZATION & PTF ANALYTICS
SOLAR ENERGY MANAGEMENT
SPLIT Ac REMOTE CONTROL / OPTIMIZATION
HVAC OPTIMIZATION
B-IoT – bUILDING IOT

35. APIs
Driver
App
Elektrik
Depolama
Güç
Çevrimi
Sayaçlar
DDC
Pano
Ve
Röleler
Jeneratör
UPS
Kojenerasyon
Solar
PV
Elektrikli
Araç
Şarj
İstasyonu
HVAC
LED
BMS
UI
Engine
Node

36. THE PROBLEM : A typıcal ıot project
„„Complex Programming
„„Difficult to Maintain/Evolve
„„High Risk, High Cost
„„Barrier to Innovation

37. solutıon : 10x tıme and cost reductıon
„Vertical Energy Applications Fully
Integrated into the Enterprise
„Analytical Libraries
„Application Development and
Runtime Tools
„D evice M anagement and
Connectivity
„Edge Intelligence

38. App
Builder
Management
Console
3rd Party Tools
Composer
REST
APIs
System/
Service
Integra?on
Business
logic/Proper?es/
Services/Events
Storage
Engine
Device
Communica?on
Layer/Drivers
Message
Bus
ENERjİ ıOT PLATFORMu İçİn referans mİmarİ

39. SANAL ENERJİ YÖNETİM servİsİ

40. SANAL ENERJİ YÖNETİM servİsİ

41. SANAL ENERJİ YÖNETİM servİsİ

42. • Haftalık, aylık
tüketim analizleri
• Performans
karşılaştırmaları
• İleriye dönük tüketim
tahminleri ve uygun
tasarruf önerileri
• Enerji kalitesi ve gerilim
seviyesi göstergeleri
• Tüketim saatlik
analizi, gece tüketim
takibi
• Enerji Tuketim
Kırılımları
• Tarife ve Fatura
Analizleri
• Talep Yönetimi
Raporlama servİsİ

44. Big/PredicDve
data
analyDcs
is
the
key

45. Continuous Data Processing
PLATFORM SERVICES
HDFS
Rela?onal
Mul?-­‐
Dimensional
Distributed/
Key
Value
Store
Logging
File
System
Metadata
Batch
Services
Stream
Services
Con?nuous
Analy?cs
Processing
Itera?ve
Processing
(in
memory)
Analy?cs
Applica?on
Logics
APIs
Authen?ca?on
Authoriza?on
Auto
Scaling
Data
Deployment
Logging
Monitoring
Mul?
Tenancy
Profiling
System
Management
Scheduler

46. MACHINE LEARNING/PREDICTIONS layer
Message
Receiver
• Summary
Sta?s?cs
• Correla?ons
• Stra?fied
Sampling
• Hypothesis
Tes?ng
Classifica?on
&
Regression
• Linear
Models
(SVM,
Logis?c
regression,
linear
regression)
• Decision
trees
• Naïve
Bayes
Collabora?ve
Filtering
• Alterna?ng
least
squares
Clustering
• K-­‐Means
Dimensionality
Reduc?on
• SVD
• PCA
Op?miza?on
• Stochas?c
Gradient
Descent
• Limited
Memory
BFGS
• Newton’s
Method
Feature
Selec?on
• Orthogonal
Matching
Pursuit
• Greedy
Forward
Selec?on

47. BIG DATA – ENERGY CASE 1
We
have
variable
dynamic
data
basis
:
Energy
• Target
:
Find
Correlated
Customers
for
Pricing
• QuesDon
:
Find
X
Customers
that
in
a
specific
?me
frame
have
the
same
energy/power
peak
based
on
similar
weather
condi?ons
• Methodology
:
We
need
stream
analy?cs
• Result
:
Offer
variable
energy
pricing
contracts
According
to
Variable
Time
of
Use
(TOU)
Demand
• Metrics
:
Pricing
(TL,
$,
Euro),
Pmax,
Pmin,
Time
stamps,
Customer
meta
data,
u?lity
produc?on
costs
etc.

48. BIG DATA – ENERGY CASE 2
We
have
variable
dynamic
data
basis
:
Building
• Target
:
Find
Op?mal
Energy
Efficiency
Strategy
• QuesDon
:
Find
X
Buildings
that
in
a
specific
?me
frame
have
correlated
energy
efficiency
metrics,
according
to
local
climate
condi?ons,
human
behavior
and
building
meta
data
• Methodology
:
We
need
stream
analy?cs
• Result
:
Offer
variable
predic?ve
maintenance,
predic?ve
op?miza?on
and
personalized
energy
efficiency
services
(ESCO-­‐EPC)
• Metrics
:
kWh/m2,
Pmax,
Pavg,
Temperature,
degree
days,
weather,
human
behavior,
demographics,
building
meta
data,
customer
financial
data

49. BIG DATA – ENERGY CASE 3
We
have
variable
dynamic
data
basis
:
Microgrid
• Target
:
Find
Op?mal
RES
balancing
nodes
• QuesDon
:
Find
X
Correlated
Buildings
that
match
their
consump?on
and
peak
metrics
to
Y
solar,
wind,
EVs
RES
sources
in
a
isolated
grid
• Methodology
:
We
need
stream
analy?cs
• Result
:
Offer
variable
nodal
pricing
according
to
the
local
RES
injec?on
to
the
grid
• Metrics
:
RES
Produc?on,
weather
condi?ons,
consump?on
profiling,
nodal
pricing,
EVs
posi?on,
GIS,
load
grid
es?ma?on,
etc.

50. Kaliforniya,
ABD
Meksika
Dominik
Cumhuriye?
Brezilya
İspanya
Almanya
İsveç
Türkiye
Çin
B.A.E
12.858
Ölçüm noktası
942
Aktif Kullanıcı
5.900 MWh
Enerji Tasarruf
12.000 saat
Adam-saat Tasarruf

51. takım

52. @reengenreengenenergy
TR : İTÜ Teknokent Arı-3
US: Singularity University Labs
NASA Ames Research Park,
Moffett Field, 94035
California/US
02129242412
Info@reengen.com
Reengen Energy
TEŞEKKÜRLER!

53. Suppor?ng
slides
53

59. ENERJİ çıkmazı
vs
2050 Enerji
Talebi
Karbon
Emisyonu
Gerçek İhtiyaç
Kaynak: IEA 2007
Anahtar: Yenilikçi Enerji Yönetimi

60. Binaların en yaygın problemlerİ
Enerji Çıkmazı
Artan enerji talebi/verimsizlik vs çevre
Entegrasyon
Birden çok ayrık alt sistem, verimli yönetememe
Toplam bina yaşam döngüsü maliyeti
Ilk yatırım maliyeti, süregelen operasyonlar
Güvenlik
Dijitalleşme ile büyüyen kaygı

61. B-ıot VS BMS
Operation
1-2 Year 25-30 years
25%
Construction
75% (Energy, Maintenance)
Design
Intend
BMS
Facility
Performance
OpDmized
Building
Real-­‐Dme
Monitoring,
Alert
Management
&
ReporDng
PredicDve
Energy
OpDmizaDon
Saving
Opportunity
Existing BMS
• Static operation mostly based on wrong sensor reading
• Reactive instead of proactive
• Lack of actionable intelligence, just data collection
Data Driven Energy Management
• Optimum operation strategy based on advanced analytics
• Decision support mechanism for HVAC operation
• Predictive actions based on historical & real time data
Building Life
Cycle Costs

62. BİNA İÇİ SENSÖR AĞI
donanım1 Verİ eNTEGRAsyONu2 SİSTEM merkezİ3
Özelleştİrİlmİş
gösterİm4
Halihazırdaki
SşstemlerSensörler
TCP / IPUcuncu Parti sistem Internet / WEBHOST
Mobil Cihazlar
Laptop, desktop &
dokunmatik
Üçüncü Parti
Kontrol & BYS
Sistemleri
Veri Toplama
Sunucusu
Verİ toplama
Gaz / LPG
Su
Elektrik & Alt. Enerji
Hava
Sıcaklık
CO2 & Nem
BYS & Ekipman
Akıllı Sayaçlar
Standart
TCP / IP
output
arayüzlerİ

63. YAZILIM
Şehİr İçİ sensor aği
Lokal
veritabani
ETHERNET
WI-FI
3G / GPRS
WEB
DONANIM
Guvenli
bulut
3. Parti
bulut
platformu
Alarm yonetimi
Akilli tahmin
algoritmalari
Hava kalitesi
gurultu Sensoru
ENERJİ ANALİZÖRÜ
SAYAÇ

64. Verİ güdümlü servİsler ve faydaları
Sürekli
ve
gerçek
zamanlı
yapılan
veri
güdümlü
analizler,
bina
ereji
ve
operasyonel
verimliliği
ile
kullanıcı
konforunda
önemli
ölçüde
ar}ş
yara}r.
Dinamik
ve
Sürekli
‘’Commissioning’’
Tasarruf
Potansiyeli:
%15
–
35
Karbon
Emisyonu
Düşüşü:
%10
–
20
Kes?rimci
Op?mizasyon
ve
Gerçek
Zamanlı
İzleme
Artan
bina
çalışanı
kullanıcı
konforu
Artan
Verimlilik
Kes?rimci
Bakım
Bakım
masraflarında
%5-­‐15
düşüş
Gereksiz
stok
düşüşü:
%20
–
45
Bina
Enerji
Ser?fikasyonları
Bina
değerinin
artmasıyla
artan
kullanıcı
ve
ya}rımcı
ilgisi
Artan
bina
değeri
5-­‐10TL/m2
Anahtar Servisler Faydalar

65. E-MAIL / SMS
alarmi
RAPORLAMA
gorsellestirme
Sensor Geribildirimi
Optimum Operasyon
Senaryosu
ISITMA, SOğUTMA & HAVALANDIRMA SİSTEMİ OPTİMİZASYONU
PROVOLTA SUNUCUSU – merkezİ analİz motoru
GUVENLI BAGLANTI
BINA MODELLEMESI
YAPAY ZEKA MODULU
VERI ANALIZI
KESTIRIMCI BAKIM
VERI MADENCILIGI
Gercek Zamanli Durum Bilgisi
Hava Tahmini
Elektrik Tarifesi
Talep Katilimi Sinyali
Sayac & Sensor agi Mekanik sistemler
Dagitim
Sirketi
Isitma, Sogutma
Havalandirma
Bina Sistemleri

66. 66
OpDmizasyon
Motoru
OpDmizasyon
Motoru
Saha
Verisi
Saha
Verisi
Saha
Verisi
OpDmizasyon
Motoru
Saha uygulama senaryolari
KONFIGURASYON
A
KONFIGURASYON
B
KONFIGURASYON
C
Entegrasyon
Arabirimi
Entegrasyon
Arabirimi
Entegrasyon
Arabirimi

67. PROVOLTA arayüz örneklerİ

68. Nasıl tasarruf sağlar?
• Pik Yük Azaltma
• Güç Faktörü Düzeltme
• HVAC Yükü Azaltma
• Farkındalık
Doğrudan
tasarruf
• Yük Kaydırma
• Fatura Teyiti
• Tarife Analizi
• Reaktif Ceza Takibi
• Kestirimci Analiz
Fİnansal
tasarruf
• Anında Müdahale
• Bakım Giderlerini
Azaltma
• Enerji Verimliliği
Planlama
• Portföy Yönetimi
Operasyonel gİderlerde
tasarruf
• Ekipman Kestirimci Arıza
Teşhisi
• Akıllı Yatırım
Sermaye gİderlerİnde
tasarruf

69. R2CITIES PROJesİ

70. +
WHO

71. neden
2
°C

72. neden
‘’We
agree
that
deep
cuts
in
global
emissions
are
required…
so
as
to
hold
the
increase
in
global
temperature
below
2
°C.”
2009
Kopenag
İklim
Sözleşmesi

73. neden
2
°C
=
565
Gt
CO2
Kaynak: carbontracker.org

74. neden
‘’Smart
grid
technologies
were
the
largest
opportunity
found
in
the
study
and
could
globally
reduce
203
Gt
CO2”
The
Climate
Group
Smart
2020
Report

75. neden
vs
2050 Enerji
Talebi
Karbon
Emisyonu
Gerçek İhtiyaç
Anahtar: Akıllı Şebeke Dönüşümü
Kaynak: IEA 2007

80. kİM

81. kİM

82. KİM

83. KİM

84. KİM

86. Fall
in
love
with
the
problem
-­‐
not
with
the
first
soluDon
that
comes
to
mind.
nE

89. Silo
Yaklaşımı
Paylaşımlı
APP
Yaklaşımı
Her
ayrı
uygulama
için
bir
ağ
geçidi
Her
uygulama
için
ayrı
kurulum
Kablolama
yoğun
kurulum
Geç
ROI
Tüm
uygulamalar
için
tek
ağ
geçidi
Tüm
uygulamalar
için
tek
kurulum
Çoklu
üreDci
için
global
bağlanu
ve
uyumluluk
Sonra
kurulabilecek
3.
parD
uygulamalardan
gelir
modeli

90. EVLERİN NESTİ VAR, BİNALARIN NESİ VAR
?

91. E-MAIL / SMS
alarmi
RAPORLAMA
gorsellestirme
Sensor Geribildirimi
Optimum Operasyon
Senaryosu
PROVOLTA SUNUCUSU – merkezİ analİz motoru
GUVENLI BAGLANTI
BINA MODELLEMESI
YAPAY ZEKA MODULU
VERI ANALIZI
KESTIRIMCI BAKIM
VERI MADENCILIGI
Gercek Zamanli Durum Bilgisi
Hava Tahmini
Elektrik Tarifesi
Talep Katilimi Sinyali
Sayac & Sensor agi Mekanik sistemler
Dagitim
Sirketi
Isitma, Sogutma
Havalandirma
Bina Sistemleri
nE – HVAC OPTİMİZASYONU

92. YAZILIM
Lokal
veritabani
ETHERNET
WI-FI
3G / GPRS
WEB
DONANIM
Guvenli
bulut
3. Parti
bulut
platformu
Alarm yonetimi
Kestİrİmcİ bakım
Hava kalitesi
gurultu Sensoru
ENERJİ ANALİZÖRÜ
SAYAÇ
nE – PORTFOLYO YÖNETİMİ

93. Provolta_Screenshot

94. Geleneksel analİz vs büyük verİ analİzİ

95. “It
is
not
a
dream,
it
is
a
simple
feat
of
scien3fic
electrical
engineering,
only
expensive
—
blind,
faint-­‐hearted,
doub3ng
world!
“
Nicola
Tesla,
for
the
wireless
transmission
and
distribu3on
of
electricity…

96. Intelligent and
dynamicScalable
Real-time
Distributed and
decentralized
Security and
privacy

108. ANY ENERGY
DATA SOURCE
• Third Party
Sensors
• Devices,
Equipment
• BEMS,
SCADA, ERP,
etc. Systems
• Web Services
• Control Units
CONNECTIVITY
• APIs
• Adaptors
CLOUD
Modular database structure
(sql, oracle, nosql etc.)
INTELLIGENCE: THE E-APP MARKET
Analytic Engine
(In-house and 3rd party apps)
FAST ADOPTION TO ANY USER
Fully Customizable UI
(Drag and drop for any user)
Physical
Comm.
Gateway
(On-­‐site)
Reengen
IoT
Gateway
EASY TO USE
Management Console
PLATFORM MİMARİSİ