Tady je jeden možných scénářů spotřebitele energie v roce 2025.
Klára otevírá svoji mobilní aplikaci Smart Energy a kontroluje spotřebu elektrické energie v bytě. Aplikace ji informuje, že klesá účinnost její pračky. Pak uvidí oznámení od jejího dodavatele elektřiny. Nabízí ji slevu ve výši 80 eur na nákup energeticky účinnějšího modelu. Současně nabízí i financování, které je navázáno na výši jejich pravidelných plateb. Její aplikace ji nabízí výběr z 3 možných modelů praček, které jsou z hlediska nákladů hospodárné s ohledem na způsob jejího vyžívání. Současně je jí nabídnuta další možnost související s novým modelem pračky - opožděný start zařízení, který umožní, že pračka poběží v čase, kdy jsou náklady na energii nízké. Aplikace nakonec shrne všechny informace a spočítá, že nákupem nové pračky, kterou si může Klára vybrat z nabídky, může ročně ušetřit až 55 eur. Sama ví, že její pračka bude muset být v blízké budoucnosti vyměněna, proto využije nabídku z aplikace Smart Energy a zakoupí novou pračku kliknutím na tlačítko.
AUTOŘI
V roce 2000 bylo důvodem zavádění chytrých měření zlepšování spolehlivosti zařízení a zefektivňování procesů fakturace. Současně byl také sledován cíl optimálního využití pracovní sílu a snižování ztrát v síti.
Výhody těchto projektů by byly nejdříve využity u dodavatele energie nakonec sdíleny se zákazníky. Mnoho síťových společností podniklo první kroky k důslednějšímu využití údajů, které je možno již dnes získat ze sofistikovaných měření na jimi provozované infrastruktuře. Například společnost Enel odhaduje, že údaje z inteligentních měřicích přístrojů jim umožní identifikovat nepoužívané nebo nadměrně využité transformátory a bude tak moci lépe plánovat budoucí investiční výdaje. Výsledkem by měla být úspora kapitálu ale také snížení provozních nákladů souvisejících s řízením distribuce nízkého napětí.
Mnohá síťová odvětví (elektřina, voda, plyn,..) dnes vyhledávají sofistikované aplikace, které by nalezli nové hodnoty využitím datového managementu a strojového učení. Takto získané údaje mohou být např. využívány pro účely údržby nebo k využití prediktivními nástroji pro dosažení dodatečných vylepšení při plánování distribuce nebo pro měření efektivnosti a spolehlivosti kapitálových výdajů.
Většina společností z oblasti utilities se však dívá na obrovské množství získávaných dat s nedůvěrou, protože je neumí smysluplně využít. Snaží se vytvářet analytické modely, které využívaly takto nabyté údaje a proměnili je do formátu, který jim bude pomáhat při rozhodování a důsledně využije jejich informační hodnotu.
Největším přínosem získávání dat z chytrých zařízení a pokročilých analýz je jejich potenciál při srovnávání a předpovídání využití energie u podobných zákazníků. Ten je kalkulován pomocí nástrojů pro strojové učení a pokročilých klastrových algoritmů pro vybraný zákaznický segment. Tyto nástroje potom umožní provádět optimalizaci cen, měnit produkty i tarifní a energetické plány.
Energetické společnosti proto již nebudou používat lokalitu nebo věk k určení toho, které produkty nabízet kterým zákazníkům. Spíše budou využívat profily spotřeby jednotlivých zákazníků pro jejich správné přiřazení do odpovídající kategorie, včetně těch, se zaměřením na zelenou energii.
Společnosti budou také využívat údaje o zákaznické spokojenosti. Tento přechod na nejsilnější a analyticky přísnější segmentaci bude nezbytný pro to, aby podniky mohly dosáhnout co nejvyšší výnosu z jednoho zákazníka. Společnosti např. vyvíjí aplikace pro hlubší propojení se zákazníky. Tyto aplikace poskytují nejenom přehled o spotřebě energie. Taky navrhují slevy, které je možno dosáhnout nebo tipy na snížení účtů za energii.
Energetické společnosti budou taky schopny efektivněji předpovídat spotřebu energie zákazníků v důsledku lepšího pochopení struktury a trendů spotřeby energie. To jim potom umožní např. snížit náklady na nákup a obstarávání na trzích s energií a deriváty. Rovněž otevře nové cesty, jak nabízet údaje získané od zákazníků třetím stranám.
Současně se zavádí některé regulační mechanizmy měnící výpočty návratnosti energetické účinnosti. Například můžou být přijata pravidla, která umožní zahrnutí výdajů vynaložených v souvislosti s vylepšeními úspor energie do investic v rámci regulovaných sazeb. To může ještě více zdůraznit roli chytrých měřících zařízení, jelikož data která generují, skrývají v sobě skrývají vysokou potenciální hodnotu, kterou můžou v rámci regulace efektivně využít. A proto ti rychlejší a flexibilnější budou tyto data využívat tak, aby mohli dosahovat vyšší provozní efektivity a rychlejší návratnosti investovaného kapitálu. A co nejdůležitější, konečně budou moct zákazníkům, ve stále více digitalizovaném světě, poskytovat služby ušité na míru.