A Diretriz de benchmarking para uso de energia em restaurantes

Diretriz de benchmarking para uso de energia em restaurantes

O Laboratório Nacional de Energia Renovável do Departamento de Energia dos EUA está trabalhando com a Equipe de Projeto de Restaurantes da Aliança Comercial de Energia para Construção para identificar tecnologias, componentes, produtos e estratégias operacionais de economia de energia. Um desafio operacional significativo para as operadoras de serviços de alimentos é definir métricas de referência de uso de energia para comparar com o desempenho de lojas individuais. Sem isso, os operadores e gerentes multiunitários têm dificuldade em identificar quais lojas exigem atenção extra para alinhar seu desempenho energético às expectativas.

Vários anos atrás, um subcomitê nacional de restaurantes, trabalhando com a Fisher-Nickel, Inc., tentou definir métricas que poderiam ser usadas para o Programa de Gerenciamento de Portfólio ENERGY STAR®. O programa requer intensidade de uso de energia definida como Btu / ft2, que requer a combinação de valores de consumo para fontes de energia comumente usadas, como eletricidade, gás natural e propano. O comitê constatou que o uso de energia por unidade de área foi altamente variável entre os tipos de instalação de serviços de alimentação devido a diferentes tipos de instalações, diferenças no cardápio, número de refeições servidas, utensílios de cozinha e refrigeração, horas de operação e muitos outros fatores (relatório não publicado). ). A variação era tão grande que os membros do subcomitê concluíram que a intensidade do uso de energia, conforme definido pelo ENERGY STAR, não seria adequada para avaliar o uso de energia. Em particular, métricas separadas precisam ser usadas para cada fonte de energia. Eles também descobriram que a variação nos tipos de instalações de serviços de alimentação era significativa o suficiente para que o desenvolvimento de benchmarks para um determinado operador multiunitário provavelmente fosse mais bem-sucedido do que os benchmarks de nível nacional encontrados no ENERGY STAR Portfolio Manager.

Este relatório apresenta um método para os operadores de multiunidades usarem seus próprios dados de utilitário para criar benchmarks adequados para avaliar suas operações. Pode ser usado para:

• Fornecer uma visão de alto nível do uso de energia para todas as lojas.

• Identifique lojas com alto e baixo consumo de energia.

• Acompanhe as mudanças no uso de energia.

1.1 Fatores que Influenciam o Uso de Energia

O tamanho da placa de piso, por si só, não é normalmente adequado como um fator de normalização para caracterizar totalmente o consumo de energia. Nos últimos 20 anos, o tamanho típico da placa de piso mudou (muitas vezes diminuindo), e o número de refeições servidas em cada loja aumentou. O horário de funcionamento, as práticas operacionais e o número e tipo de aparelhos também têm uma influência perceptível no uso de energia. A experiência dos autores mostrou que a ausência ou presença de assentos no espaço condicionado, localização e padrões de tráfego do cliente, zona climática, ausência ou presença de sistemas de controle automatizados (relógios de ponto, sistemas de gerenciamento de energia predial), tipo de instalação , o espaço interno em um prédio maior, etc.), o tipo de resfriamento walk-in, e a quantidade de iluminação externa e de estacionamento incluída na conta da concessionária também são fatores.

1.2 Limitações dos dados anuais de uso de energia

O uso anual de energia é conveniente porque possui 1/12 dos pontos de dados dos dados mensais dos quais foi derivado. Mas a conveniência, nesse caso, oculta informações que poderiam ser usadas para diagnosticar por que o uso de energia em uma determinada loja é alto ou baixo. Também oculta erros de acumulação de dados. Por exemplo, se um mês de uso de eletricidade estivesse faltando para uma determinada loja, não seria aparente, e o uso de energia anual menor resultante faria essa loja parecer mais eficiente em termos de energia do que seus pares. Da mesma forma, o uso aparente de alta energia pode resultar da duplicação de algumas contas mensais de energia. Nosso escopo de trabalho inclui análise usando apenas números anuais de energia; entretanto, com modificações cuidadosas, pode-se estendê-lo para incluir a análise de períodos subanuais.

2.0 Discussão passo-a-passo do procedimento de benchmarking de uso de energia

Esse procedimento consiste em várias etapas distintas: a Figura 2-1 mostra essas etapas para a análise básica de alto nível; A Figura 2-2 mostra as etapas adicionais necessárias para concluir a análise mais avançada. Maior detalhe segue os números.

O procedimento é dividido nesses dois níveis de análise, porque os operadores encarregados de identificar os restaurantes que precisam de auditorias, inspeções e retrofits geralmente enfrentam restrições de tempo apertadas. Em muitos casos, uma análise mais rápida e de alto nível ajudará a operadora a identificar oportunidades de retrofit; no entanto, alguns podem se beneficiar do potencial de maior precisão no benchmarking e da criação de equações de benchmarking que podem prever o consumo de energia sob condições operacionais variáveis.

Na Figura 2-2, é importante notar que o valor de R2 não representa o único parâmetro estatístico que poderia ser relevante para avaliar a força das regressões lineares. Essa estatística é enfatizada aqui porque é mais amplamente conhecida e está incluída na planilha de exemplo.

Distinguir qual correlação atende às necessidades do operador pode ser uma função da diferença nos valores de R2 entre duas regressões em vez dos dois valores absolutos. Por exemplo, uma regressão hipotética pode combinar os efeitos de transações e horas semanais e resultar em um valor de R2 de 38%. Outra regressão pode adicionar os efeitos do dia de aquecimento (HDD) aos de transações e horas semanais e resultar em um valor de R2 de 39%. A inclusão da variável independente HDD aumentou o valor de R2 e, portanto, a força da regressão, mas talvez não o suficiente para justificar o esforço extra envolvido na obtenção dos valores de HDD para várias lojas. O analista pode optar por se concentrar em regressões baseadas apenas em transações e horas semanais. Se o analista se sente confiante ou não usando equações de benchmarking com valores de R2 na ordem de 38% é outra questão; os estatísticos preferem valores de R2 mais próximos de 70% a 95%, mas tais forças de correlação