Smart Decision Support System for Urban Energy and Transportation (JPI Urban)

I løpet av denne rapporteringsperioden har vi videre utviklet Android-appen som oppfordrer brukerne til å redusere sitt CO2-utslipp fra kjøring og energiforbruk. Appen måler brukernes klimagassutslipp fra kjøring og energiforbruk i sanntid. Den antyder hvordan CO2-fotavtrykk kan kuttes ved installasjon av solpaneler, utveksling av kjøretøyet med en elektrisk, og ved sykling eller vandring i stedet av kjøring. Utslipp og monetære besparelser fra disse effektive alternativene kan sammenlignes med faktisk ytelse i sanntid. Appen ble utviklet i samarbeid med det norske energiselskapet NTE, og de østerrikske og nederlandske prosjektpartnerne. I år har vi testet appen og ved hjelpen av NTNU, våre partners gamification metoder forbedret brukererfaring. Appen var testet i Norge med SINTEF ansatte, NTNU stundentene og våre partnere i Østerrike. Desverre hadde vi problemer med endringer i Android OS som resulterte i at prossessene i appen stoppes av OS. Som følge var vi ikke i standet til å fulføre testene med større antall av brukere.

We believe the interaction with a Norwegian electricity supplier had an effect on the app and services the company developed. The company did not directly implement our solution, but their service does resemble the work in DESENT. Other than that the project seems to have opened a new understanding in the partners' perceptions. We expect further work to be done in this field of combining energy and transportation services, including the collection of data on blockchain.

This proposal aims at the development, application and dissemination of an integrated decision support system for energy use of buildings and transport, ensuring maximum efficiency with respect to supply and distributed energy generation. The specific goal is to develop a smart energy control concept of household/vehicle energy use through the implementation of advanced ICT technology. Using multi-agent simulation, household preferences, energy use and responses to policies/services will be incorporated into an integrated activity-travel demand model to predict the energy demand at a high level of temporal and spatial resolution. This system will be complemented with a model of distributed energy generation, which represents the possible interactions among local energy suppliers, grid operators and customers. The system design and implementation will be accomplished through co-creation in several demo cities. Experiences will provide the basis to evaluate whether such innovative high-resolution demand predictions provide improved insights into demand flexibility that can be used to balance services in the power grid. This is particularly important in the view of increased penetration of variable renewable generation, electrical mobility and distributed energy generation schemes in cities.