Comencem amb Optimise

Continguts:

• Què es necessita per executar Optimise?
• Com es calculen les anomalies?
• Com utilitzar Optimise? 
  • 1. Habilitar els dispositius a Optimise
  • 2. La teva llista d'anomalies detectades cada matí
  • 3. Accedir als detalls
  • 4. Configuració avançada: Centra't només en les anomalies rellevants per a tu
  • 5. Configuració avançada: Ajusta els teus models d'Intel·ligència Artificial (IA)

  • 6. Afegir comentaris i etiquetes a una anomalia

  • 7. Treballant amb Optimise - Gestió de tasques
• Cas pràctic. Com es van validar els resultats quan es definien els models d'IA?

Què es necessita per executar Optimise?

• Tenir dades horàries per a punts de dades d'energia activa
• Mínim 6 mesos de dades històriques, idealment 12 mesos
• Codi postal configurat a les teves localitzacions, perquè el sistema pugui obtenir automàticament dades meteorològiques i de festius locals
• [Opcional] Tarifes elèctriques de cost correctament configurades, en cas que vulguis quantificar i filtrar les anomalies per llindar de cost

Com es calculen les anomalies?

A l'animació següent pots veure les 3 capes utilitzades per calcular una anomalia. Primer, el consum real; segon, l'estimació del model de la IA (base de referència) i tercer, les anomalies detectades.

 

Des de l'instant en què actives un punt de dades, la IA realitza el següent per detectar anomalies:

1. Recollir dades d'entrenament
   Recollim lectures històriques de fins a 1 any del dispositiu que s'està analitzant, així com dades meteorològiques i de festius per aquest període (si les has seleccionat com a variables del model). Aquestes són les dades d'entrenament per al model d'IA, que serveixen de referència per al comportament típic de consum d'aquest dispositiu.

2. Entrenar el model d'IA
   Analitzem les dades d'entrenament conjuntament amb les seves característiques de calendari (hora, dia de la setmana, mes, dia de l'any, etc.) i afegim, si cal, informació sobre festius i meteorologia per crear un model estadístic que estimarà el rang de consum esperat. En un pas de pre-processament, ajustem la importància de cada valor a les dades d'entrenament per reduir l'efecte de les anomalies passades sobre el model d'IA entrenat. Cada mes, els models d'IA es reentrenen automàticament.

3. Detectar zones de comportament anòmal
   Cada matí, obtenim les lectures d'ahir per a un dispositiu determinat i les comparem amb l'estimació del model d'IA per identificar les diferències entre el consum real i el rang de consum esperat. No totes les diferències es classifiquen com a anomalies! Com que cada dispositiu tindrà certa variabilitat en el seu consum dia a dia, utilitzem un model estadístic addicional per avaluar la probabilitat que una desviació del rang esperat sigui realment una anomalia.

4. Calcular l'impacte energètic i el cost de cada anomalia
   Un cop detectada una anomalia, utilitzem una base de referència generada per la IA entrenada amb les dades històriques per estimar el consum esperat i quantificar l'impacte de l'anomalia en termes d'energia activa (en kWh) i cost (segons la configuració de la tarifa del teu compte). L'"impacte" és la diferència entre el consum real i el consum esperat.

 

 

Com utilitzar Optimise? 

1. Habilitar els dispositius a Optimise

Optimise està inclòs a la teva llicència si disposes d'una llicència Advanced o Ultimate. No hi ha límit en el número de models d'Optimise que pots configurar.

Per habilitar Optimise al teu compte, segueix aquests passos:

• Ves al menú de l'esquerra i selecciona "Optimise"
• A la pàgina de presentació d'Optimise, fes clic al botó "Start your free trial". Optimise s'instal·larà. Pot trigar fins a 30-60 segons. Si no respon, refresca la pàgina o contacta amb el teu proveïdor de suport.

Ara que la funció Optimise està habilitada al teu compte, cal habilitar els datapoints d'Optimise (models IA) per començar a detectar anomalies. Per a fer-ho:

• Un cop Optimise estigui instal·lat, fes clic al botó "Dispositius pendents per configurar"
• Veureu una llista dels mesuradors disponibles al vostre compte que encara no disposen de cap model d'Optimise (ara mateix, Optimise és compatible només amb dispositius d'energia activa).
• Selecciona un o més mesuradors per configurar-los (consell: utilitza el buscador per filtrar mesuradors específics o la casella de selecció múltiple per configurar-los tots de cop)
• Fes clic al botó Activar.

Un cop hagis seleccionat els mesuradors, fes clic al botó verd "Activar" a la part superior de la llista.

Fes clic al botó "Aplica als models seleccionats" al pop-up si vols utilitzar la configuració per defecte. Ja està! Els models d'IA començaran a entrenar-se i es calcularan les primeres anomalies per les últimes 24 hores.

Nota: L'estat del model pot trigar uns minuts a aparèixer com a "tic" verd, fins que la sol·licitud es processi internament.

Ara que els models d'IA estan en procés d'entrenament, cada 24 hores Optimise analitzarà totes les dades per a tu i mostrarà les anomalies rellevants descobertes amb la configuració per defecte. Si vols modificar els models d'IA, consulta aquesta secció.

 

2. La teva llista d'anomalies detectades cada matí

Cada matí, Optimise et mostrarà les noves anomalies detectades. Alguns dies no tindràs cap, altres dies en tindràs moltes; això dependrà de com ha consumit energia el teu lloc i dels llindars que hagis establert a la configuració del model.

Pots utilitzar el buscador o el selector de dates per filtrar per un rang de dates específic (per exemple, el cap de setmana passat o el mes en curs). Les anomalies es poden ordenar per qualsevol de les columnes disponibles a la llista.

Si estàs a la secció de configuració, pots tornar a la llista d'anomalies prement el botó de fletxa esquerra a prop del títol dels models d'Optimise.

 

 

3. Accedir als detalls

Per veure què ha passat, simplement fes clic sobre qualsevol anomalia de la teva llista. Es mostraran els detalls de l'anomalia i podràs veure què ha fallat. Recorda que la línia base ja està ajustada per les condicions meteorològiques i les festes (si ho has seleccionat així).

4. Configuració avançada: Centra't només en les anomalies rellevants per a tu

Llindar de Cost

El sistema pot detectar anomalies molt petites o molt grans. Et donem la llibertat de triar quines vols rebre. Per fer-ho, un cop habilitis o editis els models d'IA, selecciona un llindar de cost rellevant. Pots utilitzar diferents llindars per a diferents models.

Per exemple, pots establir ±100€ per les anomalies en edificis grans o ±10€ en botigues. Recorda que aquest és l'impacte de cost per anomalia. Si una anomalia de 10€ es repeteix cada dia, acabarà sent un impacte de 3.500€/any, així que no subestimis l'impacte d'anomalies aparentment petites.

Nota: Les anomalies només es filtraran si tenen una tarifa configurada (perquè el sistema pugui calcular el cost). Per saber com configurar les teves tarifes, visita aquest article.

 

El llindar es configura tant per anomalies positives com negatives (per sobre o per sota de la línia base). Es tracta d'unitats genèriques de "moneda", és a dir, €, ₤, $, o qualsevol moneda que hagis configurat a les teves tarifes.

Sensibilitat del model

Una altra manera de centrar-se en les anomalies rellevants és ajustant la sensibilitat del model. Hi ha cinc nivells de sensibilitat:

• Més baixa: Detectarà només anomalies amb una desviació extrema del consum típic.
• Baixa: Detectarà anomalies amb una desviació alta respecte el consum típic.
• Mitjana: Sensibilitat estàndard.
• Alta: Detectarà petites desviacions del consum típic com a anomalies.
• Més alta: Detectarà desviacions mínimes del consum típic com a anomalies.

Especificar la sensibilitat del model és una manera important d’adaptar les decisions del model als teus dades i al nivell de supervisió desitjat. Si les teves dades són molt previsibles i vols ser notificat de cada incident de consum anòmal, hauries de configurar la sensibilitat a alta.

D'altra banda, si les teves dades són poc fiables, influenciades per múltiples factors ocults i/o no tenen prou context històric per servir de referència per al consum normal (menys de 6 mesos), potser voldràs triar baixa sensibilitat per detectar només les anomalies més importants.

 

5. Configuració avançada: Ajusta els teus models d'Intel·ligència Artificial (IA)

Variables del model d'IA

Aquí pots seleccionar o desmarcar les variables que vols que participin en el model d'IA. Un model d'IA és un "cervell tancat" que s'entrena amb les dades històriques del punt de dades mateix més un conjunt de variables externes que poden explicar el seu comportament. Les més típiques al camp de l'eficiència energètica són les variables meteorològiques com els graus dia de calefacció i refrigeració i les festes locals.

Si estàs treballant al sector comercial (botigues, supermercats, oficines, educació, hostaleria, etc.), mantingues aquestes opcions seleccionades.

Si treballes al sector industrial, el consum de la teva fàbrica pot no correlacionar-se amb el clima, però potser sí amb les festes, així que desmarca l'opció de graus dia de calefacció i refrigeració.

En qualsevol cas, no et preocupis. Si has seleccionat una variable que no correlaciona, el model d'IA no dependrà d'ella per calcular les anomalies. Fàcil!

Excloure períodes d'entrenament (per exemple, per confinament per COVID-19)

Aquesta opció és molt útil per dir-li al model d'IA que exclogui un rang de dates específic. Per defecte, el model d'IA s’entrena amb les dades dels últims 12 mesos. Tanmateix, si el nostre edifici va estar tancat durant un període concret (i les dades no són rellevants), podem establir aquest rang de dates perquè l'IA eviti aquestes dades per entrenar-se.

Forçar el recalculament d'anomalies del passat

Optimise calcula anomalies cada dia, al matí, inclòs els caps de setmana. Tanmateix, la primera vegada que habilitis els datapoints, potser estaràs emocionat de detectar anomalies de la setmana passada, el mes passat o fins i tot el trimestre passat. No hi ha cap problema. Pots fer-ho seleccionant una data d'on vulguis que es calculin les anomalies.

Nota: Com que el període d'entrenament per defecte és de 12 mesos, no es recomana calcular anomalies més antigues de 3 mesos des del dia d'activació del model, ja que hi hauria massa solapament entre les dades d'entrenament i els resultats de les anomalies.

 

6. Afegir comentaris i etiquetes a una anomalia

Pots escriure i esborrar comentaris sobre una anomalia. Per afegir un comentari, simplement obre els detalls d’una anomalia i desplaça't cap avall fins a la secció Activitat. Aquí veuràs una llista de comentaris existents (si n'hi ha) i podràs afegir-hi els teus.

Per etiquetar una anomalia, simplement escriu les teves etiquetes al comentari. Per exemple, si l'anomalia es refereix a una disfunció de l'HVAC durant el cap de setmana perquè el punt de configuració del BMS estava mal configurat, pots escriure "#HVAC #weekend #BMS" en un comentari i després podràs cercar utilitzant aquestes paraules clau.

7. Treballant amb Optimise - Gestió de tasques

D’acord, Optimise t’ajuda a detectar anomalies... però ara què haig de fer? Bé, aquí tens com pots treballar diàriament amb Optimise (ajusta el procés a la teva pròpia organització).

1. Centra't en les anomalies rellevants: Utilitza el selector de jerarquia, afegeix filtres a la caixa de cerca i ordena les anomalies (per exemple, per impacte de cost) per detectar les que són rellevants per a tu.
2. Obre els detalls de l'anomalia, mira el gràfic:
   • Si sembla que es tracta d’una anomalia que requereix una acció per part teva, pots canviar-ne l’estat de Nova a En procés o Acció pendent. Escriu un comentari a l’anomalia descrivint el que has trobat.
   • Si l’acció necessària ja s’ha dut a terme, pots canviar-ne l’estat a Resolta.
   • Si l’anomalia identificada no requereix cap acció per part teva, sempre pots canviar-ne l’estat a Descartada.
3. Els teus companys poden fer el mateix, accedint a Optimise i afegint comentaris a les anomalies, canviant els estats i resolent-les.

Cas pràctic. Com es van validar els resultats quan es definien els models d'IA?

Per ajustar els diferents passos descrits anteriorment, així com per validar el seu rendiment, vam dur a terme dos processos paral·lels d'evaluació: utilitzant dades de consum simulades i dades de consum reals.

 

Avaluació basada en dades de consum simulades

Amb l'ajuda dels nostres experts en eficiència energètica, vam desenvolupar un programari de simulació energètica de l'edifici que genera corbes de consum realistes per un edifici simulat donades les seves característiques (predictibilitat del consum, condicions climàtiques, tipus de calefacció, superfície, nivell d'espera, etc.).

Després, vam generar una col·lecció exhaustiva de corbes de consum simulades amb totes les permutations de paràmetres de simulació i vam introduir artificialment diferents tipus d'anomalies a les dades simulades com pics diaris inesperats, ús accidental durant el cap de setmana, consum nocturn, alteracions en l'horari operatiu, etcètera.

Finalment, vam entrenar i avaluar els nostres models de IA amb les dades de prova per assegurar-nos que:

• Les anomalies es detecten correctament i es diferencien de la variabilitat normal en les dades de consum
• L'impacte de les anomalies detectades es quantifica correctament
• Les anomalies presents a les dades de formació no tenen un impacte negatiu significatiu en el rendiment del model de IA

Avaluació basada en dades de consum reals

Després de validar la funcionalitat bàsica dels models de IA en condicions controlades amb dades simulades, vam procedir a recopilar manualment un conjunt de dades d'evaluació basat en dades de consum reals d'edificis anònims de la plataforma.

Vam anotar manualment centenars d'anomalies per a diferents tipus d'edificis i tipus d'anomalies, i vam utilitzar aquestes anotacions com a conjunt de dades de prova per als nostres models de IA. Finalment, vam lliurar els resultats de la detecció automàtica d'anomalies al nostre equip intern d'experts en eficiència energètica perquè poguessin validar que els models de IA poden gestionar la imprevisibilitat de les dades de consum del món real.