Empezando con DEXMA Optimise

Seguir

¡Gracias por ser un usuario beta!

Esta es una muestra de software previa al lanzamiento oficial, e irá cambiando frecuentemente. Echa un vistazo a estas notas de lanzamiento para los detalles en qué será nuevo para el roadmap a corto plazo.

Por favor, no dudes en reportar comportamientos inesperados a support@dexma.com o directamente a tu agente de Customer Success. ¡Te lo agradecemos mucho! Si necesitas ayuda con alguna incidencia, no dudes en decírnoslo e intentaremos ayudarte lo más rápido posible. Con tu ayuda, planeamos lanzar DEXMA Optimise al mundo este otoño.

 

Contenidos de este artículo:

Requisitos para utilizar DEXMA Optimise

  • Tener datos horarios para datapoints de Energía Activa
  • Tener datos históricos por lo menos de 6 meses, siendo lo ideal 12 meses
  • Tener el código postal configurado en las localizaciones, para que el sistema pueda obtener datos de meteorología y el calendario de festivos de forma automática
  • Tarifas eléctricas configuradas, en caso que quieras cuantificar y filtrar anomalías por coste

¿Cómo se calculan las anomalías?

En la animación que se encuentra a continuación puedes observar las 3 capas utilizadas para calcular una anomalía. Primero el consumo real, después la estimación del modelo de IA (consumo base) y tercero las anomalías detectadas.

 

Anomaly_Detection_Chart_-_ES__1_.png

Desde el momento en que activas un datapoint, la IA lleva a cabo lo siguiente para detectar las anomalías:

  1. Recoger datos de entrenamiento: Se recogen datos históricos hasta 1 año para el datapoint que está siendo analizado, así como datos meteorológicos y festivos para ese periodo (si los has seleccionado como variables del modelo). Estos son los datos de entrenamiento para el modelo de IA, y se usan como referencia para entender el patrón de consumo típico representado por ese datapoint.
  2. Entrenar el modelo de IA: Se analizan los datos de entrenamiento junto con sus características temporales (hora, día de la semana, mes, día del año, etc.) y opcionalmente se enriquece esta información con los datos meteorológicos y festivos para crear un modelo estadístico que estime el rango esperado de consumos. En una fase de pre-procesamiento, se ajusta la importancia de cada valor en el conjunto de datos de entrenamiento para reducir el efecto de anomalías pasadas en el modelo entrenado de IA. Cada primer día de mes, los modelos de IA serán automáticamente re-entrenados.
  3. Detectar regiones de comportamiento anómalo: Cada mañana se obtienen las lecturas del día anterior para cada datapoint y se comparan con los modelos de IA estimados para poder identificar las diferencias entre el consumo actual y el consumo esperado. ¡No todas las diferencias se clasifican como anomalías! Como cada medidor tendrá alguna variabilidad en su consumo de un día al siguiente, se utiliza un modelo estadístico adicional para calcular la probabilidad de desviación del rango esperado para ser considerado una anomalía.
  4. Calcular el impacto energético y económico de cada anomalía: Una vez se haya detectado una anomalía, se usa un consumo base entrenado en datos históricos para estimar el consumo esperado y poder cuantificar el impacto de la anomalía en términos de energía activa (en kWh) y económico (basado en la tarifa configurada en la cuenta).

 

¿Cómo se validan los resultados?

Para ajustar los pasos descritos anteriormente, así como para validar su actividad, se llevan a cabo dos procesos de evaluación paralelos - usando datos de consumo simulados datos de consumo reales.

 

Evaluación  basada en datos de consumo simulados

Con la ayuda de nuestros expertos en eficiencia energética, se ha desarrollado un software de simulación de energía de edificios que genera curvas de consumo realistas para un edificio simulado dadas sus características (predictibilidad del consumo, condiciones climáticas, tipo de calefacción, área, nivel de stand-by etc.).

Posteriormente se genera una exhaustiva colección de curvas de consumo simuladas con todas las permutaciones de los parámetros simulados y entonces se introducen artificialmente diferentes tipos de anomalías a los datos simulados como picos diarios inesperados, uso accidental en fin de semana, consumo nocturno, alteraciones al horario de operación del edificio...

Finalmente, se entrenan & evalúan los modelos de IA en los datos de test para asegurarse de que:

  • Las anomalías han sido correctamente identificadas y diferenciadas de la variabilidad normal en los datos de consumo
  • El impacto de las anomalías detectadas se ha cuantificado correctamente
  • Las anomalías presentes en el conjunto de datos de entrenamiento no tienen un impacto negativo significante en el rendimiento del modelo de IA

Evaluación basada en datos de consumo reales

Una vez se ha validado la funcionalidad básica de los modelos de IA bajo condiciones controladas en datos simulados, se procede a compilar manualmente un conjunto de datos de evaluación basados en datos de consumo reales de edificios anónimos de la plataforma.

Manualmente se anotaron cientos de anomalías para diferentes tipos de edificio así como diferentes tipos de anomalías, y se utilizan estas anotaciones como un conjunto de datos de test para los modelos de IA. Finalmente, se dan los resultados de la Detección de Anomalías automática al equipo de expertos en eficiencia energética para que validen que los modelos de IA son capaces de gestionar la impredictibilidad de los datos de consumo reales.

 

¿Cómo utilizar DEXMA Optimise?

1. Activa datapoints de DEXMA Optimise

Similar a DEXMA Analyse, DEXMA Optimise se basa en datapoints. Cada modelo de IA creado que detecte anomalías en tiempo real cuenta con un datapoint de DEXMA Optimise.

Para activar tus modelos de DEXMA Optimise, solo tienes que ir a la sección de configuración:

mceclip1.png

Aquí verás la lista de los datapoints disponibles. Puedes o activar todos los datapoints a la vez o utilizar el buscador para filtrar por el nombre de localización o el nombre del dispositivo. Selecciona todos los datapoints listados haciendo click en la casilla que encontrarás en la parte superior izquierda de la tabla.

mceclip4.png

mceclip5.png

Una vez hayas seleccionado los datapoints, haz click en el botón verde de "Activar / Editar" en la parte superior de la lista.

mceclip9.png

Haz click en "Aplica a los modelos seleccionados" en el pop-up si quieres que se utilicen los parámetros por defecto. ¡Y ya está! Los modelos de IA empezarán a entrenarse y las primeras anomalías se empezarán a calcular para las últimas 24 horas.

mceclip10.png

Nota: Pueden pasar unos minutos hasta que aparezca el estado del modelo con un tick verde, hasta que se haya procesado el requisito internamente.

mceclip17.png

Ahora que los modelos de IA se están entrenando, cada 24 horas DEXMA Optimise analizará todos los datos y mostrará las anomalías relevantes detectadas con la configuración por defecto. En caso que quieras modificar los modelos de IA, ve a esta sección.

 

2. Tu lista de anomalías detectadas, cada mañana

Cada mañana DEXMA Optimise mostrará las nuevas anomalías descubiertas. Algunos días no tendrás ninguna, algunos días tendrás muchas, dependerá de cuan bien o mal tus edificios hayan consumido energía y los umbrales que hayas configurado para el modelo.

mceclip19.png

Puedes usar el buscador o el selector de fecha para filtrar para rangos específicos de fecha (por ejemplo el último fin de semana o lo que se lleva de mes). Las anomalías pueden ordenarse según cualquiera de las columnas disponibles en la lista.

mceclip21.png

Si estás en la sección de configuración, puedes volver a la lista de anomalías haciendo click en el botón con una flecha hacia la izquierda cerca del título de los modelos de DEXMA Optimise.

mceclip18.png

 

3. Ve al detalle

Para ver con detalle una anomalía, directamente haz click sobre ella en la lista conjunta. Ten en cuenta que el consumo base ya ha tenido en cuenta las variables meteorológicas y los festivos locales (si así lo has configurado).

mceclip0.png

 

4. Configuración avanzada: Concéntrate solo en las anomalías que sean importantes para ti

Umbral de coste

El sistema puede detectar anomalías muy pequeñas. Tienes la libertad de elegir cuáles te gustaría recibir. Para hacerlo, una vez estés habilitando / editando los modelos de IA, elige un umbral de coste. Puedes elegir diferentes umbrales para diferentes modelos.

Por ejemplo, puedes configurar ±100€ para las anomalías de edificios grandes o ±10€ en tiendas. Recuerda que esto representa el impacto económico por anomalía. Si una anomalía de 10€ se repite diariamente, acabará suponiendo 3.500€/año. Es por eso que no se debería subestimar el impacto de las anomalías pequeñas.

Nota: Las anomalías solo se filtrarán si tienen una tarifa eléctrica configurada (para que el sistema pueda calcular el coste). Para aprender cómo configurar tarifas eléctricas, visita este artículo.

mceclip11.png

El umbral se configura para anomalías positivas o negativas (por encima o por debajo del consumo base). Se expresa en "Unidades Monetarias" genéricas, siendo €, ₤, $ o alguna otra moneda que esté configurada en la sección de suministros y precios.

Sensibilidad del modelo

Otra forma para centrarse en las anomalías relevantes es ajustando la sensibilidad del modelo. Hay 3 niveles de sensibilidad:

mceclip12.png

  • Baja: Solo detectará anomalías que muestren una desviación extrema del consumo típico
  • Media: Sensibilidad estándar
  • Alta: Se considerarán anomalías incluso pequeñas desviaciones del consumo típico

Especificar la sensibilidad del modelo es una forma importante de influir en las decisiones del modelo sobre los datos y el nivel de omisión. Si tus datos son altamente predecibles y te gustaría que se te notificara cada vez que hay alguna incidencia en el consumo, deberías configurar la sensibilidad como alta.

Por otro lado, si tus datos son poco predecibles, influenciados por múltiples factores y/o hay un contexto histórico insuficiente para ser utilizado como referencia para determinar el consumo "normal" (menos de 6 meses de datos), deberías considerar elegir sensibilidad baja para detectar únicamente las anomalías más relevantes.

 

 

5. Configuración avanzada: Edita tus modelos de Inteligencia Artificial (IA)

Variables del modelo de IA

Aquí puedes seleccionar o des-seleccionar qué variables te gustaría que formaran parte en el modelo de IA. Un modelo de IA es un "cerebro caja-negra" que se entrena con datos históricos de los datapoints más un conjunto de variables externas que puedan explicar su comportamiento. Las variables más típicas en el campo de la eficiencia energética son variables meteorológicas, como los grados día de calefacción y refrigeración; y los festivos locales.

En caso que busques detectar anomalías en sectores comerciales (tiendas, supermercados, oficinas, educación, hostelería...), te recomendamos que mantengas estas opciones seleccionadas.

En caso que trabajes en el sector industrial, el consumo con el que trabajes seguramente no se correlacione con las variables meteorológicas pero puede que sí con los festivos locales, así que podrías seleccionar únicamente los festivos.

De todas formas, si seleccionas una variable y resulta que no correlaciona con el consumo, el modelo de IA no la utilizará para el cálculo de anomalías.

mceclip13.png

 

Excluir un periodo de entrenamiento (por ejemplo a causa de la cuarentena por COVID-19)

Esta opción es muy útil para excluir un rango de fechas del modelo de IA. Por defecto, el modelo de IA se entrena con los últimos 12 meses de datos. No obstante, si un edificio se cerró durante un periodo (y esos datos no son relevantes), se puede seleccionar este periodo para evitar que se use para entrenar el modelo de IA.

mceclip15.png

 

Forzar a recalcular anomalías del pasado

DEXMA Optimise calcula anomalías diariamente por la mañana, fines de semana incluidos. No obstante, la primera vez que actives datapoints podrías querer detectar anomalías que ocurrieron en el pasado. Puedes hacerlo si seleccionas una fecha a partir de la cual te gustaría que se calcularan las anomalías.

Nota: Por defecto el periodo de entrenamiento es de 12 meses, así que no recomendamos calcular anomalías previas a 3 meses de la fecha de activación del modelo, ya que habría solapamiento entre los datos de entrenamiento y los resultados del cálculo de anomalías.

mceclip16.png

 

¿Novedades? Notas de lanzamiento

 

[15 de Octubre 2020]

  • Integración en la plataforma de DEXMA
  • Mejoras de escalabilidad y rendimiento

[10 de septiembre 2020]

  • Posibilidad de configurar el estado de una anomalía:
    • Nueva
    • En proceso
    • Acción pendiente
    • Gestionada
    • Descartada
  • Posibilidad de marcar anomalías como "No es una anomalía" para dar feedback al algoritmo, mejorar su entrenamiento e incrementar la precisión de la detección de anomalías
  • Cambios en el estilo de la tabla de la interfaz

[13 de agosto 2020]

  • Número de anomalías detectadas en el último día
  • Cuándo se detectó la última anomalía
  • Número total de datapoints incluidos en la optimización
  • % de los modelos de IA evaluados esta mañana
  • En el detalle de la anomalía, subrayar los fines de semana
  • Pequeñas mejoras en la UX / UI

[28 de julio 2020]

  • Configuración: Lista de los datapoints de energía activa disponibles
  • Configuración: Activar / desactivar datapoints
  • Configuración: Buscador
  • Configuración: Edición de modelos de múltiples datapoints
  • Configuración: Configuración del modelo de IA:
    • Umbral de coste
    • 3 niveles de sensibilidad del modelo (bajo, medio, alto)
    • Selección de variables del modelo: grados día de calefacción y refrigeración + festivos
    • Posibilidad de excluir un periodo de tiempo del entrenamiento
    • Seleccionar una fecha a partir de la cual se deberían calcular anomalías

[23 de julio 2020]

  • Lista de anomalías disponibles
  • Detalle de las anomalías: Mostrar el gráfico de anomalías, duración de anomalías e impacto

[15 de julio 2020]

  • Lanzamiento de DEXMA Optimise
  • Las anomalías se calculan de forma recurrente para los datapoints de energía activa, cada 24 horas

 

Backlog de las funcionalidades que se lanzarán a corto plazo (por orden de prioridad) (<2 meses)

  • Aplicar la jeraquía y los filtros por etiquetas
  • Traducción a varios idiomas, incluyendo castellano
  • Reintento de cálculo de anomalías hasta 14 días para clientes que envían sus datos en el día+1 o con mayor demora
  • Mostrar el estado del entrenamiento del último modelo y la última vez que se verificaron las Anomalías
  • Asignar anomalías a su responsable
  • Añadir comentarios a las anomalías
  • Añadir más parámetros aparte de energía activa (energía de gas, temperatura, agua...)

Esta lista se ha construido gracias a feedback obtenido previamente. Si crees que falta algo importante para tu negocio, no dudes en decírnoslo!

¿Te pareció útil este artículo?