Commençons avec OPTIMISE

Irene Šimić

10 novembre 2023 11:00

Contenu :

Que faut-il pour exécuter Optimise ?

Avoir des données horaires pour les points de mesure de l'énergie active.
Au moins 6 mois de données historiques, 12 mois seraient idéaux.
Code postal configuré dans vos emplacements, afin que le système puisse récupérer automatiquement les données météorologiques et les jours fériés locaux.
Tarifs électriques correctement configurés, au cas où vous voudriez quantifier et filtrer les anomalies par seuil de coût.

Comment sont calculées les anomalies ?

Dans l'animation ci-dessous, vous pouvez voir les 3 couches utilisées pour calculer une anomalie. D'abord, la consommation réelle, ensuite l'estimation du modèle d'IA (baseline), et enfin les anomalies détectées.

À partir du moment où vous activez un point de mesure, l'IA effectue les opérations suivantes pour détecter les anomalies :

Rassemblement des données d'entraînement
Nous recueillons des relevés historiques jusqu'à 1 an pour le point de mesure analysé, ainsi que des données météorologiques et de jours fériés pour cette période (si vous les avez sélectionnés comme variables du modèle). Ce sont les données d'entraînement pour le modèle d'IA, servant de référence pour le comportement de consommation typique de ce point de mesure.
Entraînement du modèle d'IA
Nous analysons les données d'entraînement en conjonction avec leurs caractéristiques temporelles (heure, jour de la semaine, mois, jour de l'année, etc.) et éventuellement les enrichissons avec des informations sur les jours fériés et la météo afin de créer un modèle statistique qui estime la plage attendue des valeurs de consommation. Dans une étape de prétraitement, nous ajustons l'importance de chaque valeur dans l'ensemble de données d'entraînement pour réduire l'effet des anomalies passées sur le modèle d'IA entraîné.
Détection des régions de comportement anormal
Chaque matin, nous obtenons les relevés d'hier pour un point de mesure donné et les comparons à l'estimation du modèle d'IA afin de repérer toute différence entre la consommation réelle et la plage attendue de consommation. Toutes les différences ne sont pas classées comme anomalies ! Comme chaque dispositif aura une certaine variabilité de consommation de jour en jour, nous utilisons un modèle statistique supplémentaire pour évaluer la probabilité qu'un écart par rapport à la plage attendue soit une anomalie réelle.
Calcul de l'impact énergétique et du coût de chaque anomalie
Une fois que nous avons détecté une anomalie, nous utilisons une référence basée sur l'IA entraînée sur les données historiques pour estimer la consommation attendue afin de quantifier l'impact de l'anomalie en termes d'énergie active (en kWh) et d'argent (en fonction de la configuration des tarifs de votre compte). L'"impact" est la différence entre la consommation réelle et la consommation attendue.

Comment avons-nous validé les résultats ?

Afin d'ajuster les différentes étapes décrites ci-dessus, ainsi que de valider leurs performances, nous avons réalisé deux processus d'évaluation parallèles - en utilisant des données de consommation simulées ainsi que des données de consommation réelles.

Évaluation basée sur des données de consommation simulées

Avec l'aide de nos experts en efficacité énergétique, nous avons développé un logiciel de simulation de consommation d'énergie pour les bâtiments qui génère des courbes de consommation réalistes pour un bâtiment simulé en fonction de ses caractéristiques (prévisibilité de la consommation, conditions climatiques, type de chauffage, surface, niveau de veille, etc.).

Nous avons ensuite généré une collection exhaustive de courbes de consommation simulées présentant toutes les permutations des paramètres de simulation, puis introduit artificiellement différents types d'anomalies dans les données simulées, telles que des pics quotidiens inattendus, une utilisation accidentelle le week-end, une consommation nocturne, des altérations de l'horaire d'exploitation, etc.

Enfin, nous avons entraîné et évalué nos modèles d'IA sur les données de test afin de nous assurer que :

Les anomalies sont correctement identifiées et différenciées de la variabilité normale des données de consommation.
L'impact des anomalies détectées est correctement quantifié.
Les anomalies présentes dans l'ensemble de données d'entraînement n'ont pas un impact négatif significatif sur les performances du modèle d'IA.

Évaluation basée sur des données de consommation réelles

Après avoir validé la fonctionnalité de base des modèles d'IA dans des conditions contrôlées sur des données simulées, nous avons compilé manuellement un ensemble de données d'évaluation basé sur des données de consommation réelles de bâtiments anonymisés de la plateforme.

Nous avons annoté manuellement des centaines d'anomalies pour différents types de bâtiments ainsi que des types d'anomalies, et avons utilisé ces annotations comme ensemble de données de test pour nos modèles d'IA. Nous avons ensuite transmis les résultats de la détection automatique des anomalies à notre équipe interne d'experts en efficacité énergétique afin qu'ils puissent valider que les modèles d'IA sont capables de traiter l'imprévisibilité des données de consommation réelles.

Comment utiliser Optimise ?

1. Activer la fonction Optimise dans votre compte

Tout comme Analyse, Optimise est basé sur des points de mesure. Chaque modèle d'intelligence artificielle (IA) créé qui détecte des anomalies en temps réel compte pour un point de mesure Optimise.

Pour activer Optimise dans votre compte, suivez simplement ces étapes :

Allez dans le menu de gauche et sélectionnez Optimise.
Sur la page de présentation d'Optimise, cliquez sur le bouton Démarrer votre essai gratuit. Optimise sera installé. Cela peut prendre jusqu'à 30 à 60 secondes pour s'installer. En cas de non-réponse, actualisez la page ou contactez-nous.

Maintenant que la fonction Optimise est activée dans votre compte, nous devons activer les points de mesure Optimise (modèles d'IA) pour commencer à nous aider à détecter des anomalies. Pour ce faire :

Une fois qu'Optimise est installé, cliquez sur le bouton Sélectionner des points de mesure.
Vous obtiendrez une liste des points de mesure disponibles pour votre compte qui peuvent être optimisés (actuellement, Optimise est compatible uniquement avec les dispositifs d'énergie active).
Sélectionnez un ou plusieurs points de mesure à configurer (Astuce : utilisez la boîte de recherche pour filtrer des points de mesure spécifiques dans votre compte et la case à cocher de sélection multiple pour tous les configurer en une seule fois) et cliquez sur le bouton Activer/éditer.

Une fois que vous avez sélectionné les points de mesure, cliquez sur le bouton vert "Activer/éditer" en haut de la liste.

Cliquez sur "Appliquer aux modèles sélectionnés" dans la fenêtre contextuelle si vous souhaitez exécuter avec les paramètres par défaut. Vous avez terminé ! Les modèles d'IA commenceront à être entraînés, et les premières anomalies seront calculées pour les dernières 24 heures.

Remarque : Le statut du modèle peut prendre quelques minutes pour apparaître sous forme de coche verte, jusqu'à ce que la demande soit traitée en interne.

Maintenant que les modèles d'IA sont en cours d'entraînement, chaque jour, Optimise analysera toutes les données pour vous et montrera les anomalies pertinentes découvertes avec la configuration par défaut. Si vous souhaitez modifier les modèles d'IA, consultez cette section.

2. Votre liste d'anomalies détectées, chaque matin

Chaque matin, Optimise vous montrera les nouvelles anomalies découvertes. Certains jours, vous n'en aurez peut-être pas, d'autres jours, vous en aurez beaucoup, cela dépendra de la manière dont vos sites ont consommé de l'énergie et des seuils que vous avez définis dans les paramètres du modèle.

Vous pouvez utiliser la boîte de recherche ou le sélecteur de dates pour filtrer par plage de dates spécifique (par exemple, le week-end dernier ou jusqu'à présent ce mois-ci). Les anomalies peuvent être triées par n'importe quelle colonne disponible dans la liste.

Si vous êtes dans la section des paramètres, vous pouvez revenir à la liste des anomalies en appuyant sur le bouton fléché vers la gauche près du titre des modèles Optimise.

3. Allons dans les détails

Pour voir ce qui s'est passé, cliquez simplement sur n'importe quelle anomalie disponible dans votre liste. Les détails de l'anomalie apparaîtront et vous verrez ce qui n'allait pas. N'oubliez pas que la référence est déjà ajustée en fonction de la météo et des jours fériés (si vous l'avez choisi).

4. Configuration avancée : Se concentrer uniquement sur les anomalies pertinentes pour vous

Seuil de coût

Le système peut détecter de très petites anomalies ou de très grandes. Nous vous donnons la liberté de choisir celles que vous souhaitez recevoir. Pour ce faire, lorsque vous activez/éditez les modèles d'IA, choisissez un seuil de coût pertinent. Vous pouvez utiliser différents seuils pour différents modèles.

Par exemple, vous pouvez définir ±100€ par anomalie dans les grands bâtiments ou ±10€ dans les magasins de détail. Rappelez-vous que l'impact est la différence entre la consommation réelle et la consommation attendue.

Remarque : Les anomalies ne seront filtrées que si un tarif est configuré (pour que le système puisse calculer le coût). Pour apprendre comment configurer vos tarifs, consultez cet article.

Le seuil est configuré pour les anomalies positives et négatives (au-dessus et en dessous de la ligne de base). Il est exprimé en "unités monétaires" génériques, c'est-à-dire €, ₤, $ ou toute devise que vous avez configurée dans vos tarifs.

Sensibilité du modèle

Une autre façon de se concentrer sur les anomalies pertinentes est d'ajuster la sensibilité du modèle. Il existe trois niveaux de sensibilité :

Basse : Ne détectera que les anomalies présentant une déviation extrême par rapport à la consommation typique.
Moyenne : Sensibilité standard.
Haute : Détectera même de petites déviations par rapport à la consommation typique en tant qu'anomalies.

Spécifier la sensibilité du modèle est une façon importante d'adapter les décisions du modèle à vos données et au niveau de surveillance souhaité. Si vos données sont très prévisibles et que vous souhaitez être informé de chaque incident unique de consommation anormale, vous devriez régler la sensibilité à un niveau élevé.

D'autre part, si vos données sont peu fiables, influencées par de multiples facteurs cachés et/ou n'ont pas un contexte historique suffisant servant de référence pour une consommation normale (moins de 6 mois), vous voudrez peut-être choisir une sensibilité basse pour ne détecter que les anomalies les plus importantes.

5. Configuration avancée : Ajuster vos modèles d'intelligence artificielle (IA)

Variables du modèle d'IA

Ici, vous pouvez sélectionner ou désélectionner les variables que vous souhaitez inclure dans le modèle d'IA. Un modèle d'IA est un "cerveau en boîte noire" qui est formé avec des données historiques du point de mesure lui-même plus un ensemble de variables externes qui peuvent expliquer son comportement. Les plus courantes dans le domaine de l'efficacité énergétique sont les variables basées sur la météo, telles que les jours de degré de chauffage et de refroidissement, ainsi que les jours fériés locaux.

Si vous souhaitez détecter des anomalies dans les secteurs commerciaux (magasins de détail, supermarchés, bureaux, éducation, hôtellerie, etc.), assurez-vous de cocher ces options.

Si vous travaillez dans le secteur industriel, la consommation de votre dispositif d'usine ne sera peut-être pas corrélée à la météo, mais peut-être aux jours fériés. Dans ce cas, décochez l'option des jours de chauffage et de refroidissement.

Dans tous les cas, ne vous inquiétez pas. Si vous avez sélectionné une variable qui n'est pas corrélée, le modèle d'IA ne dépendra pas d'elle pour calculer les anomalies. Facile !

Exclure la période d'entraînement (par exemple, en raison du confinement lié à la COVID-19)

Cette option est très utile pour indiquer au modèle d'IA d'exclure une plage de dates spécifique. Par défaut, le modèle d'IA est entraîné avec les 12 derniers mois de données. Cependant, si notre bâtiment était fermé pendant une certaine période (donc les données ne sont pas pertinentes), nous pouvons définir cette plage de dates afin que l'IA évite ces données lors de l'entraînement.

Forcer le recalcul des anomalies passées

Optimise calcule les anomalies chaque jour, le matin, week-ends inclus. Cependant, la première fois que vous activez des points de mesure, vous pouvez être enthousiaste à l'idée de détecter des anomalies de la semaine dernière, du mois dernier ou même du dernier trimestre. Pas de problème. Vous pouvez le faire en sélectionnant une date à partir de laquelle vous souhaitez que les anomalies soient calculées.

Remarque : Comme la période d'entraînement par défaut est de 12 mois, nous ne recommandons pas de calculer des anomalies plus tôt que 3 mois à partir du jour d'activation du modèle, car il y aurait un chevauchement trop important entre les données d'entraînement et les résultats d'anomalies.

6. Ajouter des commentaires et des tags à une anomalie

Vous pouvez écrire et supprimer des commentaires sur une anomalie. Pour ajouter un commentaire, il vous suffit d'ouvrir les détails de l'anomalie et de faire défiler jusqu'à la section Activité. Vous verrez une liste de commentaires existants (le cas échéant) et pourrez ajouter les vôtres.

Pour étiqueter une anomalie, écrivez simplement vos tags dans le commentaire. Par exemple, si l'anomalie concerne un dysfonctionnement du système HVAC pendant le week-end en raison d'une mauvaise configuration du dispositif de gestion du bâtiment (BMS), vous pouvez simplement écrire "#HVAC #weekend #BMS" dans un commentaire, et vous pourrez ensuite effectuer des recherches à l'aide de ces mots-clés.

7. Travailler avec Optimise - Gestion des tâches

D'accord, Optimise m'aide à détecter des anomalies... mais que dois-je faire maintenant ? Eh bien, voici comment vous pouvez travailler au quotidien avec Optimise (ajustez le processus à votre propre organisation).

Concentrez-vous sur les anomalies pertinentes : Utilisez le sélecteur de hiérarchie, ajoutez des filtres dans la barre de recherche et triez les anomalies (par exemple, par impact financier) pour détecter celles qui sont pertinentes pour vous.
Ouvrez les détails de l'anomalie, regardez le graphique :
- Si cela semble être une anomalie, changez le statut de Nouveau à En cours. Écrivez un commentaire sur l'anomalie décrivant ce que vous avez trouvé.
- Si ce n'est pas une anomalie, changez le statut à Rejeté ou cliquez sur le bouton IA. L'anomalie sera masquée dans votre liste d'anomalies.
Vos collègues peuvent faire de même, accéder à Optimise, ajouter des commentaires sur les anomalies, déplacer les statuts et les résoudre.