Introduzione a Optimise

Questa sezione ti offre una panoramica su cosa sia Optimise e su come ti aiuti a rilevare anomalie nei tuoi dati di consumo

Contenuti:

• Requisiti
• Come vengono calcolate le anomalie?
• Come usare Optimise? 
  • 1. Abilitare i datapoint di Optimise
  • 2. La tua lista di anomalie rilevate, ogni mattina
  • 3. Vai al dettaglio
  • 4. Configurazione avanzata: Concentrati solo sulle anomalie rilevanti per te
  • 5. Configurazione avanzata: Regola i tuoi modelli di Intelligenza Artificiale (AI)
  • 6. Aggiungi commenti e tag a un'anomalia
  • 7. Lavorare con Optimise - Gestione delle attività
  • 8. Livello di impatto delle anomalie
• Caso pratico. Come abbiamo validato i risultati nella definizione dei modelli AI?

Requisiti

• Disporre di dati orari per i parametri per i quali si desidera rilevare anomalie: Energia Attiva, Energia o Volume Gas, Energia Termica (raffreddamento o riscaldamento) e/o Volume Acqua.
• Almeno 6 mesi di dati storici, 12 mesi sarebbero ideali
• Codice postale configurato nelle tue località, in modo che il sistema possa recuperare automaticamente meteo e festività locali
• [Opzionale] Tariffe elettriche di costo configurate correttamente, nel caso in cui si voglia quantificare e filtrare le anomalie in base alla soglia di costo

Come vengono calcolate le anomalie?

Nell'animazione qui sotto puoi vedere i 3 livelli utilizzati per calcolare un'anomalia. Primo il consumo reale, secondo la stima del modello AI (baseline) e terzo le anomalie rilevate.

Dal momento in cui attivi un datapoint, l'AI esegue le seguenti operazioni per rilevare anomalie:

1. Raccolta dati di addestramento
   Raccogliamo letture storiche fino a 1 anno per il datapoint analizzato, oltre a dati meteorologici e festività per questo periodo (se li hai selezionati come variabili del modello). Questi sono i dati di addestramento per il modello AI, che servono come riferimento per il comportamento tipico di consumo di quel datapoint.
2. Addestramento del modello AI
   Analizziamo i dati di addestramento insieme alle loro caratteristiche del calendario (ora, giorno della settimana, mese, giorno dell'anno, ecc.) e li arricchiamo opzionalmente con informazioni su festività e meteo per creare un modello statistico che stima l'intervallo previsto dei valori di consumo. In una fase di pre-elaborazione, regoliamo l'importanza di ogni valore nel dataset di addestramento per ridurre l'effetto delle anomalie passate sul modello AI addestrato. Ogni mese i modelli AI verranno riaddestrati automaticamente.
3. Rilevamento di regioni di comportamento anomalo
   Ogni mattina, otteniamo le letture di ieri per un dato datapoint e le confrontiamo con la stima del modello AI per individuare eventuali differenze tra il consumo reale e l'intervallo previsto di consumo. Non tutte le differenze sono classificate come anomalie! Poiché ogni dispositivo avrà una certa variabilità nel consumo da un giorno all'altro, utilizziamo un modello statistico aggiuntivo per valutare la probabilità che una deviazione dall'intervallo previsto sia una vera anomalia.
4. Calcolo dell'impatto energetico e del costo di ogni anomalia
   Una volta rilevata un'anomalia, usiamo una baseline generata dall'AI addestrata sui dati storici per stimare il consumo previsto al fine di quantificare l'impatto dell'anomalia in termini di energia attiva (in kWh) e costo energetico (basato sulla configurazione tariffaria del tuo account). L'"impatto" è la differenza tra il consumo reale e quello previsto. 

Come usare Optimise? 

1. Abilita la funzione Optimise nel tuo account

Optimise è incluso nella tua licenza se possiedi una licenza Advanced o Ultimate. Non c'è limite al numero di modelli Optimise che puoi configurare.

Per abilitare Optimise nel tuo account, segui semplicemente questi passaggi:

• Vai al menu a sinistra e seleziona Optimise
• Nella pagina principale di Optimise, clicca sul pulsante Installa Optimise. Optimise verrà installato. Potrebbero volerci 30-60 secondi per l'installazione. Se non risponde, aggiorna la pagina o contatta il tuo fornitore di supporto.

Ora che la funzione Optimise è abilitata nel tuo account, devi attivare i datapoint Optimise (modelli AI) per iniziare ad aiutarci a rilevare anomalie. Per farlo:

• Una volta installato Optimise, clicca sul pulsante Dispositivi in attesa di configurazione.
• Vedrai una lista dei dispositivi disponibili nel tuo account che non hanno ancora alcun modello Optimise (attualmente Optimise è compatibile solo con dispositivi di energia attiva).
• Seleziona uno o più dispositivi da configurare (Suggerimento: usa la casella di ricerca per filtrare la lista dei dispositivi o la casella di selezione multipla per configurare tutti insieme)
• Clicca sul pulsante Abilita.

Dopo aver selezionato i datapoint, clicca sul pulsante verde "Abilita" in cima alla lista.

Clicca su "Applica ai modelli selezionati" nella finestra pop-up se vuoi utilizzare le impostazioni predefinite. Fatto! I modelli AI inizieranno ad essere addestrati e le prime anomalie verranno calcolate per le ultime 24h. 

Nota: Lo stato del modello potrebbe impiegare qualche minuto per apparire con il segno di spunta verde, fino a quando la richiesta non sarà elaborata internamente. 

Ora che i modelli AI sono in fase di addestramento, ogni 24h Optimise analizzerà tutti i dati per te e mostrerà le anomalie rilevanti scoperte con la configurazione predefinita. Se vuoi modificare i modelli AI, consulta questa sezione.

2. La tua lista di anomalie rilevate, ogni mattina

Ogni mattina, Optimise ti mostrerà le nuove anomalie scoperte:

Puoi usare il selettore di date per filtrare per intervallo di date specifico (ad esempio l'ultimo weekend o finora questo mese). 

Puoi usare l'opzione Raggruppamento per raggruppare le anomalie secondo qualsiasi criterio tu ritenga rilevante:

Le anomalie saranno sempre raggruppate per parametro di default, poiché non puoi mettere insieme il consumo d'acqua e quello elettrico e calcolare il loro impatto totale.

Puoi espandere e comprimere qualsiasi gruppo con le frecce che si trovano a sinistra:

Puoi usare l'opzione Filtraggio per filtrare le anomalie che vedi sullo schermo:

Ricorda sempre di cliccare su Applica filtri per implementare le modifiche.

Se sei nella sezione impostazioni, puoi tornare alla lista delle anomalie premendo il pulsante freccia sinistra vicino al titolo dei modelli Optimise.

3. Vai al dettaglio

Per vedere cosa è successo, clicca semplicemente su qualsiasi anomalia disponibile nella tua lista. Apparirà il dettaglio dell'anomalia e vedrai cosa non andava. Ricorda che la baseline è già aggiustata per meteo e festività (se hai scelto così).

4. Configurazione avanzata: Concentrati solo sulle anomalie rilevanti per te

Soglia di costo

Il sistema può rilevare anomalie molto piccole o molto grandi. Ti diamo la libertà di scegliere quali vuoi ricevere. Per farlo, una volta che stai abilitando/modificando i modelli AI, scegli una soglia di costo rilevante. Puoi usare soglie diverse per modelli diversi.

Ad esempio, puoi impostare ±100€ per anomalia in grandi edifici o ±10€ in negozi al dettaglio. Ricorda che questo è l'impatto di costo per anomalia. Se un'anomalia da 10€ si ripete ogni giorno, sarà alla fine 3.500€/anno, quindi non sottovalutare l'impatto delle piccole anomalie.

Nota: Le anomalie saranno filtrate solo se hanno una tariffa configurata (così il sistema può calcolare il costo). Per sapere come configurare le tue tariffe, visita questo articolo

La soglia di costo è configurata sia per anomalie positive che negative (sopra e sotto la baseline). È espressa in "unità di valuta" generica, cioè €, ₤, $ o qualsiasi valuta tu abbia configurato nel tuo account.    

Sensibilità del modello

Un altro modo per concentrarsi sulle anomalie rilevanti è regolare la sensibilità del modello. Ci sono cinque livelli di sensibilità:

• Minima: Rileverà solo anomalie che mostrano una deviazione estrema dal consumo tipico.
• Bassa: Rileverà anomalie che mostrano una forte deviazione dal consumo tipico.
• Media: Sensibilità standard.
• Alta: Rileverà piccole deviazioni dal consumo tipico come anomalie.
• Massima: Rileverà deviazioni minime dal consumo tipico come anomalie.

Specificare la sensibilità del modello è un modo importante per adattare le decisioni del modello ai tuoi dati e al livello di controllo desiderato. Se i tuoi dati sono altamente prevedibili e vuoi essere notificato per ogni singolo caso di consumo anomalo, dovresti impostare la sensibilità su alta.

D'altra parte, se i tuoi dati sono inaffidabili, influenzati da molteplici fattori nascosti e/o hanno un contesto storico insufficiente che serva da riferimento per il consumo normale (meno di 6 mesi), potresti voler scegliere una sensibilità bassa per rilevare solo le anomalie più importanti.

5. Configurazione avanzata: Regola i tuoi modelli di Intelligenza Artificiale (AI)

Variabili del modello AI

Puoi selezionare o deselezionare quali variabili vuoi includere nel modello AI. Un modello AI è un "cervello a scatola nera" che viene addestrato con dati storici del datapoint stesso più un insieme di variabili esterne che possono spiegare il suo comportamento. Le più tipiche nel campo dell'efficienza energetica sono variabili basate sul meteo come i gradi giorno di riscaldamento e raffreddamento e le festività locali. 

Se vuoi rilevare anomalie nei settori commerciali (negozi al dettaglio, supermercati, uffici, istruzione, ospitalità ecc.) allora mantieni queste opzioni selezionate. 

Se lavori nel settore industriale, il consumo della tua fabbrica potrebbe non correlarsi con il meteo ma magari con le festività, quindi potresti voler deselezionare l'opzione Gradi giorno di riscaldamento e raffreddamento.

In ogni caso, non preoccuparti. Se hai selezionato una variabile che non si correla, il modello AI non la userà per calcolare le anomalie. Facile!

Escludi periodo di addestramento (ad esempio a causa del lockdown COVID-19)

Questa opzione è molto utile per indicare al modello AI di escludere un intervallo di date specifico. Per impostazione predefinita, il modello AI viene addestrato con gli ultimi 12 mesi di dati. Tuttavia, se il tuo edificio è stato chiuso per un certo periodo o ha avuto un consumo anomalo (ad esempio per ristrutturazione/riqualificazione), questi dati non dovrebbero essere inclusi nell'addestramento. Puoi scegliere questo periodo nella sezione "Escludi periodo di addestramento". 

Forza a ricalcolare le anomalie del passato

Optimise calcola le anomalie ogni giorno, al mattino, compresi i weekend. Tuttavia, la prima volta che abiliti i datapoint potresti essere entusiasta di rilevare anomalie della settimana scorsa, del mese scorso o anche dell'ultimo trimestre. Nessun problema. Puoi farlo selezionando una data da cui vuoi che vengano calcolate le anomalie.

Nota: Poiché il periodo di addestramento predefinito è di 12 mesi, non consigliamo di calcolare anomalie anteriori a 3 mesi dal giorno di attivazione del modello, poiché ci sarebbe troppa sovrapposizione tra i dati di addestramento e i risultati delle anomalie.

6. Aggiungi commenti e tag a un'anomalia

Puoi scrivere e cancellare commenti su un'anomalia. Per aggiungere un commento, apri semplicemente il dettaglio di un'anomalia e scorri fino alla sezione Attività. Qui vedrai una lista di commenti esistenti (se presenti) e potrai pubblicare il tuo.

Per taggare un'anomalia, scrivi semplicemente i tuoi tag nel commento. Ad esempio, se l'anomalia riguarda un malfunzionamento HVAC durante il weekend perché il setpoint del BMS era configurato erroneamente, puoi semplicemente scrivere "#HVAC #weekend #BMS" in un commento e poi potrai cercare usando queste parole chiave.

7. Lavorare con Optimise - Gestione delle attività

Dopo che Optimise ti aiuta a rilevare anomalie, ecco come puoi lavorare quotidianamente con le informazioni fornite (adatta il processo alla tua organizzazione):

1. Concentrati sulle anomalie rilevanti: usa il selettore della gerarchia, aggiungi filtri nella casella di ricerca e ordina le anomalie (ad esempio per impatto economico) per individuare quelle rilevanti per te.
2. Apri il dettaglio dell'anomalia, guarda il grafico:
   • Se sembra un'anomalia che richiede un'azione da parte tua, puoi cambiare lo stato da Nuovo a In corso o In attesa di azione. Scrivi un commento sull'anomalia descrivendo cosa hai trovato 
   • Se l'azione richiesta è stata eseguita, puoi cambiare lo stato in Risolto.
   • Se l'anomalia identificata non richiede alcuna azione da parte tua, puoi sempre cambiare lo stato in Scartato
3. I tuoi colleghi possono fare lo stesso, accedendo a Optimise e aggiungendo commenti sulle anomalie, modificando gli stati e risolvendole.

8. Livello di impatto delle anomalie

Il livello di impatto indica quanto un'anomalia sia significativa rispetto al comportamento atteso. È progettato per riflettere quanto sia anormale una deviazione, non solo quanto sia grande.

L'impatto è calcolato da:

• Misurare la deviazione dal comportamento atteso
• Normalizzare la deviazione usando la variabilità tipica
• Concentrarsi sui momenti più estremi
• Classificare i risultati in livelli di impatto BASSO, MEDIO o ALTO

1. Normalizzare la deviazione

Per ogni punto in un'anomalia, Optimise misura quanto il consumo reale si discosti dall'intervallo previsto (baseline ± limiti). Questa distanza è normalizzata dalla variabilità tipica del dispositivo, così i risultati sono comparabili tra diversi asset.

In termini semplici, questa sezione analizza di quante "intervalli previsti" il valore si discosta dal comportamento normale.

2. Concentrarsi sui momenti più critici

Invece di considerare tutta la durata, Optimise guarda ai 1-3 punti più estremi dell'anomalia e ne calcola la media.

Questo garantisce che:

• Anomalie brevi ma intense vengano catturate
• Deviazioni lunghe ma lievi non vengano sovrastimate

3. Convertire i risultati ottenuti nei diversi livelli di impatto

Per anomalie che durano più ore, considerando i risultati ottenuti nei punti 1 e 2 precedenti, il loro livello di impatto è definito come segue:

• BASSO → piccola deviazione (punteggio di gravità <1,5)
• MEDIO → deviazione moderata (punteggio di gravità tra 1,5 e 3)
• ALTO → forte deviazione (punteggio di gravità >3)

Per anomalie della durata di un'ora, il livello di impatto Alto non viene considerato.

Caso pratico. Come abbiamo validato i risultati nella definizione dei modelli AI?

Per adattare i vari passaggi descritti sopra, così come per validarne le prestazioni, abbiamo condotto due processi di valutazione paralleli - utilizzando dati di consumo simulati e dati di consumo reali. 

Valutazione basata su dati di consumo simulati

Con l'aiuto dei nostri esperti di efficienza energetica, abbiamo sviluppato un software di simulazione energetica per edifici che genera curve di consumo realistiche per un edificio simulato date le sue caratteristiche (predicibilità del consumo, condizioni climatiche, tipo di riscaldamento, superficie, livello di standby ecc.).

Abbiamo quindi generato una collezione esaustiva di curve di consumo simulate con tutte le permutazioni dei parametri di simulazione, e successivamente introdotto artificialmente diversi tipi di anomalie nei dati simulati come picchi giornalieri inattesi, uso accidentale nel weekend, consumo notturno, modifiche al programma operativo, eccetera.

Infine, abbiamo addestrato e valutato i nostri modelli AI sui dati di test per garantire che:

• Le anomalie vengano correttamente identificate e differenziate dalla normale variabilità nei dati di consumo
• L'impatto delle anomalie rilevate venga quantificato correttamente
• Le anomalie presenti nel dataset di addestramento non abbiano un impatto negativo significativo sulle prestazioni del modello AI

Valutazione basata su dati di consumo reali

Dopo aver validato la funzionalità di base dei modelli AI in condizioni controllate su dati simulati, abbiamo proceduto a compilare manualmente un dataset di valutazione basato su dati di consumo reali di edifici anonimizzati dalla piattaforma.

Abbiamo annotato manualmente centinaia di anomalie per diversi tipi di edifici e tipi di anomalie, e usato queste annotazioni come dataset di test per i nostri modelli AI. Infine, abbiamo fornito i risultati del Rilevamento Automatico delle Anomalie al nostro team interno di esperti di efficienza energetica affinché potessero validare che i modelli AI sono in grado di gestire l'imprevedibilità dei dati di consumo reali.