Przebieg prac nad projektem

#Anomalie #EbiBlog #ebicom #PowerBI

W ostatnich miesiącach w Ebicom wytrwale pracowaliśmy nad budową modułu kontrolnego, przy użyciu narzędzia PowerBI. Poznaj efekty tych działań i dowiedz się dlaczego wykrywanie anomalii jest tak istotnym elementem prognozowania oraz jak ważną rolę odgrywa w tym moduł kontrolny.

Pierwsze kroki

Prace rozpoczęliśmy od analizy szeregów czasowych na dostępnych danych godzinowych. Korzystając z algorytmów uczenia maszynowego, przeanalizowaliśmy przebieg zużyć rzeczywistych pod kątem występowania anomalii. 

Proces ten następnie poddaliśmy ocenie zespołowi ekspertów, który zweryfikował go na podstawie analizy wizualnej oraz własnych doświadczeń. 

Dzięki temu zebraliśmy szereg informacji, np. o występujących odstępstwach pomiędzy zużyciem rzeczywistym a zaprognozowanym. 

Wyzwaniem okazało się dla nas prognozowanie zużycia energii w niedziele handlowe i niehandlowe. Tu pomogło stworzenie typologii anomalii, dzięki czemu mogliśmy kompleksowo wykryć skoki, trendy oraz wartości odmienne od tych napisanych przez algorytmy.

Rysunek 1. Punkt poboru z wyraźną różnicą między niedzielami handlowymi i niehandlowymi. 

Jaki przyświecał nam cel? 

Najważniejsze było dla nas wykrycie oraz zdefiniowanie anomalii, czyli znacznych odstępstw od założonych prognoz.  

Podczas analizy danych, zidentyfikowaliśmy następujące przypadki odstępstw dotyczących punktów poboru: 

  • wartości odstające dla danych godzinowych,  
  • anomalie roczne, miesięczne, tygodniowe oraz godzinowe,  
  • niedopasowany profil,  
  • zmiana wolumenu. 
Rysunek 2. Wykryte anomalie na agregacjach rocznych i miesięcznych. 

Odpowiednia identyfikacja anomalii przez algorytmy okazała się niezmiernie istotna. Pozwoliła nam na przeanalizowanie ogromnej bazy punktów poboru w bardzo krótkim czasie. 

Dzięki temu moduł decyzyjny – który powstanie w dalszej części projektu – będzie miał szansę na niemal natychmiastową reakcję.  

Analiza ekspercka 

Dostępne nam dane podzieliliśmy na dwa zbiory – zbiór uczący i testowy. W ten sposób mogliśmy dokładnie obserwować skuteczność działania algorytmu.  

Z obydwu zbiorów losowo wytypowaliśmy część punktów poboru energii, w których pojawiły się anomalie. W kolejnym kroku przekazaliśmy je ekspertom do analizy.
Skuteczność algorytmów potwierdziliśmy dzięki porównaniu reprezentatywnej próbki danych, co utorowało nam drogę do pracy nad modułem decyzyjnym. 

Co dalej? 

Zadaniem modułu kontrolnego jest wizualizacja prognozy oraz szczegółowa analiza przypadków anomalii. Pozwala to na trafną interpretację zjawisk i wyciąganie właściwych wniosków przez ekspertów. 

W kolejnym kroku chcemy utworzyć moduł decyzyjny. Do tego celu będziemy wykorzystywać narzędzia uczenia maszynowego (modelu klasyfikacji).  

Przewodnim zadaniem tego modułu będzie wydawanie odpowiedniej dyspozycji, jeśli pojawią się jakiekolwiek anomalie, wykryte na danym punkcie poboru.  

Moduł będzie podejmował taką decyzję, uwzględniając m.in.  

  • typ anomalii,   
  • różnicę wolumenu jaki generuje,  
  • historię zużyć,  
  • historię wykrytych odchyleń.  

Cel będziemy mogli uznać za osiągnięty, gdy otrzymamy rozwiązanie, pozwalające jak najdokładniej prognozować zużycie, jednocześnie optymalizując koszty obliczeniowe. 

Więcej o projekcie na stornie: https://prognozy.ebicom.pl

Czytaj również

Czas czytania: 5 minut

PRODUKTY – IRIS

#Biling #CRM #EbiBlog #IRIS #Produkty
Joanna Lubowicka

Marketing Manager

Czas czytania: 3 minuty

Poznaj metody wykrywania anomalii

#Algorytm #Anomalie #EbiBlog #ebicom
Joanna Lubowicka

Marketing Manager