Poznaj metody wykrywania anomalii

#Algorytm #Anomalie #EbiBlog #ebicom

Na spółkach obrotu spoczywa spora odpowiedzialność. Ich zadaniem jest m.in. zapewnienie równowagi pomiędzy ilością energii zakupionej, a tej sprzedanej klientom. Każdego dnia i o każdej godzinie.

Dlaczego to tak ważne? Ponieważ zbyt mała lub zbyt duża ilość zakupionej energii, w stosunku do sprzedanej, potrafi wygenerować znaczące straty finansowe spółki.

Jak oszacować prognozy w spółkach obrotu?

Zachowanie tej równowagi nie jest łatwym zadaniem. Aby uniknąć strat i oszacować zapotrzebowanie na energię elektryczną, spółki obrotu muszą dokładnie kalkulować każdy kontrakt oraz uwzględniać prognozy konsumpcji zużycia energii dla każdej godziny w okresie trwania całego kontraktu.

Wypadkową tych czynności jest utworzenie sumarycznej prognozy zużycia dla całej spółki obrotu na okres kilkudziesięciu miesięcy.

Jednak pewnych rozbieżności między planowanym, a rzeczywistym zużyciem uniknąć się nie da. Większość z nich wynika z braku korygowania planów w okresie trwania danego kontraktu.

Obecnie prognozy można modyfikować tylko za pomocą zmian w umowach, np. w postaci aneksów do umów. Dane te jednak mogą opierać się tylko na źródłach historycznych. Takie rozwiązanie cechuje się jednak małą elastycznością i nie zawsze gwarantuje skuteczność.

Dlaczego precyzja jest tak ważna?

Aby jak najdokładniej sprecyzować wielkość sprzedaży, spółki obrotu energią muszą przede wszystkim sumować prognozy z zawartych kontraktów. Jakość indywidualnych prognoz dotyczących poszczególnych punktów poboru energii jest niezwykle istotna. Dlatego spółki powinny stosować najlepsze metody poprawiające jakość tych prognoz, aby maksymalnie zwiększyć precyzję prognozowań.

Wymaga to stworzenia mechanizmu, który będzie wykrywał znaczące odstępstwa pomiędzy prognozą, a zużyciem rzeczywistym dla poszczególnych odbiorców.

Jakie są metody wykrywania anomalii?

Czy każde odstępstwo będzie jednak powodem do zmiany prognozy?  Niekoniecznie –  istotna jest właściwa interpretacja danego zdarzenia z uwzględnieniem kalendarza oraz jego potencjalnego wpływu na zmianę przebiegu zużycia w przyszłości. Kluczowy jest zatem wybór i dostrojenie właściwego algorytmu wykrywania anomalii.

A rodzajów metod wykrywania anomalii w szeregach czasowych jest wiele. Jedne opierają się na metodach statystycznych, inne na technikach machine learning.

W pracach prowadzonych przez Ebicom wykorzystujemy zarówno modele ARIMA, sieci neuronowe LSTM jak i statyczne oraz dynamiczne metody dekompozycji. Każdy algorytm stosowany jest w różnych wariantach, aby uzyskać możliwie najlepszą konfigurację parametrów, która zapewni jego optymalne działanie.

Co charakteryzuje algorytmy wykrywania anomalii w Ebicom?

Każda analiza dodatkowo poprzedzona jest przygotowaniem danych – m.in. selekcją punktów poboru oraz uzupełnieniem brakujących danych w przebiegach zużycia rzeczywistego.

Działanie algorytmów wykrywania anomalii weryfikowane jest na dwóch poziomach szczegółowości – na danych godzinowych oraz w agregacjach dziennych. Poniżej przedstawiamy przykładowe wykresy, na których kolorem czerwonym oznaczyliśmy wykryte odstępstwa:

Czy właściwy dobór metody ma znaczenie?

Aby porównanie czasu działań poszczególnych metod było wiarygodne, niezbędne jest uruchomienie ich na środowiskach o jednakowych parametrach (np. na tej samej pamięci RAM i identycznym procesorze).

W Ebicom do obliczeń skonfigurowaliśmy wspólne środowisko na platformie Microsoft Azure Machine Learning. Oceny skuteczności natomiast podejmują się tylko eksperci, związani z branżą energetyczną.  Ta kombinacja działań pozwala na weryfikację biznesowego sensu wykrytej anomalii.

W doborze najlepszej metody wykrywania anomalii głównymi czynnikami są też skuteczność oraz czas działania. Istotne zatem jest, aby jak najwcześniej wybrać i dostosować właściwy algorytm wykrywania anomalii w przebiegu zużycia rzeczywistego, ponieważ od właściwie dobranej metody zależy w jakim stopniu nastąpi poprawa prognoz zużycia energii elektrycznej. Wcześnie zdiagnozowane anomalie pozwolą znacznie skuteczniej przygotowywać algorytmy dla przyszłych prognoz konsumpcji energii.

Tym samym zachowana zostanie równowaga pomiędzy zakupem a sprzedażą prądu, co przełoży się na wyniki finansowe spółek.

Czytaj również

Czas czytania: 7 minut

Moduł decyzyjny w długoterminowym prognozowaniu konsumpcji energii elektrycznej 

#Anomalie #EbiBlog #ebicom #Energia #Prognozy
Joanna Lubowicka

Marketing Manager

Czas czytania: 2 minuty

Przebieg prac nad projektem

#Anomalie #EbiBlog #ebicom #PowerBI
Joanna Lubowicka

Marketing Manager