Миха Цимперман представил результаты внедрения прогнозирования спроса в реальных отраслевых сценариях в Европе, а также рассказал о том, как сейчас развивается это направление.
Big Data уже несколько лет активно используются при производстве электроэнергии из возобновляемых источников. Исторически солнечные и ветряные электростанции всегда собирали данные. Благодаря достижениям в области Big Data, прогнозной аналитики и машинного обучения полученную информацию теперь можно коррелировать с показаниями метеорологических прогнозов и спутников. Это позволяет предприятиям работать более эффективно, заранее зная погодные условия.
Однако использование машинного обучения и Big Data актуально не только для возобновляемых ресурсов, но также и для классических источников энергии. Датчик, используемый для моделирования прогнозов позволяет осуществлять динамическое управление нагрузками.
Как может выглядеть развитая измерительная инфраструктура? Она должна включать умные измерительные счетчики и новые технологии, работать с системой AMI (Advanced metering infrastructure), которая обеспечивает комплексное информационно-технологическое решение всех энергетических задач, позволяет контролировать пиковый уровень нагрузки энергосистемы, а также имеет открытую архитектуру программного обеспечения, за счет чего упрощается интеграция с существующими внешними структурами и управление бизнес-процессами. Следующий пункт — это использование CIM-модели, которая представляет наиболее существенные объекты электроэнергетического предприятия, обычно содержащиеся в информационной модели управления электроэнергией (EMS — Energy Management System). Модель подходит для создания интегрированных приложений в гетерогенных вычислительных системах. И последний пункт — это данные потокового датчика (IoT).
Для прогнозирования нагрузки на коммунальные услуги датчик должен владеть гетерогенными источниками информации: данными датчика, данными прогноза и статическими данными. Прогноз в онлайн-режиме осуществляется следующим образом. Сначала информация собирается платформой для крупномасштабных потоков в реальном времени — QMiner и библиотекой машинного обучения Scikit-learn, затем обрабатывается, соответственно, JavaScript API и Python API.
Налаженный процесс работы всех систем позволяет эффективнее управлять операциями в энергетическом цикле, используя данные всех источников, в том числе гидрометеорологические и прогнозы времени.
Для датчика, моделирующего прогноз на железных дорогах, нужна следующая информация: набор данных бортового поезда, набор данных подстанции, данные о погодных условиях, геолокация. Компиляция этой информации позволяет строить реалистичные прогнозы, влияющие на работу железнодорожных путей.
Естественно, что каждая из этих отраслей производит огромное количество данных ежедневно. Миха Цимперман рассказал, что для работы с таким объемом информации датчики должны быть адаптированы к платформе Kafka, которая обеспечивает избыточность, достаточную для хранения огромных объемов данных. Она предоставляет шину сообщений с колоссальной пропускной способностью, на которой можно в реальном времени обрабатывать абсолютно все проходящие через нее данные.
Активное использование прогнозного моделирования с контролируемым обучением потоковой передаче данных позволит предприятиям использовать в своей работе виртуализацию. Посредством нее компания может составлять виртуальный план мощности, управлять спросом, активами, нагрузками, а также портфелем ценных бумаг.
Датчики — технологичное решение, которое способствует повышению качества работы предприятий в сфере энергоснабжения и перевозок, что коррелирует с уровнем жизни жителей региона. Таким образом, этот комплекс «умных» разработок, основанный на аналитике Big Data и машинном обучении, позволит сделать шаг навстречу концепциям «Smart Energy» и «Smart City».
