B. Çağdaş KARA – PİKOTEK
Download
Report
Transcript B. Çağdaş KARA – PİKOTEK
SAYAÇ İZLEME VE
DENETLEME SİSTEMLERİ
www.pikotek-tr.com
PIKO-OSOS-V1.1
TEMEL ÖZELLİKLER
• Merkezi bir noktadan gerçek zamanlı izleme
• Uzaktan sayaç okuma ve denetleme
• Modüler, esnek ve genişleyebilir mimari
• Farklı tüketim tiplerini (elektrik, su, doğalgaz...) destekleyen tek bir
platform
• Altyapı ve suistimallerden kaynaklanan kaçakların tespit edilmesi
TEMEL ÖZELLİKLER
• Farklı sayaç, donanım ve fiziksel arayüzleri
destekleme (Pulse, RS485, RF-ISM)
• Farklı protokolleri destekleme (MODBUS,
Profibus, CANBUS...)
• Farklı geniş alan iletişim altyapılarını
destekleme (ADSL, Fiber, GSM-GPRS...)
TEMEL ÖZELLİKLER
• Faturalama Arayüzü
• Akıllı Şehir Uygulamaları Arayüzleri
• Tüketim Profili izleme, olağan dışı durumları
algılama
• Analiz, istatistik, kıyaslamalar, sapmalar,
tutarsızlıklar, tahmin ve hedef belirleme (Veri
Madenciliği, Yapay Zeka, Makina Öğrenmesi)
• Etkin iletişim algoritmaları (Self-Organizing Network)
• Veri iletim güvenliği ve veri kayıplarını önleyici
mekanizmalar
• Uluslararası standartlara uyumluluk
HEDEFLER
Birinci aşamada;
Sayaç okuma ve müdahale işlemlerinin uzaktan
yapılması
Bölge, semt, mahalle, sokak bazında tüketim
detaylarının izlenmesi
Bölge, semt, mahalle, sokak bazında karşılaştırma
raporlarının oluşturulması
Abone dağıtım noktalarına kadar şebeke
altyapısının izlenmesi
Altyapı arızalarının tespiti
Altyapı kalitesinin izlenmesi
Altyapı + Abone tüketimlerini eşleştirerek kayıp ve
kaçakların tespit edilmesi hedeflenmektedir.
Hizmet kalitesinin arttırılması, optimum maliyet
HEDEFLER
İkinci aşamada;
Birinci aşamada hedeflenen kayıp kaçak tespit
mekanizmalarının iyileştirilmesi
Olası müdahale durumları için önlemler
Akıllı destek mekanizmaları
Analiz Yetenekleri
Bölge, semt, mahalle, sokak bazında
tüketimlerin raporlanması
Tüketim örüntülerinin oluşturulması
Kıyaslamalar ve sapma hesaplamaları
Anlık, geriye dönük
Olağan dışı durumların tespit edilmesi
İstatistiklerin oluşturulması hedeflenmektedir.
Hizmet kalitesinin arttırılması, optimum maliyet
HEDEFLER
İlerleyen süreçte;
Farklı şebeke altyapılarına entegrasyon
Analiz yeteneklerinin geliştirilmesi
Öngörüleme
Öngörülen senaryolardan sapmaların
hesaplanması
Etkin tüketim planlama tablolarının
oluşturulması (diğer şebekelere
entegrasyon önemli ***)
Altyapı planlama
Altyapı kalitesi iyileştirme
Akıllı Şehir uygulamalarına entegrasyon
Hizmet kalitesinin arttırılması, optimum
maliyet
Yapay Zeka Nedir?
Makine Öğrenmesi
Geçmişteki verileri kullanarak veriye en uygun
modeli bulmak.
Yeni gelen verileri de bu modele göre analiz edip
sonuç üretmek.
Öğretici ile öğrenme
• Verilen bir veri seti için eldeki ‘doğru değerler’
algoritmaya verilir.
• Öğreticili öğrenme ile, verilen değerler kullanılarak
geliştirilen model üzerinden yeni değerlerin
tahminlemesi yapılır.
Öğreticisiz öğrenme
• Modele bir eğitici veri seti verilmez.
• Model elindeki veriyi işleyerek kendi kendine
çıkarsama yapar.
• Çıktı, yoğunluk tahminlemesidir.
Ayrıksı Durumların Tespiti
Makine Öğrenmesi Modelleme çalışmaları
için aşağıdaki senaryo oluşturulmuştur :
• Günde 3 zaman dilimi olacak şekilde veri
üretecek.
• Her zaman diliminin tüketim aralığı
birbirinden farklı olacak.
• Simülatör; belirli aralıklarla ayrıksı
durumlar üretecek.
Oluşan Veri Grafiği
“x” ekseni verilerin değerleri,
“y” ekseni verilerin sayıları.
Makine öğrenmesi yöntemlerinden “Öğreticisiz Öğrenme” modelinin
uygulanması ve bu amaçla “K-Means Kümeleme Algoritması”nın
kullanılmasına karar verilmiştir.
PIKO-OSOS Ayrıksı Durum Tespiti
Sistemimizde gerçek zamanlı ve sürekli değişken veri ile çalışıyoruz.
Sistemden beklentiler:
• Sistemin değişken veriyi tahmin etmesi,
• Ne zaman değiştiğini belirlemesi,
• O zamandaki değer aralığını tespit etmesi,
• O zamandaki ayrıksı değeri tespit etmesi.
Uyarlamalı Model…
Temiz Veri Grafiği
Ana Veri Grafiği
Normal Gaussian
Uygulanan Veri Grafiği
PIKO-OSOS Ayrıksı Durum Tespiti
Uyarlamalı Yapının Oluşturulması:
Ayrıksı durum sayıları belirli bir zaman aralığında tutulmuştur.
Normal veri sayısı belirli bir oranda ayrıksı veri sayısından
azsa.
Sistem belirli aralıklarla kendi iç yapısını güncelleyerek değişen
değer durumlarına adapte olmaktadır.
Yapay Zeka ve PIKO-OSOS
Geçmişe Dayalı Verilerden Gelecekle İlgili Çıkarımlar Yapma
• Bu kapsamda yapılan çalışmalarda; ayrıksı durum tespitlerinden
sonra eldeki veriler analiz edilerek:
Tahminleme
Kıyaslama
Öngörüleme gibi çalışmalar yapılmıştır.
Farklı ve yapısal olarak birbirine benzer veya yakın benzerlikte olan
hatların karşılaştırılarak tüketimdeki tutarsızlıkların belirlenmesi
Aynı hatlar üzerindeki geriye dönük verilerle onaylanmış (ayrıksı
durum tespit mekanizmaları işletilmiş) gerçek zaman verilerinin
karşılaştırılması
Abone bazında geriye dönük verilerle onaylanmış gerçek zaman
verilerinin karşılaştırılması
SONUÇ
Anlık ayrıksı durum tespitlerinde K-Means algoritması ile
sistem çalıştırılmış ve istenilen sonuçlar alınmıştır.
• Hızlı, kendi kendine karar verebilen, yeni gelen verilere
adapte olabilen bir yapı oluşturulmuştur.
Geçmiş veriler üzerinden fonksiyon oluşturulmuş,
pilot işletme verileri fonksiyona girilerek işletmenin
tüketim profili analiz edilmiştir.
Gelecek periyotlara ilişkin tüketim öngörüleri
oluşturulmuştur.
• Günlük,
• Haftalık,
• Aylık.
• Yıllık bazda fonksiyonlar oluşturabilmek amacı
ile uzun süreçli bir veriye ihtiyaç duyulduğu
öngörülmüştür.
SONUÇ
Geçmişe yönelik veri sayısı ne kadar çok
olursa oluşturulacak modelin başarım oranı o
kadar yüksek olacaktır.
Geçmiş veriler incelerek bir sonraki periyodun
senaryosu çıkartılmıştır. Senaryo işletilerek
gerçekleşen enerji tüketim miktarları
kıyaslanmıştır.
• Uyarılar üretilmiş ve iyileştirmeler
yapılmıştır.
• Bu kıyaslamalar hat bazında, abone
bazında veya tüm işletme bazında
yapılabilmektedir.
Copyright © 2014 Pikotek