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