Прогнозная аналитика и коммунальные службы
14 августа
Статьи

Перспективы больших данных

Область энергетики вступает в золотой век данных. Усилия правительства и коммунального сектора по модернизации инфраструктуры приносят свои плоды. Умные энергосистемы стали новой нормой. Разрекламированный Интернет вещей сделает их еще более масштабными и повсеместными.

Более того:

  • Инфраструктура интеллектуальных счетчиков (AMI) в режиме реального времени каждые 15 минут генерирует данных по энергопользованию. Прогнозируется, что в развитых странах интеллектуальные счетчики на 100% заменят обычные к 2020 году.
  • Получив субсидии для капитальных вложений, коммунальные компании стали вкладывать средства в синхрофазоры или устройства векторных измерений (PMU). PMU измеряют, например, такие параметры, как напряжение, текущий и цифровой статус до 30 раз в секунду.

А теперь объедините это с:

  • Историческими массивами клиентских внутренних данных
  • Отчетами системы управления отключениями
  • Данными из социальных сетей, онлайн-форм и звонками клиентов
  • Видео и фото файлами
  • Не говоря уже об источниках в открытом доступе (например, погодные условия, рыночные данные, кредитный рынок)

Все это позволяет понять, что именно специалисты по данным подразумевают под "большими данными".

И если бы коммунальные компании нашли способ:

  • Использовать и справляться со скоростью, разнообразием, объемом и достоверностью этих данных
  • Инвестировать в системы, включая их облачные компоненты, а также в экспертов, которые нужны для их понимания
  • И взяли бы на себя обязательство избавиться от старых привычек в управлении,

То у них было бы все, для того, чтобы сделать потребителей, компании, регуляторов, а также всех бухгалтеров очень и очень счастливыми. Даже не будем упоминать их специалистов по данным.

Влияние технологий умных энергосистем

Трудно переоценить влияние технологий умных энергосистем на эффективность работы коммунальных компаний. Именно они помогли энергетикам переключиться с пассивной позиции на активную в том, что касается ночного энергопотребления.

Как отмечает Джефф Келли в книге Интернет в промышленности и аналитика больших данных: Возможности и вызовы, у коммунальных компаний теперь есть технологии для:

  • Улучшение мониторинга и точности прогнозов потребления энергии
  • Управления закупками энергии с большей точностью
  • Выявления недостатков на макро (например, целый город) и микро- (например, домашнее хозяйство) уровнях
  • Прогнозирования потенциальные сбои электропитания и сбои оборудования
  • Более точной сегментация клиентов и выработки для них кастомизированных предложений, основанных на потребительском поведении
  • Существенного сокращения операционных расходов

Благодаря эффекту домино, точные прогнозы по данным также могут повысить эффективность энергокомпаний на расчетных рынках.

Оптимизация эффективности и прогнозирование потребления

Как показывает история Insull, энергокомпании всегда отличались творческим подходом к управлению спросом и предложением. Однако сегодня они используют большие данные для совершенствования этого процесса. Специалисты по данным в энергокомпаниях напряженно работают, чтобы добиться способов повышения производственной эффективности и более точного прогнозирования будущего потребления.

Прогнозирование является особенно важным для энергокомпаний, которые диверсифицируют свои портфели путем включения в них возобновляемых (и нерегулярных) источников энергии (например, энергия ветра, солнца или приливов). Макетирование и моделирование позволяют определить, когда потребуется энергия и на каком уровне.

Как отмечает Линдси Кларк:

«Предлагая тарифы, которые призваны снизить энергопотребление при слабом уровне поставок, и высвобождая накопленную энергию в преддверии ожидаемых пиков спроса, энергокомпании могут обойтись без инвестиций в производство, которое необходимо только для максимальных уровней спроса».

Например, на Гавайях, данные от умных энергосистем помогают понять, чего можно ждать от солнечных установок:

  • В полдень генерируется максимальное количество электроэнергии.
  • Поздно вечером, когда солнце освещает крыши под тупым углом, генерация значительно падает.

Исходя из этого энергокомпании скорректировали ежедневное использование солнечной энергии.

Управление «здоровьем» активов

Если провести аналогию с ружьем на стене, неисправное оборудование когда-нибудь обязательно сломается. Чтобы решить эту проблему специалисты по данным объединяют данные по активам в рамках единой системы и при помощи анализа выявляют оборудование, сети и трубопроводы, с которыми могут произойти проблемы. Этот интеллектуальный подход также позволяет им разумно подходить к заменам.

Чтобы получить всеобъемлющую картину активов, специалисты по данным могут опираться на:

  • Информацию от датчиков, поступающую в режиме реального времени
  • Исторические данные
  • Историю эксплуатации
  • Отчеты о техобслуживании
  • Комментарии техников
  • Данные, полученные в результате проверок беспилотными летательными аппаратами
  • Прогнозные модели (например, последствия ожидаемого землетрясения)
  • Открытые данные (например, метеосводки)
  • И многое другое

Так, например, аналитики по данным в центре, отвечающем за рабочее состояние активов компании American Electric Power Co., Inc. (AEP) объединяют эксплуатационные данные по оборудованию с интеллектуальными IT-приложениями. Используя алгоритмы больших данных и аналитического программного обеспечения, они внимательно следят за передающей инфраструктурой AEP.

Компания Yorkshire Water, компания, занимающаяся водоснабжением и утилизацией отходов в Великобритании, также подходит к проблемам с проактивных позиций. Ее IT-специалисты используют аналитику для прогнозирования загрязнения сетей, состоящих из 62 000 миль водопроводов и канализации. Когда засоры начинают угрожать переполнению канализации, инженеры компании реагируют незамедлительно.

Управление отключениями и восстановление энергосистем

По утверждению представителей GE, отключения обходятся экономике США в 80 млрд. долларов в год, т.е. по 1,5 миллиарда долларов каждую неделю. Для многих предприятий и правительства эти цифры неприемлемы.

И большие данные могут их спасти. На основе информации от умных энергосистем, датчиков, исторических данных, Интернет-сервисов (например, постов в Twitter) и систем поддержания активов в рабочем состоянии, энергокомпании могут:

  • Быстро и эффективно реагировать на отключения
  • Полностью избежать их

Например, если энергокомпании знают, что на горизонте появились грозовые тучи, они могут использовать модели прогнозирования для определения потенциальных опасных областей; направить персонал в из потенциально опасных областей в убежища; и предупредить городские власти и потребителей.

Если произойдет отключение, умные энергосистемы сообщат об этом немедленно. Затем специалисты по данным в энергокомпаниях могут использовать большие данные для:

  • Подтверждения, изоляции и оценки ущерба
  • Найти информацию о событиях в реальном времени во внутренних источниках или Интернете
  • Проанализировать информацию с дронов и пространственные данные для выявления препятствий (например, упавших линий, разливов, заблокированных дорог)
  • Транслировать информацию для клиентов через социальные сети (например, работа по восстановлению, сроки возобновления подачи энергии)

Клиентское поведение и активность

Специалисты по данным обращаются ко всем видам источников данных – интеллектуальным счетчикам, колл-центрам, социальным сетям, биллинговым системам, мобильным приложениям и т.д., чтобы больше узнать о своих клиентах. После того, как эти данные очистят и проанализируют, компании могут использовать их для того, чтобы:

  • Понять тенденции потребления
  • Более эффективно управлять тарифами
  • Определить тех, кто имеет право на программы повышения эффективности или управления спросом
  • Успокоить недовольных клиентов и укрепить их лояльность
  • Провести обучение отдельных лиц и компаний по мерам сокращения потребления

Энергокомпании уже добились определенных успехов в сфере обслуживания своих клиентов. Помимо колл-центров, занимающихся мониторингом и анализом настроений, активности в соцсетях и рассылки электронной почты для того, чтобы узнать мнение потребителей, они стали предлагать:

  • Инструменты на веб-сайтах и мобильные приложения, чтобы помочь клиентам планировать ежемесячное потребление
  • Гибкие структуры тарифов, в рамках которых клиенты сами отвечают за потребление
  • Сообщения и письма по электронной почте, когда потребление приближается к заданным показателям
  • Графики потребления и сравнительная статистика («вы и ваши соседи»), которые размещаются на ежемесячных счетах
  • Мгновенные ответы на вопросы в Twitter
  • СМС или сообщения по телефону с информацией об отключениях и обновляемой информацией

Как пишет Джилл Фебловиц в брошюре HP 2012 года:

«Возможность повышать тарифы, одобренные регулирующими органами, зависит способности продемонстрировать удовлетворенность клиентов».

Образованные и удовлетворенные клиенты + умные энергокомпании = более высокая годовая прибыль.

Риски и правила работы с данными. Задачи, с которыми предстоит столкнуться

Однако, энергогенерирующей отрасли еще рано запускать фейерверки. Создание компании с ориентацией на данные сталкивается с определенными проблемами.

Если говорить об энергогенерирующих компаниях, то к этим вызовам относятся:

  • Незнание – многим руководителям сложно понять стоимость и требования, связанные с реализацией решений на основе больших данных. Никто не хочет тратить деньги на системы, которые устареют за год.
  • Апатия – энергетики в сильно зарегулированы. Без жесткой конкуренции интерес к инвестированию в науку о данных и аналитические решения может ослабнуть.
  • Сложность – Энди Бен и Пол K. Боуи отмечают, что энергокомпании (и энергосети) борются со все более сложными проблемами, возникающими в реальном времени. Разрозненные источники энергии и новые технологии еще более усложняют процесс.

Специалисты по данным, начинающие работать в энергосфере, могут столкнуться с тем, что данные заблокированы в изолированных системах или с отсутствием единой, централизованной платформы данных. Интеграция существующих систем может сама по себе обернуться кошмаром.

Вопросы конфиденциальности

И, конечно, есть немаловажные вопросы, касающиеся конфиденциальности. Из-за гигантских хранилищ данных, наполненных личной информацией потребителей, энергокомпании невероятно уязвимы для хакеров.

В 2012 году компании New York State Electric & Gas и Rochester Gas and Electric (NYSEG) разослали письма 1,8 миллионам своих энергопотребителей с информацией о том, что неприкосновенность их данных, включая номера социального страхования, даты рождения и, в некоторых случаях, номера банковских счетов, была нарушена.

В ответ Комиссия по вопросам государственной службы в Нью-Йорке была вынужден пересмотреть политику безопасности в области данных и процедур для каждой энергокомпании, работающей в стране. Вывод: если это могло произойти у них, это может произойти где угодно.

И ситуация становится хуже. Чем больше источников используют энергокомпании для получения своих данных, тем больше вероятность возникновения проблем с потребителями.

  • Умные счетчики уже вызвали жалобы по поводу безопасности и необоснованного использования данных.
  • Компании, использующие анализа настроений (например, в соцсетях) рискуют оказаться обвиненными во вторжении в личную жизнь.

А вы справитесь с этими данными?

Но, пожалуй, самая большая головная боль для специалистов по данным в области энергогенерации - это их объем. Энергетики, по сравнению с другими отраслями, гораздо активнее обновляли свою инфраструктуру и инвестировали в технологии, но они по-прежнему сталкивается с цунами данных.

В статье Джеффа Мак-Магон "Энергетики ошарашены большими данными от умных энергосетей, написанной им в 2013 году указывает на то, что для одного вычисления может потребоваться доступ к 4 терабайтам данных – это больше, чем весь объем информации, содержащейся в библиотеке Конгресса.

Но даже если у энергетиков есть средства для обработки данных в настоящее время, они уже беспокоятся о будущем. Откуда еще могут появиться данные? Какие данные будет важно сохранить?

В той же статье Дэн Розанова, старший архитектор технологий в компании West Monroe Partners, резюмирует:

«Причина того, что большие данные - это такая большая проблема, не только в том, что мы не знаем, какие инструменты мы собираемся использовать, но и в том, что будущие потребности хранения данных сейчас совершенно неясны. Мы просто знаем, что они будут большими.»

История анализа данных в энергетике

Это - наша поэзия, ведь волей нашей мы забрали звезды с небес» - Эзра Паунд.

В июне 1910 года юноша-поэт с длинными волосами приехал в доки Нью-Йорка. В тот день он выступал перед архитекторами Нью-Йоркской публичной библиотеки. Ночью он смотрел на небоскребы, освещенные электрическим светом.

Несколько лет спустя Эзра Паунд изложил свои впечатления на бумаге:

«Квадрат за квадратом пламени, из которых нарезано небо". Это - наша поэзия, ведь волей нашей мы забрали звезды с небес».

Это был относительно новый вид – отблески электрических ламп в окнах небоскребов. Поэтично и красиво? Да, но на прозаическом уровне электроэнергию по-прежнему надо было мониторить, контролировать и платить за нее. А это требует данных. В какой момент возник современный анализ данных энергомпаний?

Электрическая лампочка Самуэла Инсулла

Чикаго 1890 года. Самуэлу Инсуллу, президенту компании Chicago Edison, приходится решать головоломку. Чтобы удовлетворить пиковый спрос в обеденное время, компания приобрела много энергогенерирующего оборудования. Но эти генерирующие мощности практически полностью бездействовали в течение других периодов.

Под впечатлением от поездки в английский Брайтон, Инсулл придумал тарифный план, который учитывал не только общее потребление, но и время этого потребления. Таким организациям, как трамвайные линии и холодильным хранилищам предлагались низкие тарифы на время пониженной нагрузки, а клиенты, потребляющие энергию в пиковые периоды, должны были платить больше.

Коэффициент загрузки компании – средняя мощность, поделенная на максимальную нагрузку в каждый период времени – резко вырос. Низкие тарифы привлекли новых клиентов. Компания Инсулла вышла на новый уровень благодаря стратегическому использованию данных.

Начало

В XX веке энергокомпании превратились в гигантов. Вместе с ними вырос и объем клиентских данных.

Местные электросети превратились в гигантские взаимосвязанные системы с огромными узлами нагрузки и высоковольтными линиями электропередач. В 1965 году В.А. Дункан из Kentucky Utilities запустил первую в электроэнергетической отрасли полностью цифровую вычислительную систему – Westinghouse PRODAC 510.

Тем не менее, из-за ограничений по сбору и обработке данных, отрасль по-прежнему продолжала работать, опираясь на накопленный опыт:

  • Фиксированные и двойные тарифы оставались нормой; энерготарифы в ночное время, как правило, были ниже тарифов дневного времени.
  • Счетчики, которые устанавливал с 1880-х, продолжали проверять вручную. Ежемесячные счета за воду могли выставляться лишь на основе годовых показателей.
  • Тарификация пиковых периодов была усреднена и разделена между всеми потребителями.

Спрос на энергию продолжал расти и в 1970-х беспрецедентно высокий уровень использования привел к серии блэкаутов, прекращению подачи электроэнергии и падения напряжения. Очевидно, что использовалось мало инноваций. Данным по мощности нагрузки и использовании только предстояло вступить в игру.

Автоматическое снятие показания электросчётчика (АМР): Первые шаги в автоматизации

Наберите в поисковике Тед Параскевакос. В конце 1960 и начале 1970-х он усовершенствовал метод для передачи электронных данных (например, телефонных номеров) через телефонную линию. Он назвал его «Caller ID.»

Оригинальная идея Параскевакоса в конечном итоге привела к новому изобретению: системе мониторинга счетчиков, которая использовала цифорвую передачу данных для снятия показаний счетчиков. В 1977 году Metretek, Inc. в продажу поступила первая полностью автоматизированная система считывания показаний счетчиков и управления энергопотреблением, созданная на базе мини-компьютера IBM серии 1.

Внезапно энергетики столкнулись с постоянным потоком данных из систем автоматического снятия показаний счетчиков. Эта информация могла храниться и анализироваться так, как того хотела компания. Аналитики данных могли теперь делать все, что им заблагорассудится.

А впереди было еще множество интересных вещей. Использование энергии продолжало расти в геометрической прогрессии. Чтобы не отставать, инженерам требовалось все более мощное оборудование для его доставки и контроля потребления. И, конечно, это означало поток данных, с которым приходилось работать.

Инфраструктура интеллектуальных счетчиков (AMI): Удаленное управление

На протяжении 80-х годов энергетики продолжали совершенствовать свои технологии автоматизированного снятия показаний счетчиков (АМР). Помимо снятия показаний со счетчиков инженеры добавили такие возможности, как аварийная сигнализация (для несанкционированного доступа, обнаружения утечек, низкого заряда батареи, и т.д.), интервальных данных и журнала событий счетчиков.

В 1990-х инфраструктура интеллектуальных счетчиков AMI постепенно вытеснила AMR. Благодаря АMI интеллектуальные счетчики стали способны на запрограммированный сбор данных и посылать отчеты по команде. Появилась двусторонняя непрерывная связь с центральной системой.

Теперь энергетики могли мониторить данные по потреблению электроэнергии в режиме реального времени. Прогнозирование спроса, управление спросом и мониторинг энергопотоков сделали возможным более разумно экономить энергию и принимать незамедлительные меры.

В 2000 году Enel запустила свой проект Telegestore. Благодаря использованию интеллектуальных счетчиков, связанных посредством линий электропередач узкой полосы пропускания, эта система удаленного управления связала 27 миллионов домохозяйств по всей Италии.

Примерно в это же время появился термин «интеллектуальная энергосистема/smart grid». Интеллектуальные энергосистемы управляют и оптимизируют распределение электроэнергии, автоматически анализируя данные о потреблении и энергетических нагрузках. Естественно, что затем появились еще более сложные технологии управления качеством и датчиками, которые генерировали еще больше данных.

Датчики и синхрофазоры: Автоматизированное качество

В настоящее время энергокомпании более заинтересованы в возможности повышения качестве и надежности электропоставок. Легче всего это было сделать путем быстрого обнаружения аномалий качества во всей энергосистеме с помощью синхронизированного выявления и сравнения. Эти синхронизированные измерения осуществляются устройствами, называемыми синхрофазорами.

В книге "Коммуникации и сети интеллектуальных энергосетей", изданной в 2012 году, описывается проект под руководством Бонневильского управления энергетики (BPA), Федерального агентства, расположенного на Тихоокеанском Северо-Западе. В начале 90-х годов BPA начала устанавливать датчики на свои энергосети для высокоскоростного мониторинга и контроля обширных географических районов при помощи синхрофазоров.

И это заработало. В 2000 году BPA стала первой энергокомпанией, реализовавшей масштабный проект по внедрению синхрофазовров в свою систему мониторинга переходных режимов (WAMS).