Perspektiver på fremtidens anvendelse af data

Transkript

1 Perspektiver på fremtidens anvendelse af data

2 Agenda Introduktion og præsentation. esmart - kort firma præsentation Smart måler og hvad så? Udfordringer. Platform og teknologi Connected Grid: (Varme, vand og EL) Styrker og highlights. App SmartLiv og kunde services. Q&A

3 esmart fundament Etableret i ansatte Hovedkontor i Halden Aalborg, London, USA, Tyskland 20 år med systemudvikling i energibranchen: Nordpool, OMX, 15+ års erfaring med Big data Enestående branchekendskab KDI-(Norske stat) og forsyningsselskaber er stor aktionær Stor innovations erfaring

4 Kilde: The Internet of Things infographic The Connectivist basert på Cisco data

5 Big data i energiforsyningen: Øge fleksibilitet og kapacitet. Reduceret investeringer og drifts omkostninger. Bedre styring af Distributionsnet og kunderne. Tab, Peaks, Demand <> Respons. Øget udbytte af IoT, machine learning, bi-måler, sensorer (droner), sociale medier, mv. Udfordringer der kræver mere datakraft, fleksibilitet, sikkerhed

6 Øget udbytte af målerdata. Fokus på udbytte af måleren: (Nær realtid) Mange uudnyttet data I Smart måleren! Få størst mulig udbytte af målerdata. Funktioner I spil: Nær realtid, er vigtigt! Synergi med SCADA systemer Synergi med GIS systemer Synergi med KIS systemer Synergi med Offentlige data OIS, BBR, Overflod af informationer I måleren: Forbrug / Energi Effektmåling Minimal og maksimal flow og effekt Tryk og Temperaturmålinger Tariffunktioner og alarm Events >200 funktioner / 15. Min -16 sec.

7 Digital intelligens: Nemmere, hurtigere, bedre Integration: > Antal integrations punkter > Data mængde > Data Kvalitet Analyse: Funktioner til Hvem Hvordan Hvornår? Visualisering: Til Hvem Hvordan Hvornår? Styring/kontrol: Intern/ekstern - Til Hvem Hvordan Hvornår? Beslutnings støtte, Dokumentation Grundlag for Machine Learning, advanced analytics. Hele AI området! Hyppige Data fra bl.a.: 1. Smartmåler: Understationer/pumper/veksler: 3. Div. Komponenter& Sensor: 4. IoT enheder: 5. Kommunikation: a) Kanaler, b) hyppighed/frekvens, c) datakilder, kvalitet

8 Digital Transformation. Disruption On premise vs cloud Brændende platform Integrations CIM Leverandør kompleksitet ubegrænset processorkraft AI ML - advanced analytics=> Bedre forudsigelser. The future is not lineær

9 Azure Advisory Board Adgang til nye IoT værktøjer fra Microsoft Årets partner 2015, 2016 og 2017 Softwareudvikling

10 Teknologien: Platform as a Service (PaaS), i skyen! - Forbind alt, alle steder fra - - Altid på og sikkert - - Dynamisk skalerbarhed - - Virtuelt og ubegrænset processorkraft % styret og overvåget - - Omkostningseffektiv -

11 esmart Systems s DNA. Værdi af data overflod... IoT Big Data Real Time Analytics Visualization Volume Velocity Variety Veracity

12 Domain Expertise Digital Intelligence Data Engineering Machine Learning

13 Platform and Technology Cloud Born & 100 % Native Azure.

14 Top System More than an integration platform Metering Hub Weather Market More than a data lake Rapid deployment Social Media EV Smart Meters Head-end CRM GIS Work Order SCADA Sensors Drones DER Smart Homes Hardware independent A platform built for a LEAN approach Meter Value Management Value Adding Services The best platform for Integration, Big Data & Real Time Analytics

15 Utilize the cloud Desktop Client Apps API Large Screen Display Real-Time API Web-based API Cloud-based Integration Machine Learning and Analytics Business Specific Processing Workflow Map Integration Real-Time Handling Graph-based Asset Management Storage Analytics Framework Queues Service Hosts Real-Time Framework In-memory

16 esmart Systems Connected Suite Utility Energy Markets City Connected Grid Connected Drone Connected Prosumer Connected Trading Connected Health esmart Systems Connected Platform Connected City

17 Connected Grid Product and use cases

18 Dashboard Visualisering af måledata hjemtagning... Data opsamling Afvigelse Målere mangler alle / delvise værdier Kvalitet Hvor stor andel opsamles Afvigelse/ varighed Målere med gentagne problemer Afvigelse Nærmere oplysninger om meter med afvigelser.

19 RPA (Robotics process automation) er et af tidens store buzz words. Software robotter, som varetager og letter tunge og tidskrævende rutineprocesser

20 System integration GIS, NIS/Netbas Fast definerede grænseflade til GIS: Komponenter rør pumper ventiler understationer stationer Net topologi

21 Event fra SCADA Event fra SCADA: Udfald af understationer, pumper mv. Systemet registrerer automatisk ramte understationer og slutbrugere Auto genereret alarm til berørte slutbrugere med foruddefineret besked Operatør bekræft sender meddelelsen

22

23 Overvågning af understation Skærmen viser tendenser for kapacitet og forventet-belastning for bl.a. understation... Konstant overvågning af understationer: Tryk, temperatur, forbrug Kvalitetsmålinger fra understationer Alarmen ved flere events Overvågning af forskellige kvalitets parameter

24

25

26

27

28

29

30

31 Visualisering af rør: evt. I konbination med alder, belastning/flow eller dimension i farve...

32 Vise forbruk (temp. inn/ut, flow)

33 Virkningsgrad: Vi har implementert utregningen av virkningsgrad og vi vise dette for en pumpe med fiktive data. Løsningen er klar for å motta data den dagen dette foreligger Virkningsgraden vises som under hvor den med dårligst virkningsgrad ligger øverst i listen (Name = Pumpenavn, Efficiency = virkningsgrad)

34 Netoperatører står over for store udfordringer Aging power grid Regulatoriske ændringer Distribueret energi kilder Kraftige storm og peaks - krævende belastninger.. Resultat i massive investeringer og dyre drifts- og vedligeholdelsesomkostninger Hvad nu hvis

35 du havde mere intelligens oven på din eksisterende forretningssystem? du kunne betjene dit net på en mere sikker, pålidelig og intelligent måde? du vil kunne spare Mio. kr Capital Produktivitet Operationel Excellence >20 % OpEx and CapEx reductions "Connected Grid giver os aggregerede oplysninger i ét system, der væsentligt forbedrer vores arbejdsprocesser. Det åbner mange nye måder at udnytte Smart måler data på. Morten Sjaamo, Project manager AMI and Smart Grid, Ringeriks-Kraft Nett Avanceret netplanlægning Prediktiv vedligeholdelse Øger udbyttet af komponenter, og giver mulighed for reducerede og udskudte investeringer Bottom-up belastnings beregninger Realtids overvågning Tillader mindre tab og bedre afkøling The Energy Authority (TEA)

36 Connected Prosumer Product presentation

37 Connected Prosumer ØGET Kunde involvering og aktivering. Intelligent overvågning, drift og brug af distribuerede energiressourcer som Varmepumper, solenergiproduktion, EV-opladning, batterier eller fleksibel belastning. Kontrolcentret muliggør direkte kommunikation, handel med energi og fleksibilitet for Prosumer.

38 Connected Prosumer

39

40 Service provider

41 Artificial Intelligence and Machine Learning

42 Simplified Machine Learning Process Question/Objective Data and examples Learning algorithm... contains the answer to the question Predictive model... Contains the answer to the question on new data

43 Machine Intelligence in esmart Solutions Load predictions Segmentation and profiling Risk monitoring Substation load monitoring EV charging demand Power demand after an outage Customer behavior analysis Abnormal consumption fraud, Identification of households with rooftop solar, or EV s. Data aggregation Power outage risk assessment Meter error risk assessment Fault- and anomaly detection Identify grid components based on image recognizition Fault- and anomaly detection

44 Load Predictions

45 EV Charging Production from Renewables Short term predictions Predict & track cloud cover Correlate production time series Identify lags

46 Empowering the Prosumer Smart City Oslo Klimabarometer

47 Customer Segmentation

48

49 We have only seen the beginning!

50 esmart Systems Dansk kontor i Aalborg. Niels Jernes Vej 10 (NOVI) 9220 Aalborg Ø HQ. - Håkon Melbergs vei Halden, Norway info@esmartsystems.com