Управление спросом на основе прогнозирования поведения пользователяAleksey Melezhik
Слайды к докладу.
Конференции «Осуществление инвестиционной и инновационной деятельности в области энергообеспечения и повышения энергетической эффективности на промышленных предприятиях»
2 - 3 октября 2013 года ВО «Ленэкспо» павильон 6, зал 6.1
Решения для управления производственными процессами в генерирующих компанияКРОК
Цель создания информационной системы управления производственными процессами (ИСУ ПП) — повышение общей эффективности деятельности генерирующих компаний.
Искусственный интеллект и Big Data в бизнесеExpasoft
Презентация семинара по анализу больших данных и машинному обучению 16.11.2016 г.
- Чем искусственный интеллект может помочь бизнесу?
- Что такое глубинное обучение и какие инновационные технологии можно создать на его основе?
- Почему аналитик больших данных самая сексуальная профессия XXI века?
Организаторы семинара:
Лаборатория аналитики потоковых данных и машинного обучения НГУ,
Центр обучения Big Data Analytics "НГУ-Экспасофт". Евгений Павловский — сертифицированный EMC Data Science Associate, Кандидат физико-математических наук, старший преподаватель Кафедры Общей Информатики НГУ, заведующий лабораторией аналитики потоковых данных и машинного обучения НГУ-Экспасофт,
Business Development Director в «ExpaSoft».
https://expasoft.com/edu/
Лев Палей. Центр экспертизы информационной безопасности в электроэнергетикеKaspersky
Лев Палей, Начальник службы ИБ в АО «СО ЕЭС», делает обзор создаваемого Центра экспертизы информационной безопасности на базе Ассоциации «Цифровая энергетика».
Подробнее о конференции: https://kas.pr/kicsconf2021
Инженерная компания «Прософт-Системы» — один из ведущих отечественных разработчиков оборудования для автоматизации энергообъектов и промышленных предприятий. О преимуществах сотрудничества с екатеринбургскими специалистами рассказывает генеральный директор ООО «Прософт-Системы» Александр РАСПУТИН.
Управление спросом на основе прогнозирования поведения пользователяAleksey Melezhik
Слайды к докладу.
Конференции «Осуществление инвестиционной и инновационной деятельности в области энергообеспечения и повышения энергетической эффективности на промышленных предприятиях»
2 - 3 октября 2013 года ВО «Ленэкспо» павильон 6, зал 6.1
Решения для управления производственными процессами в генерирующих компанияКРОК
Цель создания информационной системы управления производственными процессами (ИСУ ПП) — повышение общей эффективности деятельности генерирующих компаний.
Искусственный интеллект и Big Data в бизнесеExpasoft
Презентация семинара по анализу больших данных и машинному обучению 16.11.2016 г.
- Чем искусственный интеллект может помочь бизнесу?
- Что такое глубинное обучение и какие инновационные технологии можно создать на его основе?
- Почему аналитик больших данных самая сексуальная профессия XXI века?
Организаторы семинара:
Лаборатория аналитики потоковых данных и машинного обучения НГУ,
Центр обучения Big Data Analytics "НГУ-Экспасофт". Евгений Павловский — сертифицированный EMC Data Science Associate, Кандидат физико-математических наук, старший преподаватель Кафедры Общей Информатики НГУ, заведующий лабораторией аналитики потоковых данных и машинного обучения НГУ-Экспасофт,
Business Development Director в «ExpaSoft».
https://expasoft.com/edu/
Лев Палей. Центр экспертизы информационной безопасности в электроэнергетикеKaspersky
Лев Палей, Начальник службы ИБ в АО «СО ЕЭС», делает обзор создаваемого Центра экспертизы информационной безопасности на базе Ассоциации «Цифровая энергетика».
Подробнее о конференции: https://kas.pr/kicsconf2021
Инженерная компания «Прософт-Системы» — один из ведущих отечественных разработчиков оборудования для автоматизации энергообъектов и промышленных предприятий. О преимуществах сотрудничества с екатеринбургскими специалистами рассказывает генеральный директор ООО «Прософт-Системы» Александр РАСПУТИН.
Адаптация инженерной инфраструктуры для облачных ЦОД - APC by Schneider Electric
Minenergo elpis 27022017
1. Презентация компании Elpis Labs – для Министерства
Энергетики Российской Федерации
“Data is the new Oil” – German Greff, chairman & CEO of Sberbank
2. НЕОБХОДИМОСТЬ ПОДНИМАТЬ ЭФФЕКТИВНОСТЬ
ЭНЕРГЕТИЧЕСКОЙ ОТРАСЛИ В РОССИИ
2
По интенсивности
использования
энергии на единицу
ВВП
Источники: Enerdat, РБК, McKinsey
по интенсивности
выбросов CO2
98%
Корпоративных
прибылей
пришлось на
энергетический
сектор в 2013 году
#1
Газпром –
крупнейшая
энергетическая
компания в мире
#3
По совокупному
первичному
производству в
мире
#1
#1
Доля ветровой и
солнечной энергии в
производстве
электроэнергии
0.04%
Низкая энергоэффективность связана с поведением домохозяйств и бюджетных организаций, чье
поведение трудно изменить при относительно низких тарифах и дорогих энергосберегающих технологий
≠
3. НЕОБХОДИМА СБАЛАНСИРОВАННОСТЬ
ПРИ ВНЕДРЕНИИ НОВЫХ ТЕХНОЛОГИЙ
Национальная
безопасность
Экономика и
снабжение
Окружающая
среда
Большинство опций для
новых технологий и
топлива адресуют только
один или два приоритета,
но не все три.
6. ДОСТИЖЕНИЕ ЦЕЛЕЙ УПРАВЛЕНИЯ С ПОМОЩЬЮ
КОНЦЕПЦИИ «ENERGY SYSTEM HEALTH SCORE» ОТ
ELPIS LABS
• Отслеживание большого количества факторов
• Агрегирование несвязанных факторов
• Оповещение о предстоящей аномалии
• Сравнение состояний активов между собой
• Поиск взаимосвязей между элементами ЕЭС
6
• Единые стандарты
достигаются за счет
классификации
различных аномалий
в профили
• Одинаковая шкала
аномалий для
различных
несвязанных данных
• Предсказание
аномалий на
основании профилей
7. КОМАНДА ELPIS
LABS
• CEO – Duke MBA, 9 лет в ИТ (SAP, Microsoft)
• CTO – 8 лет CTO в Paragon Software, Cloud
Computing Director в IBS, MSRD, координатор
Big Big Data Group Russia
• CSO – PhD по информатике от University of
North Carolina
• System Architect – основатель 4-х стартапов
• Команда разработчиков – Москва/Обнинск
• Команда ученых – Северная Каролина, США
7
8. МЕСТО ELPIS LABS В АРХИТЕКТУРЕ
ИНДУСТРИАЛЬНОГО ИНТЕРНЕТА
ВЕЩЕЙ
8
Датчики Счетчики РегуляторыСенсоры
Подключаемое оборудование
ТЕХНОЛОГИЧЕСКОЕ ОБОРУДОВАНИЕ СБОРА ИНФОРМАЦИИ
Сетевые шлюзы (коммутаторы, маршрутизаторы)
ПЕРЕДАЧА И ОБРАБОТКА ДАННЫХ
API
ПРОГНОЗИРОВАНИЕ СОСТОЯНИЯ ГЕНЕРИРУЮЩЕГО ОБОРУДОВАНИЯ
10. ВИДЫ АНАЛИЗА ДЛЯ
ОБНАРУЖЕНИЯ АНОМАЛИЙ
Кластерный анализ
Дискриминантный
анализ
Факторный анализ
Регрессионный
анализ
Дисперсионный
анализ
11. ПОДГОТОВКА ДАННЫХ И MACHINE
LEARNING
Сбор, агрегация и хранение
данных
Трансформация данных
Очистка данных
Обогащение данных
Уменьшение размерности
Сплит данных
Обучение моделей
Тестирование моделей
Оценка моделей
Дообучение или переобучение
моделей
12. Подходы, технологии
и модели Elpis Global
для обнаружения
аномалий
• Precise, Fast, Visual
• Identification – Detection –
Prediction
• Machine Learning based
• Rich and growing data
• Search and measure the relationship
between different anomalies
• Collection of correlated anomalies
(similar fingerprints, similar
magnitudes)
• Event Classification, Event Prediction
• System Health Score technology