Download to read offline
Minenergo elpis 27022017
- 1. Презентация компании ElpisLabs – для Министерства Энергетики Российской Федерации “Data is the new Oil” – German Greff, chairman & CEO of Sberbank
- 2. НЕОБХОДИМОСТЬ ПОДНИМАТЬ ЭФФЕКТИВНОСТЬ ЭНЕРГЕТИЧЕСКОЙОТРАСЛИ 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 ВНЕДРЕНИИНОВЫХ 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.
- 4.
- 5. ЦЕЛИ МИНИСТЕРСТВА ПРИСОЗДАНИИ СИСТЕМЫ УПРАВЛЕНИЯ ЭНЕРГЕТИКОЙ 5
- 6. ДОСТИЖЕНИЕ ЦЕЛЕЙ УПРАВЛЕНИЯС 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 LABSВ 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
- 9.
- 10. ВИДЫ АНАЛИЗА ДЛЯ ОБНАРУЖЕНИЯАНОМАЛИЙ Кластерный анализ Дискриминантный анализ Факторный анализ Регрессионный анализ Дисперсионный анализ
- 11. ПОДГОТОВКА ДАННЫХ ИMACHINE 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 моделиElpis 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
- 13.
- 14.
- 15.
- 16.
- 17.
- 18. СВЯЖИТЕСЬ С НАМИДЛЯ ОБСУЖДЕНИЯ ПИЛОТНОГО ПРОЕКТА sergey@elpis.global, oleg.fateev@elpis.global 18