Adatbányászat Blog

Az Adatbányász Blogon a dmlab szakértőinek írásait olvashatod a big data és data science területéről.

dmlab.hu - Big data és data science tanácsadás
"Ha örülsz, hogy fejedre nőttek az adatok."

Keress minket bátran:
- Nagy-Rácz István +36704595669
- Gáspár Csaba +36208234154
- info@dmlab.hu

Hírlevél

Iratkozz fel hírlevelünkre, hogy mindig naprakészen tudjunk tájékoztatni.
Feliratkozás
Leiratkozás

 

Címkék

10éves (1) 2007 (1) 2010 (23) 2011 (27) 2012 (13) 2013 (23) 2014 (5) 2015 (6) 2016 (10) 2017 (4) 2018 (4) 2019 (1) adaptív (1) adat- és médiainformatika (1) adatárusítás (1) adatbányászat (11) adatbányászati algoritmusok (1) adatbányászati alkalmazások (2) adatbányászati meetup (1) adatbányászati oktatás (1) adatbányászati technológiák (4) adatelemzés (2) adatelemzési platformok (1) adattárház (5) adattárház fórum (6) adattárolás (1) adattisztítás (1) adatvédelem (2) advise (2) aegon (1) aglitás (1) agy (2) ai (1) AI (3) ajánló (11) ajánlórendszerek (1) aktivitás felismerés (1) algoritmus (1) alkalmazás (3) állásajánlat (1) amazon ec2 (1) ambiens (1) ami (1) amuse (1) analitika (1) analytics (1) andego (3) apache (1) api (2) Arató Bence (3) artificial intelligence (2) bank (1) Barabási (2) barabási (2) beharangazó (1) beharangozó (18) bejelentés (2) belami (1) best practice (9) beszámoló (15) Bi (1) bi (13) BI (5) bi-trek (1) biconsulting (7) bigdata (29) Big Data (3) big data (12) biopen (1) biztosító (1) BI Akadémia (1) bi consulting (1) bi start (1) blockchain (1) blog (6) bme (2) BME (15) bootcamp (1) brainstorming (1) bsp (1) budapest (1) business analytics (1) business analytics szakirány (1) cancer detection (1) churn (2) ci (1) címkefelhő (2) CIO (1) clementine (1) Clementine Consulting (1) cloud computing (2) cognos (1) credit scoring (1) crisp-dm (1) crm (2) Cruncconf (1) crunch (2) csalásdetektálás (1) DataExpert (1) dataexplorer (1) datapest (1) datascience (5) datasource (1) data engineering (1) data mining (1) data science (8) deep learning (1) diplomamunka (1) dmla1o (1) dmlab (15) döntési fák (1) döntéstámogatás (1) drill (1) e-commerce (1) egészségügy (1) előadás (24) előrejelzés (1) élő közvetítés (1) Enbrite.ly (1) energetika (1) esemény (2) esettanulmány (3) ethics (1) etikus (1) etl (2) eu (1) évforduló (3) fejlesztés (2) felmérés (5) felsőoktatás (1) felület (1) felvásárlás (3) film (1) fizetés (1) forecasting (1) forgalomelőrejelzés (2) foursquare (1) fraud detection (1) free (1) freebase (1) gartner (2) gazdasagi informatikus (2) gdpr (1) gépi tanulás (5) gépi tanuló algoritmus (1) google (8) google analytics (1) graphlab (1) gravity (3) greenplum (1) gyakorlat (1) hackhaton (1) hadoop (10) hallgatók (2) hálózatelemzés (3) hálózatkutatás (2) hálózatok (3) hazai (2) hiba (4) hírlevél (2) hive (1) honlap (1) HR (1) HVG (1) i5 (1) ibm (6) ibm modeler (1) ibm spss (3) icdm (1) idc (2) idősor (1) idősorok (1) ieee (1) iir (1) image processing (1) impact (1) infobright (1) információbróker (1) innováció (5) innovatívBI (1) innovativ bi (4) inspiráció (1) intelligencia (2) interjú (1) Internet Hungary (1) iqsymposium (19) iqsys (16) iroda (4) jelentkezés (2) jmp (2) job (1) kaggle (2) kampánymenedzsment (1) kapcsolati hálók (1) karrier (1) kdd (3) kdnuggets (2) képfeldolgozás (1) képzés (6) kérdés (2) kérdőív (1) kerekasztal (1) keresés (1) kereső (1) keresztvalidáció (4) kína (1) klaszterezés (2) knime (1) kockázati tőke (1) kollaboratív munka (1) kompetencia (1) konferencia (73) könyv (6) környezet (1) közlekedés (1) közösség (2) közösségi hálózatok (4) közvetítés (6) kritika (1) küldetés (1) kürt akadémia (1) kutatás (2) lemorzsolódás (1) licensz (1) live (1) logisztika (2) machine learning (3) magyar telekom (2) mahout (1) mapreduce (1) marketplace (1) média (2) meetup (11) mellékspecializáció (1) mém (3) memóriacentrikus (1) menedzsment (3) metaadat (1) metodika (2) microsoft (1) mobil (5) mobil bi (4) modeler (2) modell (3) morgan stanley (1) motion chart (1) munkaerő (2) mysql (1) mytraffic (4) nemzetközi (5) nemzetközi összehasonlítás (1) netflix prize (1) networking (1) next big thing (1) nips (1) nosql (1) nyílt forráskód (4) nyitott (1) nyomkövetés (1) offline áruházak (1) okostelefon (1) oktatás (24) olvasók (1) online áruházak (1) online kutatás (1) open source (19) open source bi (3) operatorfa (1) osbi (12) összehasonlítás (1) ötletek (2) pandas (2) paradoxon (1) pascal (1) pentaho (1) personal data mining (1) phd (2) philips (1) piac (3) pikk (1) pilot (1) PISA-felmérés (1) pmml (1) politika (2) powerpivot (1) prága (1) praktiker (1) prediktív analitika (2) prediktív analitka (1) prediktiv modellezés (5) prediktív modellezés (1) prezi (15) privacy (1) privacy preserving data mining (1) product management (1) projekt (1) projektmenedzsment (6) publikáció (1) python (10) pytorch (1) radoop (12) random forest (1) rapid-i (2) rapidanalytics (7) RapidMiner (2) rapidminer (41) rcomm (7) refine (1) reinforce (1) Rexer Analytics (1) rsctc (1) R nyelv (7) saas (1) sap (1) SAS (20) sas enterprise miner (2) sas enterpris guide (1) sas entprise miner (1) sas fórum (1) sas forum (3) siker (3) simptech (1) sixtep (2) smarthabits (1) spike sorting (1) sportanalitika (1) spss (13) SPSS (3) spss clementine (3) spss hungary (5) spss modeler (6) ssd (1) starschema (2) startup (9) statisztika (1) survey (1) svm (1) szabad szoftver (1) szakmai (1) szavazó eljárások (2) szélenergia (1) szélerőmű (1) szervezetfejlesztés (2) szociális hálók (1) szoftver (5) szöveg (1) szövegbányászat (2) sztaki (2) tableau (1) talend (2) támogatás (1) tanfolyam (1) tanulmány (1) tanulság (1) távolság (1) technológia (1) tedx (1) telekommunikáció (2) tensorflow (1) teradata (2) teszt (1) text mining (1) tmit (6) toborzás (1) tőzsdei előrejelzés (1) tracking (1) trendek (9) tudományos (1) tunedit (1) twitter (17) ügyfél (1) usa (1) üzleti intelligencia (3) üzleti modell (3) üzleti reggeli (4) választható tárgy (1) validáció (4) válogatás (1) válság (1) változás (1) vélemény (1) véleméy (1) verseny (20) vezetői képzés (1) videó (3) vizualizáció (5) web (4) web2 (2) webanalitika (3) webshop (1) weka (2) wikipedia (2) workshop (2) yahoo (2) Címkefelhő

TWitter a csapat tagjaitól

2019.01.25. 13:22 trapphenci

Új tényező a rezsicsökkentésben

Címkék: interjú döntéstámogatás dmlab big data adatelemzés BI

 

uj_tenyezo_a_rezsicsokkentesben_1.jpg A cikk eredetileg a Gyártástrend magazinban jelent meg, nyomtatásban.


Az energiapiac liberalizációja egy új eljárást tett szükségessé az energetikai szektorban, ez pedig nem más, mint az energiafogyasztás minél pontosabb előrejelzése, az adatalapú döntéstámogatás.

A Dmlab alapítójával, Gáspár Csabával beszélgettünk arról, hogy az adattudósok hogyan tudnak segíteni a vállalatoknak, hogy optimális árat fizessenek az áramért és, hogy tudnak az energia kereskedőknek olyan előrejelzéseket adni, ami őket segíti abban, hogy mennyi megtermelt áramot biztosítsanak az ügyfeleiknek, támogatják őket a helyes üzleti döntések meghozatalában. Minden cégnél, de különösen a kis- és közepes vállalkozásoknál fontos kérdés, hogy miként lehet rezsit csökkenteni. A cél az optimális energiafelhasználáson túl, hogy a lehető legjobb áron jusson hozzá az áramhoz.

ADATALAPÚ DÖNTÉSTÁMOGATÓ RENDSZER   

GYT: A negyedik ipari forradalom derekán, az automatizáció és a digitális eszközök korában könnyen gondolhatnánk, hogy a fejlett SAP és MES-rendszerek már a pontos áramfogyasztást is előre tudják jelezni. Miben tud segíteni akkor a Dmlab?
Gáspár Csaba: A Dmlab előre tudja jelezni az energia felhasználását.  A kereskedőknek és a fogyasztóknak segítünk minél pontosabb előrejelzést adni

GyT: Ez miért fontos?  
GCs: A digitális transzformáció mellett az energetikai piac liberalizációja is folyik és maga a szabályozás is most követi le az igényeket. Aki jobban meg tudja mondani, hogy mikor mennyi áramot akar felhasználni, annak olcsóbban tudják azt adni. Ugyanez vonatkozik a gázra is, az előrejelzés képessége fontos üzleti potenciál lett. Az energiaszolgáltatók már napon belül is kereskedhetnek, ha nem találják el, hogy mennyi áramot fogyasztanak, akkor mindenképpen veszteség keletkezik, mert vagy sok az áram a rendszerben, aminek egy részét feleslegesen állították elő és büntetést kell fizetni, vagy mert kevés az áram és a kimaradás elkerülése érdekében hirtelen meg kell venni az adott mennyiséget máshonnan.

Az áramigényt negyedórás, a gázigényt egynapos felbontásban kell megmondani mennyi energiát fogyaszt az ügyfél és azt a hálózatból le is veszi a kereskedő. Ha utóbbi szereplő nem tudja megmondani, hogy mennyi lesz a fogyasztás az összes fogyasztójára nézve, akkor nem piaci, hanem csak emelt áron tudja csak megvenni a szolgáltatótól, mert hirtelen kell a központnak előállítania a szükséges energiamennyiséget, vagy felesleget termel és a CO2 kibocsátási kvóták miatt ez is pénzbe kerül.

 ADATELEMZŐ ALGORITMUSOK A OLCSÓBB ENERGIÁÉRT 

GyT: A digitális innováció megteremtette annak a lehetőségét, hogy méréseket és így pontosabb előrejelzéseket adjanak. Mi okozza mégis a kihívást a vállalatok számára?
GCs: Folyamatszervezés szempontjából, az első dolog amit meg kell nézni, hogy adott vállalat mennyire tudja belőni az energiafogyasztását. Ez historikus adatokból valamennyire előrejelezhető, de önmagában  kevés, viszont ha van egy termelésirányítási szoftver is az adatok mellett, akkor egyszerű feladat előrejelezni. Így sokkal jobban meg tudja ítélni, mint a kereskedő, akinek csak a villanyóra adatai állnak rendelkezésre. Ez utóbbi adatokat, tehát a mérőállást automatikusan egy SIM-kártya küldi 15 percenként az adatközpontba. Ha kiszámítható egy üzem energiafelhasználása, márpedig az, hiszen ismertek gépek, van egy gyártási terv, tudható, mennyi lesz a fogyasztás -, akkor lehet az energiaszolgáltatónál kedvezőbb árat elérni. Ezért a nagy energiafogyasztóknak megéri egy okos algoritmust beszerezni. Ami a kihívást okozza az a termelési kiugrások, ezt külön kell jelezni az áramszolgáltató diszpécsere felé. Ilyen volt például egy hazai vegyipari gyárban, ahol gyereknapot tartottak egy olyan szombaton, amikor egyébként munka szokott folyni. Mivel sok gyereket vártak az üzembe, leállították a termelést, viszont ezt elfelejtették jelezni, a szolgáltató a megszokott mennyiséget biztosította, a felesleg miatt így milliós tételekre rúgott végül a babazsúr költsége. Az áramkereskedő számára a legnehezebben előrejelezhető időszakok az ünnepnapok, a 4 napos munkaszünetek. Ilyenkor vannak vállalatok, amelyek leállnak, vagy egyik napon csökkentett műszakszámban gyártanak, de mondjuk egy kohó semmikor nem állhat le.

 ADATFELHASZNÁLÁS ÉS OPTIMALIZÁCIÓ

GyT: Hol tud megtakarítást elérni egy vállalat a energiafelhasználás tekintetében?
GYCs: Két oldalon tud spórolni egy gyár, a vásárlásnál és a felhasználásnál. Az optimális felhasználás az üzemeltetők, gyártásvezetők hozzáértésétől függ. A felhasználás optimalizálása általában ott szokott előjönni, hogy vannak eszközök, aminek az energiafelvétele nem csak a termeléstől, hanem az ütemezéstől is függ - bemelegedő alkatrészek - ennek a szervezését mindenki elvégzi. Mindig a folyamatok komplexitása határozza meg, hogy mennyire optimalizálható az energiafelhasználás. Ha a gyártási terv sérül - mert dolgozók nem végeznek el feladatokat, vagy egy gép selejtet kezd gyártani - a kiszámíthatóság is nehezebb lesz. A legjobb áron pedig akkor tudja beszerezni az áramot, ha lehető legpontosabb előrejelzést tudja adni a saját fogyasztására nézve. Tipikusan az áramkereskedőknek és a nagyfogyasztóknak tudunk segíteni. A nagyvállalatoknál most kell kialakítani azt a szakértő gárdát, akik értenek az adatokhoz, ami természetesen nem csak az energiahatékonyságban, de a termelésben, értékesítésben, karbantartásban is a legfontosabb eszközzé vált a digitális forradalomban. Az elképzelésünk, hogy összekapcsoljuk az embereket az adatokkal, hogy felfedezhessék az analitika hozzáadott értékét a vállalkozásukban.

GyT: Mi a helyzet az időjárással, annak a kiszámíthatatlansága is befolyásolja az energiaszükségletek előrejelezhetőségét?
GYCs: Az időjárás régóta és egyre jobban előrejelezhető, de kétségkívül az egyik legfontosabb eleme ennek, főleg a nagyüzemekben, plázákban, csarnokokban, ahol nagy légköbmétert kell klimatizálni. Ha betör a hideg vagy a meleg mindenki egy irányba kezd túlfogyasztani, a kereskedőknek így az időjárási adatokat is szinte folyamatosan figyelembe kell venni, hiszen az olyan intézményekben, mint a bevásárlóközpontok, már 12 °C fok felett elkezdik a  légkondicionálást. Az adattudomány, a BIG DATA alkalmazható azokra az áramellátási problémákra is, amelyekkel az egyre nagyobb számú, megújuló energiát használó gyár szembesül. A környezeti adatok, mint például a hőmérséklet, a páratartalom és a rezgés gyűjtésével olyan még komplexebb modelleket lehet létrehozni, amelyek képesek feltárni a historikus környezeti és üzemi mérések közötti összefüggéseket.

 GIGANTIKUS MEGTAKARÍTÁS AZ ADATOK EREJÉVEL

GyT: Be tud mutatni olyan példát az energetikai szektorból, amikor az adatok segítségével óriási megtakarítást értek el és olyat, amikor nem lehet adatokkal megoldani a problémát?
GCs: Igen. Egy kőolajfinomítóban a finomítást követően a kőolaj és benzin után pakura marad, amit utókokszolással kezelnek, hatalmas 50 méter magas acéltartályokban, amiket csak Japánban gyártanak. A hevítés során az elpárolgó gőzöket felfogják és értékesítik, a pakurából pedig szén lesz. Az eljárás úgy néz ki, hogy a szilárd kokszot - amiben zárványok vannak - kifúrják, miközben vízhűtést alkalmaznak, ennek során gőz keletkezik és felrobbanak a zárványok, a fúrófej elhajlik, a tartály rongálódik a robbanásoktól. A kérdés az volt, hogy meg tudjuk-e mondani, hogy mitől függ a kokszrobbanás. Szenzoros mérésekből érkeztek az adatok, mint az átfolyási sűrűség, hőmérséklet, nyomás, további paraméterek keletkeztek, amelyek között az olajmérnökök összefüggést fedeztek fel. Miután a gyártási folyamatba egy új elemet helyeztek el, ami a mért adatokat megfelelő irányba módosította, megszüntek a gőzrobbanások. De vannak olyan rendszerek, ahol változó tényezők vannak jelen. Például nézzük a mozdonyt, ami vissza is termeli az áramot, rettenetesen rosszul elrőrejelezhető, hogy mikor mennyi energiára lesz szükség, hiszen késések vannak, és az említett 15 perces bontásnál egy 5 perces késésnél már más az eredmény. A vasúti teherszállítmányozásban még hektikusabbak az adatok.

Az adatvezérelt innováció következő szakasza az energetikában megy végbe. Az energiafogyasztás, valamint az ipari üzemek termelése terén az előrelépést az intelligens megoldások alkalmazása és a pontos előrejelezhetőség kínálja.



Szólj hozzá!

A bejegyzés trackback címe:

https://adatbanyaszat.blog.hu/api/trackback/id/tr7514561698

Kommentek:

A hozzászólások a vonatkozó jogszabályok  értelmében felhasználói tartalomnak minősülnek, értük a szolgáltatás technikai  üzemeltetője semmilyen felelősséget nem vállal, azokat nem ellenőrzi. Kifogás esetén forduljon a blog szerkesztőjéhez. Részletek a  Felhasználási feltételekben és az adatvédelmi tájékoztatóban.

Nincsenek hozzászólások.