SAYAÇ İZLEME VE DENETLEME SİSTEMLERİ

PIKO-OSOS-V1.1

TEMEL ÖZELLİKLER Merkezi bir noktadan gerçek zamanlı izleme Uzaktan sayaç okuma ve denetleme Modüler, esnek ve genişleyebilir mimari Farklı tüketim tiplerini (elektrik, su, doğalgaz...) destekleyen tek bir platform Altyapı ve suistimallerden kaynaklanan kaçakların tespit edilmesi

TEMEL ÖZELLİKLER Farklı sayaç, donanım ve fiziksel arayüzleri destekleme (Pulse, RS485, RF-ISM) Farklı protokolleri destekleme (MODBUS, Profibus, CANBUS...) Farklı geniş alan iletişim altyapılarını destekleme (ADSL, Fiber, GSM-GPRS...)

TEMEL ÖZELLİKLER Faturalama Arayüzü Akıllı Şehir Uygulamaları Arayüzleri Tüketim Profili izleme, olağan dışı durumları algılama Analiz, istatistik, kıyaslamalar, sapmalar, tutarsızlıklar, tahmin ve hedef belirleme (Veri Madenciliği, Yapay Zeka, Makina Öğrenmesi) Etkin iletişim algoritmaları (Self-Organizing Network) Veri iletim güvenliği ve veri kayıplarını önleyici mekanizmalar Uluslararası standartlara uyumluluk

HEDEFLER  Birinci aşamada;  Sayaç okuma ve müdahale işlemlerinin uzaktan yapılması  Bölge, semt, mahalle, sokak bazında tüketim detaylarının izlenmesi  Bölge, semt, mahalle, sokak bazında karşılaştırma raporlarının oluşturulması  Abone dağıtım noktalarına kadar şebeke altyapısının izlenmesi  Altyapı arızalarının tespiti  Altyapı kalitesinin izlenmesi  Altyapı + Abone tüketimlerini eşleştirerek kayıp ve kaçakların tespit edilmesi hedeflenmektedir.  Hizmet kalitesinin arttırılması, optimum maliyet

HEDEFLER  İkinci aşamada;  Birinci aşamada hedeflenen kayıp kaçak tespit mekanizmalarının iyileştirilmesi  Olası müdahale durumları için önlemler  Akıllı destek mekanizmaları  Analiz Yetenekleri  Bölge, semt, mahalle, sokak bazında tüketimlerin raporlanması  Tüketim örüntülerinin oluşturulması  Kıyaslamalar ve sapma hesaplamaları  Anlık, geriye dönük  Olağan dışı durumların tespit edilmesi  İstatistiklerin oluşturulması hedeflenmektedir.  Hizmet kalitesinin arttırılması, optimum maliyet

HEDEFLER  İlerleyen süreçte;  Farklı şebeke altyapılarına entegrasyon  Analiz yeteneklerinin geliştirilmesi  Öngörüleme  Öngörülen senaryolardan sapmaların hesaplanması  Etkin tüketim planlama tablolarının oluşturulması (diğer şebekelere entegrasyon önemli ***)  Altyapı planlama  Altyapı kalitesi iyileştirme  Akıllı Şehir uygulamalarına entegrasyon  Hizmet kalitesinin arttırılması, optimum maliyet

Yapay Zeka Nedir?

Makine Öğrenmesi  Geçmişteki verileri kullanarak veriye en uygun modeli bulmak.  Yeni gelen verileri de bu modele göre analiz edip sonuç üretmek.  Öğretici ile öğrenme Verilen bir veri seti için eldeki ‘doğru değerler’ algoritmaya verilir. Öğreticili öğrenme ile, verilen değerler kullanılarak geliştirilen model üzerinden yeni değerlerin tahminlemesi yapılır.  Öğreticisiz öğrenme Modele bir eğitici veri seti verilmez. Model elindeki veriyi işleyerek kendi kendine çıkarsama yapar. Çıktı, yoğunluk tahminlemesidir.

Ayrıksı Durumların Tespiti  Makine Öğrenmesi Modelleme çalışmaları için aşağıdaki senaryo oluşturulmuştur : Günde 3 zaman dilimi olacak şekilde veri üretecek. Her zaman diliminin tüketim aralığı birbirinden farklı olacak. Simülatör; belirli aralıklarla ayrıksı durumlar üretecek.

Oluşan Veri Grafiği  “x” ekseni verilerin değerleri,  “y” ekseni verilerin sayıları.  Makine öğrenmesi yöntemlerinden “Öğreticisiz Öğrenme” modelinin uygulanması ve bu amaçla “K-Means Kümeleme Algoritması”nın kullanılmasına karar verilmiştir.

PIKO-OSOS Ayrıksı Durum Tespiti  Sistemimizde gerçek zamanlı ve sürekli değişken veri ile çalışıyoruz.  Sistemden beklentiler: Sistemin değişken veriyi tahmin etmesi, Ne zaman değiştiğini belirlemesi, O zamandaki değer aralığını tespit etmesi, O zamandaki ayrıksı değeri tespit etmesi.  Uyarlamalı Model…

Temiz Veri Grafiği Ana Veri Grafiği Normal Gaussian Uygulanan Veri Grafiği

PIKO-OSOS Ayrıksı Durum Tespiti  Uyarlamalı Yapının Oluşturulması:  Ayrıksı durum sayıları belirli bir zaman aralığında tutulmuştur.  Normal veri sayısı belirli bir oranda ayrıksı veri sayısından azsa.  Sistem belirli aralıklarla kendi iç yapısını güncelleyerek değişen değer durumlarına adapte olmaktadır.

Yapay Zeka ve PIKO-OSOS  Geçmişe Dayalı Verilerden Gelecekle İlgili Çıkarımlar Yapma Bu kapsamda yapılan çalışmalarda; ayrıksı durum tespitlerinden sonra eldeki veriler analiz edilerek: Tahminleme Kıyaslama Öngörüleme gibi çalışmalar yapılmıştır.  Farklı ve yapısal olarak birbirine benzer veya yakın benzerlikte olan hatların karşılaştırılarak tüketimdeki tutarsızlıkların belirlenmesi  Aynı hatlar üzerindeki geriye dönük verilerle onaylanmış (ayrıksı durum tespit mekanizmaları işletilmiş) gerçek zaman verilerinin karşılaştırılması  Abone bazında geriye dönük verilerle onaylanmış gerçek zaman verilerinin karşılaştırılması

SONUÇ  Anlık ayrıksı durum tespitlerinde K-Means algoritması ile sistem çalıştırılmış ve istenilen sonuçlar alınmıştır. Hızlı, kendi kendine karar verebilen, yeni gelen verilere adapte olabilen bir yapı oluşturulmuştur.  Geçmiş veriler üzerinden fonksiyon oluşturulmuş, pilot işletme verileri fonksiyona girilerek işletmenin tüketim profili analiz edilmiştir.  Gelecek periyotlara ilişkin tüketim öngörüleri oluşturulmuştur. Günlük, Haftalık, Aylık. Yıllık bazda fonksiyonlar oluşturabilmek amacı ile uzun süreçli bir veriye ihtiyaç duyulduğu öngörülmüştür.

SONUÇ  Geçmişe yönelik veri sayısı ne kadar çok olursa oluşturulacak modelin başarım oranı o kadar yüksek olacaktır.  Geçmiş veriler incelerek bir sonraki periyodun senaryosu çıkartılmıştır. Senaryo işletilerek gerçekleşen enerji tüketim miktarları kıyaslanmıştır. Uyarılar üretilmiş ve iyileştirmeler yapılmıştır. Bu kıyaslamalar hat bazında, abone bazında veya tüm işletme bazında yapılabilmektedir.

Copyright © 2014 Pikotek