Umysły stojące za algorytmami

Dzięki algorytmom uczenia maszynowego eksperci ds. energii mogą bezpośrednio pokazać klientom, jakie oszczędności można osiągnąć korzystając z naszych usług.
  • Martin Eksberg

    Sales

  • Filip Lagerlöf

    Marketing

opublikowane

aktualizacja

Algorithms
Photo by Kiona of

Mitra Hajigholi i Raghunath Vairamuth to naukowcy – analitycy danych, którzy zajmują się uczeniem maszynowym i analizą danych wraz z Kiona. Pracowali nad kilkoma projektami związanymi z analizą danych, takimi jak Peak Control 2.0, AI sterowanie i konserwacja predykcyjna.

Co to jest uczenie maszynowe?

Uczenie maszynowe (Machine Learning, ML) to rodzaj sztucznej inteligencji (AI), która pozwala oprogramowaniu stać się lepszym w przewidywaniu wyników, bez wcześniejszego zaprogramowania do tego celu. Działa prawie w ten sam sposób, w który uczą się ludzie, a jego dokładność poprawia się z czasem. Przeczytaj więcej o ML w Wikipedii

Jednym z cennych rezultatów jest nasz algorytm sterowania, który pozwala nam zobaczyć, jak zużycie energii zmienia się w zależności od temperatury, w czasie rzeczywistym. Wcześniej, zużycie energii analizowano i porównywano do danych z roku referencyjnego.

Spostrzeżenia klientów

Mitra i Raghunath kontynuują pracę z platformą. Jednym z ważnych aspektów tego zagadnienia jest gromadzenie odpowiednich danych w oparciu o potrzeby klientów dotyczące zakresu informacji.

Mitra przeprowadziła kilka wywiadów, aby określić, jakie dane klienci chcą zobaczyć, którymi są zainteresowani i dlaczego te właśnie informacje są dla nich niezbędne. Wygenerowane dane zostaną wykorzystane do stworzenia nowych algorytmów uczenia maszynowego. Pozwoli nam to na tworzenie lepszych, bardziej intuicyjnych i lepiej wizualizowanych raportów, które mogą być dostosowane do każdego klienta.

Zebraliśmy również więcej punktów danych związanych z pogodą, aby ulepszyć nasz algorytm sterowania. W ten sposób możemy pomóc klientom identyfikować szczyty poboru energii na większą skalę.

Raghunath Vairamuth
Analityk danych, Kiona

Zebraliśmy również więcej punktów danych związanych z pogodą, aby ulepszyć nasz algorytm sterowania. W ten sposób możemy pomóc klientom identyfikować szczyty poboru energii na większą skalę. Możemy również proaktywnie ostrzegać firmy energetyczne z kilkudniowym wyprzedzeniem, mówi Raghunath.

Wykorzystanie danych w celu zwiększenia efektywności energetycznej

Oprócz powyższego, Mitra i Raghunath pracują nad poprawą konserwacji prognozowanej. Tutaj dane są wykorzystywane do analizy wydajności systemu centralnego ogrzewania. Zaawansowana analiza ilości ciepła, które wchodzi i opuszcza system grzewczy, umożliwia wykrycie nieszczelności lub odchyleń.

– Musimy pomóc klientom zrozumieć wartość zbierania poprawnych danych z ich portfolio budynków i tego, jaki rodzaj danych jest cenny. To wtedy sytuacja staje się korzystna dla wszystkich, z perspektywy środowiska, klienta i kosztów, podsumowuje Mitra.

  • Ogrzewanie
  • optymalizacja energii
  • AI

Chcesz dowiedzieć się więcej o naszym samouczącym się systemie opartym na silniku AI?