Machine learning skal forhindre energisystemer i at kollapse

Internet of Things-projekter med machine learning skal bl.a. spotte sensorer og komponenter i energisystemer, som er i fare for at falde ud - inden det sker. Der kan spares store summer på at forøge oppetiden.

Det amerikanske udenrigsministerium har taget et stort skridt fremad i Internet of Things-udviklingen med et nyt samarbejde, som vil betyde etablering af en udviklingsplatform, der skal føre til nye applikationer, som kan styre energisystemerne i organisationens mange grene og afdelinger på verdensplan. Det skriver Networkworld.com

Department of State vil 'få adgang til dynamiske, real-time rapporter om drift og effektivitetsgrader ved at analysere ... data fra organisationens mere end 22.000 nationale og internationale systemer og sensorer, som er placeret i mere end 190 lande', lyder det fra den californiske leverandør af Internet of Things-platformen C3 IoT.

C3 IoT har indgået en kontrakt med det amerikanske udenrigsministerium på 25 millioner dollars.

C3 IoT er ifølge virksomhedens egen beskrivelse leverandør af et udviklingsmiljø, der tillader organisationer at udvikle applikationer, der anvender data fra virksomhedens mange forskellige it-systemer som ERP, CRM og fabriksautomation.

Fransk energigigant vil også anvende IoT

C3 IoT har også indgået en kontrakt med det store fransk-baserede multinationale selskab, ENGIE. Her vil man anvende IoT-platformen til 'en digital transformation', lyder det fra CIO Yves Le Gelard.

Læs også: Myriader af standarder hæmmer udviklingen af Internet of Things

Direktør i C3 IoT Thomas Siebel, som er tidligere ejer af Siebel Systems, oplyser til Networkworld, at man har 20 storskala-implementeringer i gang på verdensplan.

Det største projekt er i gang hos det italienskbaserede elproduktions- og transmissionsselskab, Enel, som anvender data fra 61 millioner elmålere placeret i 40 lande.

Men man anvender også data fra eksterne systemer som sociale medier, vejrsystemer og andre sensornetværk,

Energisystemer med SCADA-netværk med deres enorme antal komponenter og sensorer genererer gigantiske mængder data, og derfor er anvendelsen af machine learning nødvendig for, at man kan få mening ud af de mange data, som samlet set kan omfatte data i petabytes-klassen og vokse med giga- eller terabytes dagligt, lyder det:

»Vi er nødt til at anvende machine learning for at kunne udvikle en praktisk anvendelse af predictive analytics,« siger Thomas Siebel.

Læs også: It-fagmand: Dukker, løbeure og elpærer på nettet er et kæmpe problem for it-sikkerheden

Predictive analytics bliver i ENGIE anvendt til at udpege de enheder og komponenter, som der er størst risiko for vil gå ned. Men også til at forklare baggrunden herfor - og hvad sandsynligheden er for et stort kollaps.

Ifølge Yves Le Gelard hos ENGIE vil det at kunne forudsige, hvilken komponent i en af virksomhedens vindmølleparker, som er på vej til at svigte, være en kæmpe fordel og helt nyt.

ENGIE forvalter også meget store kraftværker, ledningsnet og transformerstationer, så der er mange penge at spare, hvis man bare kan forøge oppetiden med ét procentpoint.

En forøgelse af oppetiden med ét procentpoint vil i Danmark i praksis være umulig, idet vores oppetider i energisystemerne allerede ligger tæt på 100. Men sådan forholder det sig ikke nødvendigvis i alle andre lande.

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Følg forløbet
Kommentarer (0)
sortSortér kommentarer
  • Ældste først
  • Nyeste først
  • Bedste først
Log ind eller Opret konto for at kommentere