minenergo elpis 27022017

Презентация компании Elpis Labs – для Министерства Энергетики Российской Федерации

“Data is the new Oil” – German Greff, chairman & CEO of Sberbank

2

НЕОБХОДИМОСТЬ ПОДНИМАТЬ ЭФФЕКТИВНОСТЬ ЭНЕРГЕТИЧЕСКОЙ ОТРАСЛИ В РОССИИ

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 электроэнергии0.04%

Низкая энергоэффективность связана с поведением домохозяйств и бюджетных организаций, чье поведение трудно изменить при относительно низких тарифах и дорогих энергосберегающих технологий

≠

НЕОБХОДИМА СБАЛАНСИРОВАННОСТЬ ПРИ ВНЕДРЕНИИ НОВЫХ 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

ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ ELPIS

LABS

ЦЕЛИ МИНИСТЕРСТВА ПРИ СОЗДАНИИ СИСТЕМЫ УПРАВЛЕНИЯ ЭНЕРГЕТИКОЙ

5

ДОСТИЖЕНИЕ ЦЕЛЕЙ УПРАВЛЕНИЯ С 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

МЕСТО ELPIS LABS В АРХИТЕКТУРЕ ИНДУСТРИАЛЬНОГО ИНТЕРНЕТА ВЕЩЕЙ

8

Датчики Счетчики РегуляторыСенсоры

Подключаемое оборудование

ТЕХНОЛОГИЧЕСКОЕ ОБОРУДОВАНИЕ СБОРА ИНФОРМАЦИИСетевые шлюзы (коммутаторы, маршрутизаторы)

ПЕРЕДАЧА И ОБРАБОТКА ДАННЫХ

API

ПРОГНОЗИРОВАНИЕ СОСТОЯНИЯ ГЕНЕРИРУЮЩЕГО ОБОРУДОВАНИЯ

Виды аномалий

Шум Неоднознач-ность

Новое состояние

Постоянное изменение

Посторонний объект

Постороннее воздействие

Выброс

Исключение

Отклонение

ВИДЫ АНАЛИЗА ДЛЯ ОБНАРУЖЕНИЯ АНОМАЛИЙ

Кластерный анализ

Дискриминантный анализ

Факторный анализ

Регрессионный анализ

Дисперсионный анализ

ПОДГОТОВКА ДАННЫХ И MACHINE 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

Подходы, технологии и

модели Elpis 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

Пример поиска сетевых аномалий

ОБЩЕЕ СОСТОЯНИЕ СЕТИ

ПОИСК АНОМАЛИЙ ПО

ТРАФИКУ

ПОИСК АНОМАЛИЙ ПО

ЗАДЕРЖКАМ

ИССЛЕДОВАНИЕ АНОМАЛИИ

18

СВЯЖИТЕСЬ С НАМИ ДЛЯ ОБСУЖДЕНИЯ ПИЛОТНОГО ПРОЕКТАsergey@elpis.global, oleg.fateev@elpis.global