Мы привыкли к ярким кейсам применения Big Data в Маркетинге, Продажах и Рекламе. Пришла пора перейти к более "тяжелым" отраслям. Энергетические компании все чаще начинают примерять подходы к работе с Big Data на свои накопленные массивы данных и собираемые в реальном времени. Так могут ли Большие Данные "предотвратить" аварию в энергосистеме, так называемый блэкаут (blackout)?
По статистике различных консалтинговых агенств еще в 2012-2013 годах в Энергетике почти 60% респондентов не рассматривали аналитику данных в качестве приоритетных задач. В 2014 году по оценке Capgemini 80% компаний в энергетической отрасли считают, что Большие Данные предоставляют новые возможности о бизнесе, а 75% считают критическим фактором для выживания в будущем. Для каких задач и кейсов, читаем дальше.
В апреле 2015 года Capgemini выпустили отчет "Are Utilities Powering Up Their Data Analytics" (доступен по ссылке), в основе которого анализ клиентов из Энергетической отрасли в части применения аналитики больших данных.
Энергетика - одна из наиболее консервативных отраслей и в отличие от Нефтяного, Телеком и Финансового сектора пока еще не существенно продвинулась в реализации подобных проектов. Более 40% задач относятся к обычной отчетности и только 26% в части анализа данных реального времени.
Увеличение числа проектов по аналитике данных в реальном времени вызвано существенным ростом числа датчиков и устройств, выступающих в роли непрерывного генератора данных.
К 2017 году число "умных датчиков" достигнет 680 млн штук, "создающих" 280 петабайт данных ежегодно.
Существует 3 типа задач (3 уровня зрелости компании) в части применения результатов аналитики больших данных:
- Применение аналитики для отчетности и визуализации данных. Самый простой и распространенный сценарий;
- Построение прогнозных моделей и моделирования поведения систем в будущем . Использование моделей машинного обучения для прогнозирования сбоев в сети, моделирования тарифов, планирование развития сети и многое другое;
- Применение данных в реальном времени для динамического управления системами. Регулирование выработки энергии, перераспределение нагрузки, управление сбоями, прогнозы потребления энергии, управление потреблением энергии и другие интеллектуальные задачи.
Объединение возможностей машинного обучения и данных, получаемых с датчиков в реальном времени открывает новые возможности для энергетических компаний в различных сферах своей деятельности. Но только при такой комбинации возможно превентивное предотвращение сбоев в энергосети и снижение рисков возникновения аварий.
Более подробно результаты отчета представлены в презентации.