Varför behöver vi en taxonomi för fel i fjärrvärmesystemet?

Allt fler fjärrvärmebolag arbetar aktivt för att se till så att värme produceras, distribueras, och används så effektivt som möjligt i deras fjärrvärmesystem. Anledningarna till detta är många och inkluderar bland annat minskade distributionsförluster, och bättre möjligheter att nyttja värme från förnybar eller återvunnen energi, vilket på sikt leder till minskad användning av resurser och en mer miljövänlig värmeproduktion.

För att systemen ska bli mer effektiva är det viktigt att de enskilda beståndsdelarna i systemet fungerar så bra som möjligt. En “beståndsdel” som ofta fungerar sämre än vad den har potential för är fjärrvärmecentraler och värmesystem i de anslutna byggnaderna. I både fjärrvärmecentralen och värmesystemen kan olika typer av problem uppstå, som på olika sätt påverkar byggnadens, och därmed fjärrvärmesystemets, effektivitet. Dessa problem kan vara fysiska fel, t.ex. att en temperatursensor går sönder, eller fel som beror på den mänskliga faktorn, t.ex. att inställningarna i reglercentralen är suboptimala vilket gör att värme används på ett mindre effektivt sätt i byggnaden. Vill vi nå effektiva fjärrvärmesystem är det därför viktigt att vi arbetar aktivt med att hantera dessa olika problem, och se till så att de hanteras strax efter att de har uppstått.

Att aktivt åtgärda fel låter enkelt, men det är inte alltid så enkelt att hitta de fjärrvärmecentraler och värmesystem som innehåller ett fel. I vårt senaste webinarie om feldetektering i fjärrvärmesystem pratade vi om hur fjärrvärmebolag, med relativt enkla medel, kan förbättra sitt interna arbete för att identifiera fjärrvärmecentraler och värmesystem där det troligtvis finns ett (eller flera) fel. Ett steg i rätt riktning är att implementera automatiserade metoder för feldetektering i arbetsprocesserna, för att snabba på och effektivisera hanteringen av fel. Detta är möjligt då fel i fjärrvärmecentraler och värmesystem ofta ger upphov till avvikande mönster i kunddata, som automatiserade algoritmer designade för detektering av fel kan upptäcka. Sådana algoritmer skulle till och med kunna göra det möjligt att upptäcka fel strax innan de uppstår.

Automatiska feldetekteringsmetoder finns dock i dagsläget inte tillgängliga i större skala i kommersiella verktyg som hanterar stora mängder fjärrvärmedata. En anledning till detta är att utvecklingen av sådana verktyg ofta kräver att man har tillgång till så kallad “labelled” eller “uppmärkt” data. Labelled data kan beskrivas som data där ett specifikt fel har uppstått vid ett specifikt tillfälle. Dessutom ska den informationen vara nedskriven digitalt på ett sätt som gör att det är enkelt att koppla informationen om fel till specifika tidsperioder i data. Har man tillgång till den här informationen kan vi ju se om de fjärrvärmecentraler och värmesystem som identifieras av en feldetekteringsalgoritm faktiskt har haft fel i sig eller inte. Ett slags facit, helt enkelt!

En otroligt viktig aspekt av detta är att information om samma typ av fel registreras på samma sätt varje gång, oavsett om det är Kalle eller Lisa som har hittat felet. Det är också viktigt, oavsett vilket bolag Kalle och Lisa jobbar på, att informationen ser likadan ut bolagen emellan. Detta gör det mycket lättare att skapa välfungerande och träffsäkra algoritmer för feldetektering som fungerar i många olika fjärrvärmesystem.

För att lägga till ännu en dimension till utmaningen med automatiserade feldetekteringsmetoder, är det även så att det inte enbart är faktiska fel som ger upphov till avvikelser i kunddata. Ett plötsligt avvikande beteende hos en kund, t.ex. att en familj med fem tonårsbarn som duschar länge och ofta flyttar in i ett hus där en ensam pensionär bott tidigare, kommer också att dyka upp som ett avvikande mönster i kunddata. Därför är det också väldigt viktigt att denna typen av avvikelser märks upp på ett tydligt och strukturerat sätt, så att även den datan kan användas för att skapa automatiserade feldetekteringsalgoritmer.

Men hur ser vi då till att informationen ser likadan ut varje gång samma typ av fel hittas i en byggnad? Jo, genom att se till att det finns ett på förhand bestämt sätt att beskriva olika typer av fel. För just detta syfte har en taxonomi tagits fram, som benämner alla nivåer på avvikelser, felorsaker, komponenter, och åtgärder. Det finns två huvudsakliga syften med en sådan taxonomi:

1. Att förse fjärrvärmebranschen med ett strukturerat och standardiserat sätt att märka upp avvikelser som uppstår i kunddata på grund av fel i fjärrvärmecentraler och värmesystem
2. Att hjälpa till att skapa uppmärkta dataset för utveckling av dataanalys-verktyg som automatiskt kan upptäcka fel fjärrvärmecentraler och värmesystem.

Taxonomin bör bestå av så många olika typer av fel eller avvikelser som möjligt. Den bör även innehålla information om när och var i fjärrvärmecentralen eller värmesystemet felet eller avvikelsen har uppstått. Detta innebär att taxonomin måste innehålla en hel del information om de olika felen och avvikelserna, och att den informationen måste struktureras på ett sätt som är logiskt och lätt att förstå och följa. Dessutom bör varje fel kunna omnämnas med en etikett bestående av ett fåtal ord och som tydligt beskriver vad det är som har hänt. Tanken är sedan att denna etikett ska användas för att märka upp dataset som innehåller avvikande datamönster, så att det är tydligt vilken orsak som ligger bakom avvikelsen i data. Med den här datan kan man sedan träna statistiska modeller att känna igen olika avvikande mönster i datan.

Har ni funderat över hur viktig den information ni samlar in från era fjärrvärmesystem, i form av exempelvis serviceloggar, är för utvecklingen av sådana metoder? Eller har kanske denna bloggpost fått er att inse att ni är intresserade av att förbättra hur ni registrerar olika typer av fel och avvikelser i era system? Anmäl er i sådana fall till detta webinarie, som är det andra i vår webinarieserie om feldetektering. Under det här webinariet kommer vi att gå igenom taxonomin, steg för steg, och förklara hur den är tänkt att användas i praktiken!

Anmäl dig här!