Dette virtuelle arrangementet utforsket hvordan maskinlæring forsterker tradisjonelle regelbaserte metoder for deteksjon av vannlekkasjer hos kunder. Regler fungerer godt for standard husholdninger (f.eks. varsler om nattlig vannflyt), men sliter med ikke-standard bruk og næringseiendommer, der periodiske prosesser, lavt volum eller kontinuerlig drift gjør det vanskelig å oppdage lekkasjer.

Se opptaket her
Three experts from Arqiva seated in armchairs in a studio setup with microphones on stands in front of them, a lit round shelf with plants and books in the background, and wooden side tables holding coffee mugs.

Håndtering av lekkasjer ved hjelp av maskinlæring

Maskinlæring lærer mønstre fra data – via veiledede og ikke-veiledede metoder – for å oppdage nyanserte, målerspesifikke avvik, tilpasse seg endret atferd og redusere støy. Dette gjør teknologien effektiv for de «vanskelige 20 prosentene» som krever 80 prosent av innsatsen. Den anbefalte modellen er komplementær: Bruk regler for å håndtere enkle tilfeller i stor skala, og bruk deretter maskinlæring på unntakene for høyere nøyaktighet og bedre målretting.

Suksess avhenger av datakvalitet, skalerbar teknologi for millioner av målere, og en lukket tilbakemeldingssløyfe for å validere resultater, ettertrene modeller og opprettholde ytelse. Selv om maskinlæring har høyere beregningskostnader, gir det besparelser gjennom økt lekkasjegjenvinning, regulatoriske gevinster og operasjonell effektivitet, der integrasjon i ett enkelt verktøy forbedrer prioritering og rapportering. Personvern må ivaretas gjennom hensiktsmessig systemdesign og styring.
Hent hvitboken

Talere

‍

  • Jason King, forretningsutvikler, Arqiva
  • Stephanie Edmonson, senior produktsjef, Arqiva
  • Jack Kilvington, leder for datavitenskap, Arqiva

‍

Three experts from Arqiva seated in armchairs in a studio setup with microphones on stands in front of them, a lit round shelf with plants and books in the background, and wooden side tables holding coffee mugs.

Hovedpunkter

1. Regler forblir pålitelige: Regelbasert lekkasjedeteksjon er fortsatt effektiv for standard husholdninger (f.eks. regler for nullforbruk mellom kl. 02.00 og 04.00), men sliter med ikke-standard bruk som industrianlegg, eiendommer med høyt forbruk og periodiske lekkasjer med lavt volum.

2. Maskinlæring som supplement: Maskinlæring utfyller regler ved å lære mønstre fra data (veiledet og ikke-veiledet læring) for å identifisere subtile lekkasjer og spesialtilfeller som regler går glipp av, noe som muliggjør målrettede tiltak med høyere verdi.

3. Hybrid strategi vinner: En hybrid tilnærming anbefales: Bruk regler for å effektivt luke ut enkle tilfeller, og bruk maskinlæring på de 20 % av målerne som krever 80 % av den operasjonelle innsatsen og ofte står for en uforholdsmessig stor andel av lekkasjene.

4. Datadrevet implementering: Vellykket bruk av maskinlæring krever robust datakvalitet, skalerbar teknologi for å håndtere millioner av målere, og en lukket tilbakemeldingssløyfe (verifisering, ettertrening, ytelsesovervåking) for å opprettholde nøyaktighet i praksis.

5. Kostnadsbesparende intelligens: Selv om maskinlæring medfører høyere beregningskostnader enn regelbaserte metoder, gir det besparelser gjennom tidligere deteksjon i komplekse scenarioer, noe som støtter regulatoriske krav og reduserer vannproduksjon, uttak og tilhørende utslipp.


«Det trenger ikke å være enten eller; regelbaserte metoder kombinert med maskinlæring fungerer svært godt for å skalere på tvers av hele porteføljen og håndtere både standardtilfeller og mer komplekse avvik.»
Jack Kilvington
Leder for datavitenskap, Arqiva

Se webinaret HER