Detta virtuella event utforskade hur maskininlärning kompletterar traditionella regelbaserade metoder för upptäckt av vattenläckage hos kunder. Regler fungerar bra för vanliga hushåll (t.ex. larm vid nattflöde) men har svårt att hantera avvikande användning och icke-hushållsfastigheter, där intermittenta, lågvolyms- eller kontinuerliga processer döljer läckage.

Se on-demand här
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.

Att hantera läckage genom maskininlärning

Maskininlärning lär sig mönster från data – via övervakade och oövervakade metoder – för att upptäcka nyanserade, mätarspecifika avvikelser, anpassa sig till förändrat beteende och minska brus, vilket gör det effektivt för de "svåra 20 procenten" som kräver 80 procent av arbetsinsatsen. Den rekommenderade modellen är komplementär: använd regler för att hantera enkla fall i stor skala och applicera sedan maskininlärning på undantagen för högre precision och träffsäkerhet.

Framgång beror på datakvalitet, skalbar teknik för miljontals mätare och en sluten återkopplingsloop för att validera resultat, träna om modeller och bibehålla prestanda. Även om maskininlärning medför högre beräkningskostnader, möjliggör det besparingar genom ökad läckageåtervinning, regulatoriska vinster och operativ effektivitet, där integrering i ett enda verktyg förbättrar prioritering och rapportering. Dataintegritet måste hanteras genom lämplig systemdesign och styrning.
Hämta whitepaper

Talare

‍

  • Jason King, Business Development Manager, Arqiva
  • Stephanie Edmonson, Senior Product Manager, Arqiva
  • Jack Kilvington, Head of Data Science, 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.

Viktiga insikter

1. Regler förblir pålitliga: Regelbaserad läckagedetektering är fortfarande effektiv för vanliga hushåll (t.ex. regler för nollflöde mellan kl. 02–04), men har svårt att hantera avvikande användningsmönster såsom industrianläggningar, fastigheter med hög förbrukning och intermittenta läckage med låg volym.

2. Maskininlärning som komplement: Maskininlärning kompletterar regler genom att lära sig mönster från data (övervakad och oövervakad inlärning) för att identifiera subtila läckage och specialfall som regler missar, vilket möjliggör riktade insatser med högre värde.

3. Hybridstrategin vinner: En hybridmetod rekommenderas: använd regler för att effektivt rensa ut enkla fall och applicera maskininlärning på de 20 % av mätarna som står för 80 % av det operativa arbetet och ofta orsakar oproportionerligt stora läckagevolymer.

4. Datadriven implementering: Framgångsrik implementering av maskininlärning kräver hög datakvalitet, skalbar teknik för att hantera miljontals mätare och en sluten återkopplingsloop (verifiering, omträning, prestandaövervakning) för att bibehålla noggrannhet i verkliga miljöer.

5. Kostnadsbesparande intelligens: Även om maskininlärning innebär högre beräkningskostnader än regelbaserade metoder, möjliggör det besparingar genom tidigare upptäckt i komplexa scenarier, vilket stödjer regelefterlevnad och minskar vattenproduktion, uttag och tillhörande utsläpp.


"Det behöver inte vara antingen eller; regelbaserade metoder tillsammans med maskininlärning fungerar utmärkt för att skala upp över hela beståndet och hantera både standardfall och mer komplexa situationer."
Jack Kilvington
Head of Data Science, Arqiva

Se webbinariet HÄR