Smart Forsyning: BI i en forsynings virksomhed

Smart Forsyning: BI i en forsyningsvirksomhed

Frederiksberg Forsyning A/S har igennem en årrække arbejdet med at opbygge en række datadrevne løsninger som et eff ektivt beslutningsgrundlag for de daglige aktiviteter i forsyningen. Set i lyset af den teknologiske udvikling er det en rejse, som kun lige er begyndt.

AF HENRIK HOVE CHRISTENSEN, FREDERIKSBERG FORSYNING A/S

Fra data til information

Forsyningen råder i dag over en lang række datasamlinger, der hver især er dedikeret til specielle opgaver eller områder. Det gælder et økonomisystem, som indeholder information om forsyningens ressourcer, et GIS, der indeholder information om forsyningens ledningsnet, og senest en målerdatabase med data fra fjernafl æste målere på henholdsvis vand og fjernvarmenettet.

Vi har igennem de seneste år arbejdet med etableringen af et ”Smart City”-netværk, der består af 835 access points fordelt over hele kommunen. Netværket er primært etableret med henblik på fjernafl æsning af forsyningens forbrugsmålere (se fi gur 1), men også som fundament for forskellige ”Smart City”-tiltag.

Sammenstilling af forbrugsdata

Ved at sammenstille forbrugsdata over tid med information fra BBR er vi i stand til at sige noget om udviklingen i forbruget og lave prognoser for fremtiden. Det er oplagt, at antallet af toiletter/ badeværelser på en lokation har en direkte indfl ydelse på vandforbruget. For den enkelte lokation er denne viden måske ikke så værdifuld, men hvis man begynder at aggregere data for dele af forsyningsnettet, vil dette være vigtig viden ift. planlægning af renovering af ledningsnettet. Man opnår den største værdi og får det ”fulde” billede af virkeligheden, når man sammenstiller >>

Udover forbrugsmålerne spiller forskellige sensorer på ledningsnettet også en stor rolle. Sensorerne måler tryk, fl ow og niveau i forskellige centrale punkter i ledningsnettet. Disse målinger er vigtige i løsningen af forsyningernes udfordringer som følge af klimaforandringer. Data fra OIS er også centrale – især ved udarbejdelse af prognoser som forudsigelser af forbrugsmønstre.

Figur 1 Access points med antal fjernafl æste forbrugsmålere.

data fra forskellige fagområder. Derfor arbejder vi med at blive klogere på vores forretning (BI), netop gennem sammenstilling af data (data mining). Vi kan anskue data mining som den proces, der konverterer vores rå-data til information. Det samler vi under én hat og kalder det: Smart Forsyning.

Datakvaliteten er vigtig

Forsyningens data warehouse er helt central i løsningen. Heri samles data fra forskellige fagsystemer og bindes sammen, se figur 2.

GIS

Økonomi

SCADA

Data warehouse

OIS

Målerdata

CRM (kunde)

Figur 2 De primære datakilder i forsyningens data warehouse. Selvom geodata selvsagt spiller en væsentlig rolle, må vi konstatere, at tiltagene i Smart Forsyning går et spadestik dybere end de traditionelle GIS-tematiseringer. Så det er ikke GIS, der er omdrejningspunktet i aktiviteterne, men geodata spiller alligevel en vigtig rolle, da de fleste tiltag indeholder en geografisk dimension.

Investering af meget energi

Det er i dag selvstændige dashboards, der er baseret på open source-platformen, Grafana, der er det centrale element i ”Smart Forsyning”løsningen. Vi anvender også andre teknologier som Microsoft Power BI og egenudviklede visualiseringer. Der søges løbende efter nye værktøjer og nye muligheder for visualisering, se figur 3.

Konsistens og datakvalitet i de enkelte datasæt bliver sat på en prøve, når man begynder at integrere datasamlinger. Selvom det system, der er master på et givent område, til en vis grad er tolerant ift. datakvalitet, så vil denne tolerance ikke findes i øvrige systemer, og det bliver besværligt at kæde data sammen.

I forsyningen er det vores kundesystem, der er master på forbrugsstederne, mens det er GIS, der er master på forbrugsstedets geografiske placering, og målerdatabasen, der er master på selve forbruget på de enkelte forbrugssteder. Når forskellige datasamlinger på denne måde bindes sammen, er datakvalitet og konsistens altafgørende. Vi har derfor brugt en del ressourcer på at bringe overensstemmelse imellem de forskellige systemer, så alle involverede systemer har et fælles billede af forsyningens forbrugssteder. De officielle adresser fra Danmarks Adresseregister (DAR) har spillet en central rolle i dette arbejde.

Anvendelse af forskellige teknologier

I den periode, hvor arbejdet med Smart Forsyning har stået på, har der været en række forskellige teknologier i spil. På databaseniveau anvendes således både SQL-server, Oracle og PostGreSQL. Sidstnævnte anvendes med en extention (TimescaleDb) til at partitionere tabeller og dermed optimere arbejdet med tidsrækker. Det medfører en række forskellige måder at integrere på tværs af platforme. Det kan være replikering af data, men også ”live” integrationer på tværs af databaser og teknologi. Teknologianvendelsen har for øje at kunne levere aktuelle informative visualiseringer af forsyningens datasamlinger.

Det er altafgørende og fælles for løsningerne, at der er brugt en del tid på dels at strukturere data, men også på at sikre den tidligere nævnte konsistens. Vi har derfor brugt rigtig meget energi på at

Figur 3. Visualisering af vandstand i brønde i december 2020

definere samspillet imellem de datasamlinger, der er i spil. Ikke mindst har det været tidskrævende at etablere forsyningens data warehouse. Aktuelt har vi udrullet de første løsninger, men arbejdet fortsætter.

Det er vores overbevisning, at den tid, der er investeret i at strukturere data, er godt givet ud. Vi har fået etableret et robust fundament, som i de kommende år vil blive udbygget med nye datatyper og nye løsninger.