Algoritme plant het plaatsen en vervangen van slimme meters

22 mei 2019 Consultancy.nl

Elektronische apparaten in huis worden steeds slimmer. Van slimme ijskasten die boodschappenlijstjes bijhouden en espressoapparaten die ’s ochtends automatisch het favoriete kopje koffie zetten: apparaten denken steeds vaker mee met bewoners. Zo ook slimme meters – een digitale meter waarvan de elektriciteits- en gasstanden op afstand kunnen worden uitgelezen door de energieleverancier en de netbeheerder. 

Inmiddels zijn er ruim 3 miljoen slimme meters binnen Nederlandse huishoudens aanwezig. Dit aantal gaat de komende jaren alleen maar toenemen: het is namelijk de bedoeling van netbeheerders om alle Nederlandse huishoudens zo snel mogelijk te voorzien van zo’n meter. Netbeheerders zijn verantwoordelijk voor het aanbieden van de slimme meters, en ook voor het onderhoud hiervan. Zij dragen bijvoorbeeld zorg voor het oplossen van storingen en het tijdig vervangen van verouderde slimme meters om klanten van zo goed mogelijk werkende apparatuur te voorzien. 

Vanuit hun verantwoordelijk zijn netbeheerders continu bezig met het optimaliseren van hun onderhoudsvraagstuk voor slimme meters. Wanneer dreigt een meter uit te vallen, en wanneer is deze aan vervanging toe? En hoe kan dit het beste worden aangepakt, vanuit effectiviteit, efficiëntie en service naar eindgebruiker? Survival analyse, een analytische techniek om voorspellingen te maken, kan gebruikt worden om dit inzicht te verkrijgen. Experts van Quantics, een bureau gespecialiseerd in datascience, geven hieronder tekst en uitleg. 

Businesswaarde

De juiste informatie over de toekomstige levensloop van slimme meters kan netbeheerders ondersteunen in hun besluitvorming en acties gerelateerd aan het onderhoud en de eventuele vervanging van de apparatuur. Deze acties kunnen op hun beurt bijdragen om de bijbehorende kosten van slimme meters voor de aanbiedende netbeheerders te minimaliseren.

Wanneer moeten slimme meters vervangen worden?

Netbeheerders moeten er namelijk rekening mee houden dat zij voldoende nieuwe slimme meters op voorraad hebben om defecte meters zo snel mogelijk te kunnen vervangen, maar willen logischerwijs geen voorraadoverschot hebben. Een dergelijk overschot brengt immers veel en onnodige kosten met zich mee. Hetzelfde geldt voor de benodigde vakkennis en het materiaal dat nodig is voor het vervangen van slimme meters. Netbeheerders moeten voldoende capaciteit in de vorm van vakkundige monteurs en het juiste gereedschap hebben, maar een overschot ervan kan leiden tot overbodige en ongewenste kosten. Een accurate voorspelling over de levensloop van slimme meters is dus van groot belang om onnodige kosten te minimaliseren. 

Bovendien kunnen dergelijke voorspellingen gebruikt worden om preventieve acties met betrekking tot het vervangen van slimme meters te formuleren en in gang te zetten. Zoals bijvoorbeeld het anticiperen op bepaalde verwachte piekmomenten in de uitval van slimme meters. Wanneer een piekmoment voorspeld wordt, kunnen netbeheerders er bijvoorbeeld voor kiezen om een bepaald aantal slimme meters vroegtijdig te vervangen en daarmee het grote aantal vereiste vervangingen verspreiden over een ruimere periode, in plaats van alle vervangingen uit te voeren tijdens het piekmoment. 

In dat geval brengt het vroegtijdig vervangen van slimme meters kosten met zich mee, maar kunnen deze opwegen tegen de baten. Denk aan de extra kosten die gemaakt zouden worden voor onder andere het voorraadbeheer en de additionele benodigde capaciteit voor de vervanging van meters tijdens een piekmoment. Bijkomend voordeel daarbij is dat een dergelijke proactieve houding van de netbeheerder kan bijdragen aan de klantbeleving en -tevredenheid.

Accurate voorspellingen – wanneer en hoeveel slimme meters uitvallen – kunnen netbeheerders zodoende ondersteunen in het nemen van kostenbesparende acties ten aanzien van het vervangen van slimme meters. 

Data

Dergelijke voorspellingen worden echter niet zomaar gedaan. Om dit te kunnen doen is er historische data nodig over de plaatsing- en uitvalperiode van slimme meters. Naast de historische data is er ook de data nodig over de slimme meters die momenteel nog actief zijn (waarvan de uitvalperiode moet worden voorspeld). Deze data geeft namelijk belangrijke informatie over de periode dat een slimme meter niet is uitgevallen en mocht dit niet worden meegenomen, dan wordt de uitval van slimme meters overschat. In die zin is deze data uniek, omdat deze zowel informatie geeft over uitgevallen als over niet-uitgevallen slimme meters. Dit type data wordt ook wel survival data genoemd.

Om naast de verwachte uitvalperiode van slimme meters te kunnen voorspellen waar of waarom ze dan uitvallen, zal de data moeten worden aangevuld met extra informatie. Namelijk, aanvullende informatie over de locatie van slimme meters en mogelijkerwijs ook andere factoren die betrekking hebben op de technische specificaties van een slimme meter, zoals de omstandigheden waarin een slimme meter zich bevindt (temperatuur, luchtvochtigheid, enzovoorts). 

Model

Nadat gecontroleerd is of de data consistent en compleet is, kan het voorspellingsmodel opgesteld worden. Door de unieke kenmerken van survival data zijn echter voor het analyseren ervan ‘speciale’ technieken vereist; analytische technieken die bekend staan onder de naam ‘survival analyse’. Kort samengevat omvat survival analyse een groot scala van statistische technieken om de tijd tussen een begingebeurtenis (wanneer een slimme meter wordt geplaatst) en eindgebeurtenis (wanneer deze uitvalt). 

Met behulp van de technieken die survival analyse omvat kan antwoord gegeven worden op vragen als ‘wat is de kans dat een slimme meter uitvalt na 1 jaar, na 5 jaar, na 10 jaar, enzovoort?’, ‘zijn er verschillen in de kans op uitval per periode tussen verschillende type slimme meters?’ en ‘wat is het effect van bepaalde factoren op de uitvalperiode van slimme meters?’, die allen relevant zijn om een valide voorspelling te maken over de tijd tot een slimme meter uitvalt.

Het badkuip model

Valkuilen

Niet iedere slimme meter is in dezelfde periode geplaatst, en daar moet rekening mee gehouden worden bij het opstellen van het survival model. Het is namelijk waarschijnlijk dat de huidige leeftijd van slimme meters de overlevingskans van de apparatuur beïnvloedt. Dit is zeker zo wanneer rekening gehouden wordt met het feit dat de levensduur van (elektronische) apparaten doorgaans een zogenaamd badkuip model volgt, zoals geïllustreerd in bovenstaande figuur. Het badkuip model verdeelt de levensduur van een apparaat in drie verschillende fases:

  • Infant: risico op 'kinderziektes' waardoor de kans dat iets kapot gaat of uitvalt in het begin hoger is (maar mettertijd wel afneemt).
  • Constant: als deze kinderziektes zijn overleefd, volgt een fase waarin de kans dat iets kapot gaat of uitvalt op ongeveer hetzelfde niveau blijft schommelen (lager dan in de infant fase).
  • Wear-out: richting het ‘natuurlijk’ levenseinde van een apparaat neemt de kans dat iets kapot gaat of uitvalt sterk toe door ouderdomseffecten.

Slimme meters hebben doorgaans een fabrieksgarantie die aangeeft dat 95% van de populatie minimaal twintig jaar overleeft. Slimme meters relatief zijn echter nieuwe technologie en bevinden zich nog niet vele jaren in het veld, waardoor de levensloop van geen enkele slimme meter voorbij de fabrieksgarantie is geraakt. Als gevolg hiervan bevat de beschikbare data momenteel niet voldoende informatie om het gehele levensloop van slimme meters in kaart te brengen. Dit geldt met name ten aanzien van de wear-out fase. Om toch rekening te houden met ouderdomseffecten kunnen bepaalde aannames worden opgesteld. Denk bijvoorbeeld aan de volgende redenatie: N maanden voordat een slimme meter zijn maximum leeftijd T jaar bereikt, neemt de kans dat de slimme meter uitvalt toe (bijvoorbeeld kwadratisch of exponentieel). 

Een andere valkuil zijn nieuwe types slimme meters die op de markt komen. Deze sluiten momenteel nog lastig aan op het survival model, aangezien er nog geen historische data beschikbaar is. Om toch nieuwe type slimme meters te modelleren kan data van een ander vergelijkbaar type worden gebruikt. 

Een laatste factor waar in het survival model rekening mee gehouden moet worden is het feit dat slimme meters die uitvallen over het algemeen vervangen moeten worden door een nieuwe meter. Waarom dit zo is, is het beste te illustreren aan de hand van een voorbeeld. Stel dat een survival model perfecte voorspellingen maakt en het momenteel jaar 0 is. In jaar 0 worden twee slimme meters geplaatst, namelijk slimme meter 1 en 2. Het model voorspelt dat slimme meter 1 uitvalt in jaar 20 en slimme meter 2 in jaar 5. In jaar 5 zal de netbeheerder slimme meter 2 dus moeten vervangen. Deze vervanging kan worden gemodelleerd door een fictieve slimme meter te plaatsen in jaar 5. Vervolgens voorspelt het model dat deze fictieve meter weer uitvalt in jaar 20. Rekening houdend met vervanging van uitgevallen slimme meters, zou het model dus verwachten dat er, in totaal, twee slimme meters uitvallen in jaar 20.

Mocht het model hier echter geen rekening mee houden, dan zou het verwachten dat er slechts één slimme meter uitvalt in jaar 20. Dit proces is weergeven in onderstaand figuur. In het survival model is het onnodig om dit proces oneindig door te trekken, maar tot een zekere hoogte is het absoluut verstandig om hier rekening mee te houden. 

Levensverloop voorspelling van twee slimme meters

Bovengenoemde factoren kunnen valkuilen vormen voor het accuraat voorspellen van de levensloop van slimme meters. Desalniettemin is het mogelijk om waardevolle voorspellingen te genereren, mits dit soort valkuilen worden omzeild. 

Implementatie

Ongeacht hoe goed een model in elkaar zit: blind de voorspellingen volgen is nooit een verstandig idee. Dit geldt uiteraard ook voor survival analyse voorspellingen. De voorspellingen van een model moeten ten eerste worden beoordeeld of deze logisch zijn. Ten tweede moeten deze worden geëvalueerd. In het geval dat de voorspellingen niet logisch of accuraat zijn, zullen eventueel andere methodes moeten worden gehanteerd. Het aanvullen van een survival model met bijvoorbeeld simulatie kan hierbij wellicht ondersteuning bieden. 

Gebaseerd op historische data over de momenten van plaatsing en uitval van slimme meters, evenals data over slimme meters die momenteel nog actief zijn, informatie over de locatie en technische specificaties van slimme meters, geeft het survival model een tijds- en locatie-afhankelijke schatting van het aantal slimme meters dat uitvalt. In deze schatting worden niet alleen de slimme meters meegenomen die momenteel actief zijn, maar ook degene die de uitgevallen slimme meters zullen vervangen. Daarbuiten geeft het survival model inzicht in bepaalde factoren die de uitvalperiode van slimme meters beïnvloeden, en tenslotte, de mogelijkheid om de tijd tot uitval tussen verschillende types slimme meters met elkaar te vergelijken.

Dit soort inzichten met betrekking tot de toekomstige levensloop van slimme meters kunnen netbeheerders ondersteunen in hun besluitvorming en acties gerelateerd aan het onderhoud en de eventuele vervanging van de apparatuur. Deze geïnformeerde acties kunnen op hun beurt bijdragen aan het minimaliseren van de bijbehorende kosten van slimme meters voor netbeheerders.


Profiel

Meer nieuws over

×
×
A.T. Kearney Accenture ACE Adaptif Adlasz Adviesgroep Novius Anderson MacGyver Andersson Elffers Felix Annalise Arthur D. Little AT Osborne Atos Consulting Avantage Reply B&A Bain & Company Baker Tilly BCG Platinion BDO BearingPoint Berenschot Best Value Group Bisnez BlinkLane Consulting BluPoint BMC Boer & Croon Management Bolster Bostec Boston Consulting Group Bright & Company | People Strategy Buitenhuis Advies buro C5 Bvolve Capgemini Invent Centric Cmotions COMATCH Conclusion Connective Payments Considerati Count & Cooper De Kleine Consultant Deloitte Delta Capita Digital Power Dimensys Ecorys Eden McCallum Energyprofs Enigma Consulting EY EY-Parthenon Finavista Finext First Consulting Flowant flowresulting Galan Groep GalanNXT Grant Thornton Groenewout Gupta Strategists Gwynt Hamstra & Partners Hermes | Partners Hospitality Group Hot ITem House of Performance IG&H Consulting & Interim Improven InContext innergo INNOPAY Intermedius ITDS Business Consultants JBR JBR Interim Executives Kirkman Company Korn Ferry KplusV KPMG KPN ICT Consulting Kruger KWINK groep Leeuwendaal M3 Consultancy Magnitude Consulting Magnus Marktlink Mazars McKinsey & Company Mercer Methis Consulting METRI Mitopics MLC Mobilee Möbius Monitor Deloitte Morgens MSR Consulting Group OrangeX Ordina Oxyma p2 PA Consulting Group Paul Postma Marketing Consultancy PBLQ People Change PNO Consultants Projective Protiviti Proven Partners PwC Qhuba Quantics Quint Wellington Redwood Quintop Raad van Toekomst RevelX RGP Rijnconsult Roland Berger Salvéos Schaekel & Partners Schuberg Philis SeederDeBoer Sia Partners Significant Simon-Kucher & Partners SiRM Solid Professionals SOLVE Consulting SparkOptimus Strategy Development Partners Strategy& Student Consultancy Group Summiteers Supply Value Symbol Synechron Business Consulting TEN HAVE Change Management The Next Organization Turner TWST Twynstra Gudde UMS Group UniPartners UPD Van Oers Corporate Finance Vanberkel Professionals Varrlyn Vasco Consult Vintura VODW Voogt Pijl & Partners Wielinq Willis Towers Watson WIN Yellowtail YGroup YNNO Young Advisory Group Zanders Zestgroup