แอปพลิเคชันของ CRISP-DM (Cross Industry Standard Process for Data Mining)
CRISP-DM ได้รับการยอมรับเป็นแนวทางเพื่อมาตรฐาน hóa methodology M&V และอนุญาตให้ประเมินการประหยัดพลังงานได้อย่างมีประสิทธิภาพมากขึ้น มีแอปพลิเคชันของ CRISP-DM ดังนี้:
1. Business Understanding (ความเข้าใจทางธุรกิจ)
โรงงานผลิตอุปกรณ์ชีวการแพทย์ถูกเลือกเป็นกรณีศึกษา เพื่อพิสูจน์ความเป็นไปได้ของการประยุกต์ Data Mining ช่วย M&V การเข้าใจคุณภาพทางธุรกิจที่อยู่ภายใต้การวิเคราะห์ สำคัญสำหรับการนำผลลัพธ์ไปใช้ในขั้นตอน modeling และ evaluation กระบวนการนี้ทำได้โดยการเดินตรวจสอบกระบวนการ (process walk-through) เรียนรู้ process flow diagrams และ piping and instrumentation diagrams
ความรู้เกี่ยวกับระบบภายในขอบเขตการวิเคราะห์ จำเป็นจากขั้นตอนนี้ และปัญหาบางอย่างได้รับการเข้าใจร่วมกับทีมวิศวกรรมของโรงงาน ขอบเขตการวิเคราะห์คือการบริโภคพลังงานไฟฟ้าทั่วทั้งโรงงานผลิต
2. Data Understanding (ความเข้าใจข้อมูล)
กระบวนการเข้าใจข้อมูลของ CRISP-DM reference model ทำได้ผ่านการสำรวจโครงสร้างพื้นฐานเทคโนโลยีข้อมูลที่โรงงาน ได้รับความเข้าใจเกี่ยวกับการไหลของข้อมูลการบริโภคพลังงานและฐานข้อมูลที่จัดเก็บ
3. Data Preparation (การเตรียมข้อมูล)
ข้อมูลการบริโภคพลังงานยากต่อการคำนวณ เนื่องจากลักษณะของการวัดมิเตอร์ (metering) ใช้ cumulative meters สำหรับพลังงานไฟฟ้า ดังนั้น pre-processing ต้องทำกับข้อมูลที่ส่งออก ในกรณีศึกษานี้ ทำได้ก่อนส่งให้ผู้ใช้
แต่แม้จะมี pre-cleansing แล้ว outliers ยังคงเหลือในชุดข้อมูล เพราะ pre-cleansing ไม่ได้กำจัดความผิดปกติทั้งหมด ดังนั้นขั้นตอน data preparation จึงใช้กำจัด outliers ที่เหลือในชุดข้อมูลที่ส่งให้ผู้ใช้
ใช้แหล่งข้อมูลสองแหล่ง รวบรวมข้อมูลสำหรับการวิเคราะห์ผู้บริโภคพลังงานไฟฟ้าทั้งหมดในสถานที่: energy management application และ wind turbine management application
พลังงานไฟฟ้าที่ดึงดูดในสถานที่วัดโดย cumulative kilowatt-hour (kWh) meters Pre-processing รวมถึงการตรวจจับ outliers จากข้อผิดพลาดมิเตอร์ และแปลงข้อมูลจาก kWh เป็น average electrical loads ใน kilowatts (kW) ขั้นตอนที่สองจำเป็นเพื่อวิเคราะห์ข้อมูลในรูปแบบและหน่วยเดียวกัน
4. Modelling (การสร้างโมเดล)
ชุดข้อมูลผลลัพธ์จากขั้นตอน data preparation อยู่ในรูปแบบสะอาดและใช้งานได้ ผลมาจากการทำความสะอาดข้อมูล สำหรับเป้าหมายของกรณีศึกษานี้ compressed air load เป็นปริมาณที่เลือกเพื่อสร้างโมเดล เนื่องจากเป็นตัวแปรที่เหมาะสมที่สุดในการบ่งชี้พลังของข้อมูลพลังงานที่มีอยู่
เมื่อพิจารณา load ในระดับสูง ไม่มีความสัมพันธ์ชัดเจนกับผู้ใช้พลังงานสำคัญอื่นๆ ในสถานที่ ผู้ใช้พลังงานสำคัญอื่นๆ คาดการณ์ได้ง่ายกว่า เนื่องจากตารางจัดส่งและมี standard operating procedures
