A method for predicting consumer heat power usage was examined, for the purpose of implementing such a method in simulation models of the district heating distribution network at Stockholm Exergi. This was to enhance the results of such simulations and aid the company’s work with distribution optimization. A method based on power signatures, which are models currently used in many applications, was examined. The method aspired to describe the consumption patterns of consumers over time and temperature, categorize consumers according to these patterns and then implement the results in the simulation models. The addition of a time parameter to the signatures resulted in an improved and more consistent prediction quality. Categorizing the consumers mathematically caused only a minor decrease in the prediction quality and resulted in better prediction quality than the categorization system currently used. Stockholm Exergi is adviced to keep examining mathematical categorization of consumers as such a categorization has several advantages to the one currently used. It is also recommended to examine options to Termis for performing individual consumer predictions as the program is not well suited for it. Such options could be other software or add-ons to Termis which make such predictions more viable.

<p><p>Tidigare forskning tyder på att det med relativt stor träffsäkerhet går att förutspå en finansiell kris för ett företag. Finansiell kris har man då definierat som konkurs och använt sig av finansiella nyckeltal för att räkna fram ett specifikt värde som i sig skulle indikera ifall ett bolag stod inför hög, medel eller låg risk för att försättas i konkurs.</p><p>I denna uppsats studeras nio bolag som avnoterats från Stockholmsbörsen på grund av konkurs under åren 1997 till 2008. Detta i syfte att testa om de tidigare vedertagna teorierna kring konkursprediktion även kan appliceras med framgång på bolag noterade på Stockholmsbörsen. Modellen som författarna använt sig av kallas Z-scoremodellen och är en modell innehållande fem viktade finansiella nyckeltal, framtagen av professor Edward I. Altman. Modellen genererar ett så kallat Z-värde som enligt teorin ska indikera ett företags finansiella tillstånd.</p><p>De nio undersökta konkursbolagen har i studien jämförts med åtta bolag (i studien kallade kontrollbolag) som under det senaste året istället ökat sitt värde på marknaden i form av ökad börskurs. Detta med syfte att kontrollera om dessa bolag får högre Z-värden än de undersökta konkursbolagen, såsom modellen påvisar.</p>Vår studie har visat att det finns tydliga tendenser som pekar på att modellen har betydande träffsäkerhet men att den inte i varje enskilt fall går att förlita sig på.</p>

Tidigare forskning tyder på att det med relativt stor träffsäkerhet går att förutspå en finansiell kris för ett företag. Finansiell kris har man då definierat som konkurs och använt sig av finansiella nyckeltal för att räkna fram ett specifikt värde som i sig skulle indikera ifall ett bolag stod inför hög, medel eller låg risk för att försättas i konkurs. I denna uppsats studeras nio bolag som avnoterats från Stockholmsbörsen på grund av konkurs under åren 1997 till 2008. Detta i syfte att testa om de tidigare vedertagna teorierna kring konkursprediktion även kan appliceras med framgång på bolag noterade på Stockholmsbörsen. Modellen som författarna använt sig av kallas Z-scoremodellen och är en modell innehållande fem viktade finansiella nyckeltal, framtagen av professor Edward I. Altman. Modellen genererar ett så kallat Z-värde som enligt teorin ska indikera ett företags finansiella tillstånd. De nio undersökta konkursbolagen har i studien jämförts med åtta bolag (i studien kallade kontrollbolag) som under det senaste året istället ökat sitt värde på marknaden i form av ökad börskurs. Detta med syfte att kontrollera om dessa bolag får högre Z-värden än de undersökta konkursbolagen, såsom modellen påvisar. Vår studie har visat att det finns tydliga tendenser som pekar på att modellen har betydande träffsäkerhet men att den inte i varje enskilt fall går att förlita sig på.

<p>Erfarenheter från tidigare försök på Korsnäs AB visar att det är väldigt svårt att på matematisk väg förutsäga vad som händer under framställningen av pappersmassa i en kontinuerlig kokare.</p><p>Målet med detta examensarbete var att undersöka möjligheterna att med hjälp av neurala nätverk underlätta regleringen genom att prediktera ligninhalten hos pappersmassan tre och en halv timme innan den aktuella flisen är färdigkokt.</p><p>På grund av den, med produktionstakten, varierande tidsförskjutningen mellan olika givarsignaler löstes problemet med en enkel, lokal modell per produktionstakt. Alla ingående modeller minimeras med avseende på både antalet noder i det gömda lagret och antalet ingångar, vilket gav en slutlig lösning med fyra enkla modeller uppbyggda av framåtkopplade neurala nätverk, var och ett med ett gömt lager innehållandes tre noder.</p><p>Prediktionen av ligninhalten påvisade till slut goda egenskaper, med avseende på hur väl prediktionen följer den verkliga kappatalsanalysatorn.</p>

Erfarenheter från tidigare försök på Korsnäs AB visar att det är väldigt svårt att på matematisk väg förutsäga vad som händer under framställningen av pappersmassa i en kontinuerlig kokare. Målet med detta examensarbete var att undersöka möjligheterna att med hjälp av neurala nätverk underlätta regleringen genom att prediktera ligninhalten hos pappersmassan tre och en halv timme innan den aktuella flisen är färdigkokt. På grund av den, med produktionstakten, varierande tidsförskjutningen mellan olika givarsignaler löstes problemet med en enkel, lokal modell per produktionstakt. Alla ingående modeller minimeras med avseende på både antalet noder i det gömda lagret och antalet ingångar, vilket gav en slutlig lösning med fyra enkla modeller uppbyggda av framåtkopplade neurala nätverk, var och ett med ett gömt lager innehållandes tre noder. Prediktionen av ligninhalten påvisade till slut goda egenskaper, med avseende på hur väl prediktionen följer den verkliga kappatalsanalysatorn.

För att vara väl förberedd inför eventuella framtida kapacitetsutmaningar i elnätet ville Umeå Energi Elnät fåen bättre bild på vad variationerna hos energiförbrukningen beror på. I detta examensarbete var målet att undersöka sambandet mellan elnätets effektbehov och utomhustemperaturen samt att ta fram en modell av elnätets effektbehov. För att få en tillräckligt bra modell behövdes fler faktorer som påverkar effektbehovet användas. I modellen som arbetet resulterade i användes förutom utomhustemperaturen även månad, veckodag och tid på dygnet som variabler för att bättre kunna förutsede variationer som finns hos energiförbrukningen. Under arbetets gång upptäcktes ytterligare två faktorer som senare blev en del av modellen på grund av att de hadeen stor påverkan på resultatet. Dessa faktorer var dels ettantal större energiförbrukare, dels en del elproduktioninom Umeå Energi Elnäts elnät.Metoden som användes för att utföra analyserna somkrävdes var linjär regressionsanalys. Det är en statistiskanalysmetod som använder förhållanden mellan olika variabler för att skapa den räta linje som bäst visar sambandet. Detta görs genom att hitta den linje där kvadraten av mätvärdenas avvikelse från regressionslinjen ärminsta möjliga. Till prediktionsmodellen användes multipel linjär regressionsanalys som har samma tillvägagångsätt men med fler variabler.Då utomhustemperaturens påverkan på effektbehovetinte är helt linjärt utan varierar beroende på hur kallt eller varmt det är samt att även de andra faktorernas påverkan varierade gav den multipla regressionsanalysendet bästa resultatet i form av en prediktionsmodell somförklarade ungefär 80% av variationerna hos effektbehovet. / To be well prepared for the future challenges with the capacity in power grid, Umeå Energi Elnät would like to have a better understanding of the variations in energyconsumption and the reasons why it appears. In this thesis, the aim was to investigate the relations between the outside temperature and the energy demands and createa model to explain the power requirements in the grid.To achieve an appropriate model several variables thathave an impact on the energy consumption need to beused. In the end version of the model, the main variableswere outdoor temperature, month, weekday, and time ofday to predict the variations in energy consumption.Along the work two more factors were discovered thathad a large effect on the results. To make the model evenmore accurate these factors, several energy producers,and some larger consumers in Umeå Energi Elnät powergrid need to be included.To accomplish the investigations liner regression analysis was used, which is a statistical analysis method usingthe relationship between different variables creating astraight line. This is done by finding by finding the straight line there the square of the of the deviation of themeasured values from the regression line is the smallestpossible. To make the prediction model multiple regression analysis was used. It has the same approach butwith more than one variable.Since the outdoor temperature did not impact the energyconsumption completely linear but vary, and becausethere are some other factors that have large impact, multiple regression analysis gave the best prediction model.It explained 80% of the variation in power demand

Vid jordslutningar i högspänningsnät går stora strömmar ner i marken genom ledningsstolpars jordtag. Som en följd av detta skapas en förhöjd markpotential i denna punkt. Denna förhöjda potential sprider sig utåt från jordtaget i cirklar och avtar med avståndet från jordtaget. Detta gör att det uppstår spänningar mellan olika punkter i marken. I lokalnät som är direktjordade förs markpotentialen från matande station ut till alla punkter i nätet med hjälp av PEN-ledaren. Detta gör att en beröringsspänning kan uppstå mellan jordade föremål i nätet och marken rakt under. Arbetet med att utveckla en predikteringsmodell för beröringsspänningar har utförts för att kunna beräkna beröringsspänningen på ett enkelt sätt utan att ta ledningar ur bruk och koppla upp skrymmande mätutrustningar. Detta hade frigjort tid, förenklat arbetet vid mätningar av dessa spänningar och framför allt undvikt stora kostnader. Mätdata från NEKTAB används som en av hörnstenarna i modellen. Tillsammans med studier av teori inom området utvecklades modellen i ett beräkningsprogram. Modellen bygger på Carsons teorier för att beräkna impedanser i högspänningsnät. Denna rapport visar på svårigheterna med denna typ av prediktering. Resultaten från mätningar visar att beräknade värden kan avvika med upp till 2,5% av EPR. Detta kan vid verkliga jordslutningar innebära en avvikelse på 280 V.Slutsatsen av arbetet visar att det inte går att beräkna de beröringsspänningar som kan uppståpå det aktuella sättet. Orsaken till detta är att lokalnäten är jordade på fler ställen än i bara nätstationerna, många lokalnät har till exempel jordade kabelskåp. Detta gör att potentialförändringen i PEN-ledaren är svår att förutbestämma och därigenom blir beröringsspänningen också svårbestämd.

The failure of sewer pipes is a significant issue that can adversely affect the environment and public health. The problem is exacerbated by the additional burden it places on treatment plants, which must work harder to process the increased sewage flow resulting from pipe failures. The research in this thesis is based on an extensive review of the existing literature on sewer pipe failure and inspection, focusing on the proactive approach that can predict pipe failures to assist in effective maintenance. The study finds that several predictive models can accurately predict sewer deterioration with high accuracy (up to 95 % precision), making it possible to identify potential failures and address them before they cause significant damage or disruption. However, the research indicates that there has been relatively little work done on predicting blockage and CSO, two critical aspects of sewer pipe management that could be addressed more to manage sewer systems effectively. The thesis discusses that by developing an effective predictive model for prioritisation of monitoring sewer pipes, planners can save time and money on individual inspections while planning well ahead to avoid any service disruption. The study also summarised the data needs for the predictive models and found pipe age, material, diameter depth, and length to be the most commonly used input parameters by the existing model developers. The finding of this research can guide decision support in future efforts to improve sewer pipe inspection practices. / Fel på avloppsrör är en viktig fråga som kan påverka miljön och folkhälsan negativt. Problemet förvärras av den extra börda det innebär för reningsverken, som måste arbeta hårdare för att hantera det ökade avfallsflödet till följd av rörbrott. Forskningen i denna avhandling baseras på en omfattande genomgång av den befintliga litteraturen om fel på avloppsrör och inspektion, med fokus på det proaktiva tillvägagångssättet som kan förutsäga rörfel för att bidra till effektivt underhåll. Studien visar att flera prediktiva modeller kan förutsäga försämring av avlopp med hög noggrannhet (upp till 95 % precision), vilket gör det möjligt att identifiera potentiella fel och åtgärda dem innan de orsakar betydande skador eller störningar. Forskningen visar dock att det har gjorts relativt lite arbete för att förutsäga blockering och CSO, två kritiska aspekter av hantering av avloppsrör som skulle kunna hanteras mer för att hantera avloppssystemet effektivt. I avhandlingen diskuteras att genom att utveckla en effektiv prediktiv modell för prioritering av övervakning av avloppsrör kan planerare spara tid och pengar på enskilda inspektioner och samtidigt planera i god tid för att undvika eventuella driftstörningar. Studien sammanfattade även data behovet för de prediktiva modellerna och fann att röra ålder, material, diameter, djup och längd var de mest använda ingångs parametrarna av de befintliga modellutvecklare. Resultatet av denna forskning kan vägleda beslutsstöd i framtida ansträngningar för att förbättra praxis för inspektion av avloppsrör.

In this Internet and big data era, resource management has become a crucial task to ensure the quality of service for users in modern wireless networks. Accurate and rapid Internet traffic data is essential for many applications in computer networking to enable high networking performance. Such applications facilitate admission control, congestion control, anomaly detection, and bandwidth allocation. In radio networks, these mechanisms are typically handled by features such as Carrier Aggregation, Inter-Frequency Handover, and Predictive Scheduling. Since these mechanisms often take time and cost radio resources, it is desirable to only enable them for users expected to gain from them. The problem of network traffic flow prediction is forecasting aspects of an ongoing traffic flow to mobilize networking mechanisms that ensures both user experience quality and resource management. The expected size of an active traffic flow, its expected duration, and the anticipated amount of packets within the flow are some of the aspects. Additionally, forecasting individual packet sizes and arrival times can also be beneficial. The wide-spread availability of Internet flow data allows machine learning algorithms to learn the complex relationships in network traffic and form models capable of forecasting traffic flows. This study proposes a deep-learning-based flow prediction method, established using a residual neural network (ResNet) for regression. The proposed model architecture demonstrates the ability to accurately predict the packet count, size, and duration of flows using only the information available at the arrival of the first packet. Additionally, the proposed method manages to outperform traditional machine learning methods such as linear regression and decision trees, in addition to conventional deep neural networks. The results indicate that the proposed method is able to predict the general magnitude of flows with high accuracy, providing precise magnitude classifications. / I denna Internet och data era har resurshantering blivit allt mer avgörande för att säkerställa tjänstekvaliteten för användare i moderna trådlösa nätverk. Noggrann och hastig Internet-trafikinformation är avgörande för många applikationer inom datanätverk för att möjliggöra hög nätverksprestanda. Sådana applikationer underlättar kontroll av behörighet, kontroller av trängsel, detektering av avvikelser och allokering av bandbredd. I radionätverk hanteras dessa mekanismer vanligtvis av funktioner som Carrier Aggregation, Inter- Frequency Handover och Predictive Scheduling. Eftersom dessa funktioner ofta tar tid och kostar resurser så är det önskvärt att nätverk endast möjliggör sådana funktioner för användare som förväntas dra nytta av dem. Prediktering av trafikflöden i nätverk grundar sig i att förutsäga aspekter av ett pågående trafikflöde för att kunna mobilisera nätverksfunktioner som säkerställer både kvaliteten för användare samt resurshantering. Den förväntade storleken på ett aktivt trafikflöde, dess varaktighet och mängden paket inom flödet är några av dessa aspekter. Det kan dessutom vara fördelaktigt att förutsäga individuella paketstorlekar och ankomsttider. Den stora tillgången till data med nätverks-flöden gör det möjligt för maskininlärningsmetoder att lära sig de komplexa förhållandena i nätverkstrafik och därigenom formulera modeller som kan förutsäga flöden i nätverk. Denna studie föreslår en djupinlärningsbaserad metod för att prediktera flöden i nätverk, med hjälp av ett anpassat neuralt nätverk som utnyttjar genvägar i modellens konstruktion (ResNet). Den föreslagna modell-arkitekturen visar sig nöjaktigt kunna förutsäga antalet paket, storlek och varaktighet för flöden med endast den information som är tillgänglig från det första paketet. Dessutom lyckas den föreslagna metoden att överträffa både traditionella maskininlärningsmetoder som linjär regression och beslutsträd, samt konventionella djupa neurala nätverk. Resultaten indikerar att den föreslagna metoden kan förutsäga den allmänna storleken på flödens egenskaper med hög noggrannhet, givet att IP-adresser är tillgängliga.

The purpose of this thesis is to predict the lifespan of a battery using a predictive model, utilizing data from early cycles. The goal is to minimize both time and costs for the company by reducing the number of cycles needed for testing. Currently, the company tests a diverse set of batteries, which is both time and resource-consuming. To investigate which data-driven predictive model should be used by the company to predict battery capacity at XX cycles, a thorough literature study has been conducted. In summary, a variety of variables from specific cycles have been calculated based on inspiration from Fei et al. (2021), Severson et al. (2019), Enholm et al. (2022) and an internal project from the company. Following this, two different predictive models, Gaussian Process Regression and Ordinary Least Squared Regression, are applied and compared.  Based on the obtained results, Gaussian Process Regression had a slight better results but a significantly higher complexity compared to Ordinary Least Squared Regression. Therefore, the data-driven model that should be implemented at the company is an Ordinary Least Squared Regression with variables related to different phases during a cycle. This result is primarily based on the varying degrees of complexity of the models. / Syftet med detta examensarbete är att med hjälp av en datadriven prediktionsmodell kunna prediktera livslängden på ett batteri genom att använda data från tidiga cykler. Målet är att minimera både tid och kostnader för företaget genom att minska antalet cykler som behövs för testning. I dagsläget testar företaget en mängd batterier vilket både är tids- samt resurskrävande. För att undersöka vilken datadriven prediktionsmodell som bör användas av företaget för att prediktera batteriekapacitet vid XX cykler har en gedigen litteraturstudie utförts. Sammanfattningsvis har en mängd variabler av de mätningar som finns från specifika cykler beräknats utifrån inspiration från Fei med flera (2021), Severson med flera (2019), Enholm med flera (2022) samt ett internt projekt från företaget. Efter detta applicerades och jämfördes två olika prediktionsmodeller: Gaussian Process Regression och Ordinary Least Squared Regression.  Baserat på de erhållna resultaten hade Gaussian Process Regression något bättre resultat men en betydligt högre komplexitet jämfört med Ordinary Least Squared Regression. Därför är den datadrivna modell som bör implementeras på företaget en Ordinary Least Squared Regression med variabler relaterade till olika faser under en cykel. Detta resultat grundar sig framför allt i olika grad av komplexitet hos modellerna.