The digitalization of energy sector has provided immense amount of data about buildings which created an untapped opportunity for energy savings using energy data analytics. In recent years, there has been significant research on energy optimization using machine learning. With the advancement in deep neural networks, researchers have investigated the potential of using time series machine learning algorithms to develop sophisticated energy prediction and proactive alert systems for energy management. In this thesis, we aim to explore utility of time series machine learning algorithm for anomaly detection to alert customer about abnormal energy consumption. In our quest to find effective anomaly detection technique, we researched on several time-series anomaly detection techniques and selected long short-term memory (LSTM) network due to popular implementation and current scientific research interest. Our results indicate linear regression has achieved better prediction with MSE around 0.066 kWh compared to LSTM with 0.073 kWh. In terms of anomaly detection, baseline persistence has detected all five types of anomalies with average precision of 45.4% and average recall of 36.4%. Meanwhile, LSTM only detected two out of five anomalies with average precision of 100% and average recall of 17%. Therefore, investigation has shown great promise in use of persistence and linear regression models for anomaly detection due to simplicity and accuracy. / Digitaliseringen av energisektorn har genererat enorma mängder data om byggnader vilket skapat en outnyttjad möjlighet för energibesparingar med hjälp av energidataanalys. De senaste åren har det gjorts betydande forskning om energioptimering med maskininlärning. Med utvecklingen av djupa neurala nätverk har forskare undersökt potentialen med att använda tidsserier och maskininlärningsalgoritmer för att utveckla sofistikerade energiprognoser och proaktiva varningssystem för energihantering. Denna uppsats avser att undersöka nyttan av maskininlärningsalgoritmer med tidsserier för detektering av avvikelser, för att varna kunder om onormal energiförbrukning. För att hitta en effektiv algoritm för detektering av onormal energiförbrukning utfördes en litteraturstudie över flera existerande tidsserie-baserade tekniker för upptäckt av anomalier. LSTM-nätverk (Long ShortTerm Memory) valdes då den använts i flertalet studier och väckt mycket intresse inom forskningsfältet. Resultatet indikerar att linjär regression åstadkommer en bättre förutsägelse med MSE (Mean Squared Error) runt 0,066 kWh jämfört med LSTM med 0,073 kWh. Gällande anomalidetektering visar test av uthållighet vid baslinjen en upptäckt av alla fem typer av anomalier med en genomsnittlig precision på 45,4% och en genomsnittlig återkallelse på 36,4%. Samtidigt upptäckte LSTM bara två av fem anomalier med en genomsnittlig precision på 100% och en genomsnittlig återkallelse på 17%. Denna studie har därmed demonstrerat lovande resultat för användningen av uthållighet och linjära regressionsmodeller för identifiering av avvikelser.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-286306 |
Date | January 2020 |
Creators | Habib, Shahroz |
Publisher | KTH, Energiteknik |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-ITM-EX ; 2020:595 |
Page generated in 0.6261 seconds