The digitalization of the energy industry has made tremendous energy data available. This data is utilized across the entire energy value chain to provide value for customers and energy providers. One area that has gained recent attention in the energy industry is the electricity load forecasting for better scheduling and bidding on the electricity market. However, the electricity data that is used for forecasting is prone to have anomalies, which can affect the accuracy of forecasts. In this thesis we propose two anomaly detection methods to tackle the issue of anomalies in electricity demand data. We propose Long short-term memory (LSTM) and Feed-forward neural network (FFNN) based methods, and compare their anomaly detection performance on two real-world electricity demand datasets. Our results indicate that the LSTM model tends to produce a more robust behavior than the FFNN model on the dataset with regular daily and weekly patterns. However, there was no significant difference between the performance of the two models when the data was noisy and showed no regular patterns. While our results suggest that the LSTM model is effective when a regular pattern in data is present, the results were not found to be statistically significant to claim superiority of LSTM over FFNN. / Digitaliseringen inom energibranschen har tillgängliggjort enorma mängder energidata. Dessa data används över hela värdekedjan för energisystem i syfte att skapa värde för kunder och energileverantörer. Ett område som nyligen uppmärksammats inom energibranschen är att skapa prognoser för elbelastning för bättre schemaläggning och budgivning på elmarknaden. Data som används för sådana prognoser är dock benägna att ha avvikelser, vilket kan påverka prognosernas noggrannhet. I det här examensarbetet föreslår vi två metoder för detektering av avvikelser för att ta itu med frågan om avvikelser i data för elektricitetsbehov. Vi föreslår metoder baserade på Long short-term memory (LSTM) och Feedforward neural network (FFNN) och jämför dess prestanda att upptäcka avvikelser på två verkliga databanker över elbehovsdata. Våra resultat indikerar att LSTM-modellen tenderar att producera ett mer robust beteende än FFNN-modellen på data med upprepande dagliga samt veckovisa mönster. Det fanns dock ingen signifikant skillnad mellan prestanda för de två modellerna när data inte uppvisade regelbunda mönster. Även om våra resultat antyder att LSTM-modellen är effektiv när ett regelbundet datamönster finns närvarande, var resultaten inte statistiskt signifikanta för att påstå överlägsenhet av LSTM jämfört med FFNN.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-271177 |
Date | January 2019 |
Creators | Bakhtawar Shah, Mahmood |
Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
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-EECS-EX ; 2019:768 |
Page generated in 0.0014 seconds