To Örebro University

oru.seÖrebro University Publications
Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
AVVIKELSEDETEKTERING INOM ENERGIFÖRBRUKNING FÖR HUSHÅLL
Örebro University, School of Science and Technology.
2019 (Swedish)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
ANOMALY DETECTION WITHIN ENERGY CONSUMPTION OF HOUSEHOLDS (English)
Abstract [sv]

I takt med att insamling av data förenklas med hjälp av nya tekniker och att kraftfullare hårdvara tillåter bearbetning av stora mängder data så öppnas nya möjligheter upp för vad som är möjligt med monitorering av strömmande data. Inom energisektorn är ett intressant område vid monitorering av data möjligheten att detektera avvikande energiförbrukning. Detta kan vara särskilt intressant för till exempel husägare för att upptäcka om en enhet i hemmet fungerar felaktigt. I denna rapport undersöks två olika metoder för att analysera och upptäcka avvikelser i ett privat hushålls energikonsumtion. Metoderna som undersökts är statistisk gruppering och klustring där resultatet visar stor skillnad baserad på vilken karaktär den insamlade datan har. Den statistiska metoden producerar önskvärda resultat om datat är regelbundet och följer ett relativt likt mönster men lyckas inte producera önskvärda resultat om datat är oregelbundet. Klustringsmetoden hanterar både regelbunden och oregelbunden data med önskvärda resultat. Slutsatsen av undersökningen är att klustring kan vara ett fördelaktigt alternativ jämfört med statistisk gruppering vid avvikelsedetektering inom energiförbrukning.

Abstract [en]

Along with the increased simplicity of big data collection with help from new techniques and more powerful hardware which allows for big data processing, new possibilities for streaming data monitoring opens up. In the energy sector an interesting field of monitoring data is the possibility to detect anomalous energy consumption. This could be of particular interest to for example house owners for detection of anomalous behaviour of electrical devices in their home. In this report two methods for anomaly detection of energy consumption data are reviewed. The methods are statistical grouping and clustering where the result of the two show great difference based on which characteristic the collected data has. The statistical method manage to produce desirable results if the data is regular and follow a relatively similar pattern but does not succeed in bringing desirable results with irregular data. The cluster method on the other hand does manage to bring desirable results with both regular and irregular data. The conclusion of this review is that clustering may be a favorable alternative compared to statistical grouping when applied to anomaly detection within energy consumption. 

Place, publisher, year, edition, pages
2019. , p. 66
National Category
Computer Sciences
Identifiers
URN: urn:nbn:se:oru:diva-76491OAI: oai:DiVA.org:oru-76491DiVA, id: diva2:1352103
Subject / course
Computer Engineering
Supervisors
Examiners
Available from: 2019-09-17 Created: 2019-09-17 Last updated: 2019-09-17Bibliographically approved

Open Access in DiVA

No full text in DiVA

By organisation
School of Science and Technology
Computer Sciences

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 208 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf