Tillämpning av maskininlärning för analys av förbrukningsdata hos vattenpumpar

Sammanfattning

Det finns stora mängder driftdata inom energi och vattensektorn från diverse tekniska system, denna data används dock inte alltid fullt ut för exempelvis analys eller beslutsstöd. Detta examensarbete utforskar detta område genom analys av förbrukningsdata hos avloppsvattenpumpar och gör det i samarbete med Mälarenergi. Syftet med arbetet har varit att undersöka hur verksamhetens råa förbrukningsdata från dessa pumpar kan struktureras och analyseras för att identifiera avvikande förbrukningsmönster samt undersöka möjligheten att förutsäga framtida pumpförbrukning. Arbetet fokuserar på ett urval av sex avloppsvattenpumpar och bygger på historisk data under perioden 2022 till 2026. Arbetet har utförts i flera steg där data har bearbetades, standardiserades och sedan analyserades separat för varje pump. För att analysen av pumpförbrukningen skulle bli mer nyanserad användes även tidsbaserade, väderrelaterade och historikbaserade variabler. Arbetet inkluderade anomalidetektion, vilket genomfördes med Isolation Forest för att identifiera avvikande mönster i datamängden utan tillgång till etiketterad driftdata. Arbetet kompletterades även med en prognosmodell baserad på XGBoost för att undersöka om framtida förbrukning kunde uppskattas utifrån historiska mönster. Utifrån analysernas resultat visade det sig att avvikande förbrukningsmönster kunde identifieras på flertalet tidsnivåer exempelvis timmar, dygn, veckor, månader, årstider och helgdagar. I flera fall visade analysen även att anomalier sammanföll med specifika sammanhang exempelvis med tidsmönster och nederbörd. För perspektivet med prognosmodellen visade resultaten att förutsägelser av kommande förbrukning i flera fall kunde följa det övergripande förbrukningsmönstret, dock varierade träffsäkerheten mellan de olika pumparna. Sammantaget visar arbetet att maskininlärning kan användas för att skapa ökad förståelse för pumpförbrukning och kan fungera som ett beslutsstöd, men att resultaten bör tolkas som indikationer snarare än bekräftade driftfel eller ett färdigt styrsystem.