Unsupervised learning methods for anomaly detection in electrical systems

Anomaly detection is the problem of understanding when a system is not following its normal behavior. This might be caused by different internal or external aspects related to the whole system. In order to tackle this problem, it is necessary to understand well the normal system behavior and implement a way to detect from it whether a behavior is anomalous or not. This thesis focuses on analyzing the problem of anomaly detection in electrical power systems, investigating the solutions that can be applied depending on the context and on which anomaly must be detected. Many anomalies, in fact, may occur in this setting, due to many different aspects, for example: the outside temperature, a machine failure, or a machine malfunctioning. All of these might result in anomalies that show up in the power consumption data in different ways, time frames, and with different consequences. For this reason, different approaches might be best suited in order to detect different anomalies. The main advantages of detecting anomalous behaviors in electrical systems might be better power consumption management and preventing systems failures. To sum up, the aim of this thesis is to understand the best approaches and why they might be better in certain cases or others, propose a solution that exploits the main aspects of typical power consumption time series, and analyze the current state of the research.

Il rilevamento di anomalie è il problema di comprendere quando un sistema non si comporta correttamente. Le ragioni di un comportamento anomalo potrebbero essere causate da differenti aspetti, interni o esterni al sistema. Per gestire questa problematica, è necessario comprendere quale sia il retto comportamento del sistema e implementare un metodo per comprendere se il comportamento del sistema non è anomalo. Questa tesi si focalizza nell'analisi del problema del rilevamento di anomalie all'interno di sistemi elettrici, le cui soluzioni possono essere applicate a seconda del contesto in cui l’anomalia deve essere rilevata. Molte anomalie, infatti, potrebbero presentarsi in questo campo, a causa di problemi differenti tra loro, per esempio la temperatura esterna, un errore interno ad un macchinario o un malfunzionamento, e manifestarsi sui consumi energetici in modi altrettanto disparati, in diversi istanti di tempo e con conseguenze differenti. Per questa ragione, approcci eterogenei potrebbero essere migliori per rilevare un certo tipo di anomalia piuttosto che un altro. I principali vantaggi del rilevamento delle anomalie in un sistema elettrico potrebbero essere: migliore gestione dei consumi elettrici e prevenzione di guasti. In breve, lo scopo di questa tesi è di comprendere quali siano gli approcci migliori e in quali situazioni, proporre soluzioni per sfruttare gli aspetti principali comuni ai dati sui consumi elettrici e analizzare lo stato attuale della ricerca in questo campo.