Publicação
Anomaly detection for preventive and predictive maintenance systems
| Resumo: | Dado o aumento da preocupação relativamente às alterações climáticas, e políticas de redução dos efeitos das alterações climáticas, verifica-se cada vez mais um aumento na procura por veículos elétricos. Esta procura, implica alterações na rede de abastecimento de veículos com a necessidade de incluir estações de carregamento. Estas alterações, criaram condições para que novas empresas pudessem surgir, como é o caso da We Can Charge. Porém, este aumento, implica também novos desafios na monitorização, manutenção e especificamente na deteção de anomalias nas mesmas. Atualmente, a We Can Charge utiliza o Open Charge Point Protocol (OCPP). Este é um protocolo e standard de código aberto, que permite a comunicação entre os diversos componentes de uma rede de carregamento de veículos elétricos, permitindo obter informação relevante sobre os mesmos pela análise da informação enviada nos pacotes de comunicação. Através de uma ferramenta dedicada, é possível à We Can Charge, detetar a ocorrência de anomalias. Apesar disto, a deteção das anomalias não é imediata e usa uma quantidade limitada da informação fornecida pelo protocolo, não utilizando a informação do estado dos conectores e transações de carregamento. Assim, o principal objetivo desta dissertação é analisar e utilizar os dados recolhidos sobre o estado dos seus conectores e transações de carregamento, aplicando-os a algoritmos de machine learning. Para tal, efetuamos a criação de vários modelos, um modelo de deteção em tempo real, onde obtivemos os melhores resultados utilizando o algoritmo Isolation Forest, e dois modelos de previsão baseados em redes LSTMs, um relativo ao estado e outro ao número de erros reportados nos dados relativos ao estado dos conectores. Combinando estes modelos, foi possível a criação da Connectors Forecasting Network (CNF), que nos permite a previsão de anomalias futuras nas estações de carregamento. |
|---|---|
| Autores principais: | Eiras, Eduardo Veloso |
| Assunto: | Deteção de anomalias Machine learning Open charge point protocol Previsão de anomalias Redes de carregamento Veículos elétricos Anomaly detection Anomaly forecasting Charging networks Electric vehicles |
| Ano: | 2024 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | inglês |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | Dado o aumento da preocupação relativamente às alterações climáticas, e políticas de redução dos efeitos das alterações climáticas, verifica-se cada vez mais um aumento na procura por veículos elétricos. Esta procura, implica alterações na rede de abastecimento de veículos com a necessidade de incluir estações de carregamento. Estas alterações, criaram condições para que novas empresas pudessem surgir, como é o caso da We Can Charge. Porém, este aumento, implica também novos desafios na monitorização, manutenção e especificamente na deteção de anomalias nas mesmas. Atualmente, a We Can Charge utiliza o Open Charge Point Protocol (OCPP). Este é um protocolo e standard de código aberto, que permite a comunicação entre os diversos componentes de uma rede de carregamento de veículos elétricos, permitindo obter informação relevante sobre os mesmos pela análise da informação enviada nos pacotes de comunicação. Através de uma ferramenta dedicada, é possível à We Can Charge, detetar a ocorrência de anomalias. Apesar disto, a deteção das anomalias não é imediata e usa uma quantidade limitada da informação fornecida pelo protocolo, não utilizando a informação do estado dos conectores e transações de carregamento. Assim, o principal objetivo desta dissertação é analisar e utilizar os dados recolhidos sobre o estado dos seus conectores e transações de carregamento, aplicando-os a algoritmos de machine learning. Para tal, efetuamos a criação de vários modelos, um modelo de deteção em tempo real, onde obtivemos os melhores resultados utilizando o algoritmo Isolation Forest, e dois modelos de previsão baseados em redes LSTMs, um relativo ao estado e outro ao número de erros reportados nos dados relativos ao estado dos conectores. Combinando estes modelos, foi possível a criação da Connectors Forecasting Network (CNF), que nos permite a previsão de anomalias futuras nas estações de carregamento. |
|---|