Sähkönkulutusmittausten mittausvirheet ja niiden havaitseminen

Abstract

Sähkönkulutusmittauksen mittausvirhe vaikuttaa sekä asiakkaan sähkönkulutuskustannuksiin että jakeluverkonhaltijan häviösähkökustannuksiin. Virheen takia mittaamatta jäänyt energia lisää jakeluverkon häviösähkön määrää. Jakeluverkonhaltija kattaa häviösähkön hankintakustannukset verkkopalvelumaksuilla. Suuressa kulutuskohteessa, kuten yritys- tai teollisuuskohteessa, esiintyvällä yksittäisellä mittausvirheellä voi olla merkittävä taloudellinen vaikutus. Teollisuuden sähkönkulutuksen ennustetaan kasvavan tulevaisuudessa, mikä lisää suurten mittausvirheiden riskiä entisestään.

Tämän diplomityön tavoitteena oli selvittää, miten mittausvirheitä voidaan havaita sähkönkulutusdatasta. Työ toimii esiselvitystyönä mittausvirheiden havaitsemistyökalun kehittämistä varten. Motivaationa mittausvirheiden havaitsemiseen on sähkönkulutuskustannusten kohdentaminen oikealle käyttäjälle sekä jakeluverkonhaltijan häviösähkökustannusten minimointi.

Työssä keskityttiin epäsuoriin sähkönkulutusmittauksiin, joissa mittausvirheet johtuvat usein inhimillisistä virheistä. Johtimet on voitu esimerkiksi kytkeä väärään järjestykseen, tai mittarille asetettu virtamuuntajakerroin ei vastaa todellista muuntosuhdetta. Myös laitteistoviat, kuten mittaussulakkeiden palaminen, voivat aiheuttaa mittausvirheitä. Mittausvirheet voivat näkyä sähkönkulutusdatassa yksittäisinä piikkilukemina tai kulutustason muutoksina.

Tutkimuksessa testattiin seitsemän eri poikkeavuuksien havaitsemismenetelmän soveltuvuutta mittausvirheiden havaitsemiseen sähkönkulutusdatasta. Testatut menetelmät olivat Z-arvo, Seasonal Autoregressive Integrated Moving Average (SARIMA), Isolation Forest (iForest), One-Class Support Vector Machine (OCSVM), Local Outlier Factor (LOF), Gaussian Mixture Model (GMM) ja Autoencoder (AE). Menetelmiä testattiin eri koulutusdatapituuksilla ja datan esikäsittelytavoilla.

Testeihin käytettiin 68 käyttöpaikan sähkönkulutusaikasarjoja. Aikasarjoista 40 sisälsi virheellisesti mitattuja kulutuslukemia ja 28 oli virheettömiä. Virhetapaukset jaoteltiin niissä esiintyvien virhetyyppien perusteella neljään ryhmään: piikkitapaukset, lyhytkestoiset virhetapaukset, selvät virhetapaukset ja vaikeat virhetapaukset. Ryhmittelyn avulla arvioitiin, kuinka hyvin tarkasteltavat havaitsemismenetelmät soveltuvat erityyppisten mittausvirheiden havaitsemiseen.

Havaitsemismenetelmät asetettiin paremmuusjärjestykseen F_1-arvon perusteella. Testien perusteella OCSVM oli paras menetelmä kaikissa muissa tapauksissa paitsi lyhytkestoisissa virhetapauksissa. Menetelmän F_1-arvo oli piikkitapauksissa 67 %, selvissä virhetapauksissa 98 % ja vaikeissa virhetapauksissa 85 %. GMM suoriutui parhaiten lyhyissä virhetapauksissa 82 %:n F_1-arvolla. Testien perusteella piikkitapaukset ja kulutustason muutokset tulisi havaita eri menetelmillä. Piikkien havaitsemiseen kannattaa käyttää esikäsittelemätöntä dataa, kun taas kulutustason muutosten havaitsemiseen esikäsitelty data soveltuu paremmin.

Työssä käytettyjä menetelmiä voidaan hyödyntää havaitsemistyökalun kehittämisessä, mutta parhaan vaihtoehdon löytämiseksi niitä tulee testata lisää. Tulevissa testeissä tulisi kiinnittää huomiota muun muassa menetelmien parametrisointiin sekä virheettömistä tapauksista havaittujen poikkeavuuksien lukumäärään. Tämän työn testeissä parhaat vaikeiden virhetapausten havaitsemismenetelmät tunnistivat runsaasti poikkeavuuksia myös virheettömistä aikasarjoista.