Data-driven approaches for anomaly detection in energy metering

Accurate energy metering is essential for power grid management, load forecasting, and trusted revenue metering. Energy meters, as measurement instruments, are inherently prone to anomalies, similar to any other continuously operating measurement device. The presence of such anomalies in energy metering can impose financial burdens on either the consumer or the supplier which potentially leads to disputes and inefficiencies in billing. Since the invention of energy meters, continuous advancements have been made to improve their reliability and minimize the risk of anomalous readings. This thesis explores data-driven approaches for anomaly detection with the objective of improving energy metering reliability. Initially, the study focuses on the feasibility of Non-Intrusive Load Monitoring (NILM) as a potential method for detecting measurement anomalies. The contributions in this area primarily focus on data pre-processing and feature extraction, both of which are critical in enhancing the computational efficiency of NILM. However, it was ultimately concluded that NILM is not suitable for measurement anomaly detection, as energy metering falls under legal metrology domain. Thus, requiring metrologically traceable data. This limitation arises from the fact that NILM is inherently a data-driven technique, which, in its initial stages, relies on appliance-level data for training and validation. These appliance-level data are often obtained from non-traceable measurement instruments in publicly available datasets, making them unsuitable for energy metering applications where metrological traceability is a requirement. Alternatively, this study introduces a framework based on metrologically traceable energy readings which are collected via a cloud-based system designed for second-generation smart energy meters. In this context, to guarantee measurement conformity and traceability, the measurement process is not carried out using standalone voltage and current measurement instruments; instead, it is performed by conforming smart energy meters that operate within the legal metrology framework. Using this data, the application of machine learning techniques for anomaly detection in energy metering is explored. This part of the research focuses on best-practice principles in machine learning-based classification, with particular focus on hyperparameter tuning and feature selection analysis. Approaches have been developed to optimize hyperparameter selection to ensure that computational efficiency is maintained while improving classification performance. Additionally, the study focuses on how different feature combinations influence model accuracy and generalization.

La misurazione accurata dell’energia è fondamentale per la gestione della rete elettrica, la previsione dei carichi e la fatturazione affidabile. I contatori di energia, in quanto strumenti di misura, sono intrinsecamente soggetti ad anomalie, al pari di qualsiasi altro dispositivo di misurazione che operi in modo continuo. La presenza di tali anomalie nella misurazione dell’energia può comportare oneri finanziari sia per il consumatore che per il fornitore, portando potenzialmente a controversie e inefficienze nella fatturazione. Fin dall’invenzione dei contatori, sono stati compiuti continui progressi per migliorarne l’affidabilità e ridurre il rischio di letture anomale. Questa tesi esplora approcci basati sui dati per il rilevamento delle anomalie, con l’obiettivo di aumentare l’affidabilità della misurazione dell’energia. Inizialmente, lo studio si concentra sulla fattibilità del monitoraggio non intrusivo dei carichi (NILM – Non-Intrusive Load Monitoring) come possibile metodo per individuare anomalie nelle misurazioni. I contributi in quest’ambito si focalizzano principalmente sul pre-trattamento dei dati e sull’estrazione delle caratteristiche, entrambi aspetti critici per migliorare l’efficienza computazionale del NILM. Tuttavia, si è infine concluso che il NILM non è adatto al rilevamento di anomalie di misura, poiché la misurazione dell’energia rientra nel dominio della metrologia legale. Di conseguenza, richiede dati metrologicamente tracciabili. Questa limitazione deriva dal fatto che il NILM è intrinsecamente una tecnica data-driven che, nelle sue fasi iniziali, si basa su dati a livello di elettrodomestico per l’addestramento e la validazione. Tali dati, provenienti spesso da strumenti di misura non tracciabili e da set di dati pubblici, non sono adatti per applicazioni metrologiche in cui la tracciabilità è un requisito imprescindibile. In alternativa, lo studio propone un framework basato su letture energetiche metrologicamente tracciabili, raccolte tramite un sistema cloud progettato per contatori intelligenti di seconda generazione. In questo contesto, per garantire la conformità e la tracciabilità della misura, il processo di misurazione non viene effettuato mediante strumenti indipendenti di tensione e corrente, ma è eseguito da contatori intelligenti conformi, operanti all’interno del quadro normativo della metrologia legale. A partire da questi dati, viene esplorata l’applicazione di tecniche di apprendimento automatico per il rilevamento di anomalie nella misurazione dell’energia. Questa parte della ricerca si concentra sui principi di best practice della classificazione basata su machine learning, con particolare attenzione all’ottimizzazione degli iperparametri e all’analisi della selezione delle caratteristiche. Sono stati sviluppati approcci per ottimizzare la selezione degli iperparametri, in modo da mantenere l’efficienza computazionale migliorando al contempo le prestazioni del modello. Inoltre, lo studio analizza l’influenza delle diverse combinazioni di caratteristiche sull’accuratezza del modello e sulla sua capacità di generalizzazione.