Tecniche di clustering come strumento per l'individuazione di consumi energetici anomali

Il rilevamento di consumi energetici anomali in ambito industriale viene spesso fatto utilizzando tecniche tradizionali basate su analisi statistiche. Il lavoro della presente tesi, invece, si propone di implementare uno strumento di anomaly detection basato su tecniche Machine Learning (ML) per il clustering; in particolare, per il caso studio in esame viene proposto l’uso dell’algoritmo DBSCAN. Uno strumento di questo tipo, oltre ad automatizzare il processo di anomaly detection, consente di elaborare contemporaneamente più informazioni, come i consumi energetici, le condizioni climatiche e le caratteristiche dell’impianto di condizionamento, a differenza delle analisi statistiche che elaborano poche variabili assieme. Inoltre, l’uso di algoritmi di clustering può essere particolarmente performante all’aumentare delle dimensioni del dataset ed al ridursi della scala temporale su cui viene eseguita l’analisi. Nonostante ciò, l’accuratezza dei risultati è fortemente influenzata dal numero di informazioni utili che vengono inserite, ma anche dalla distribuzione delle variabili stesse. Per questi motivi, l’uso della metodologia descritta fornisce buoni risultati per il caso studio in esame, ma difficilmente può essere generalizzata per dataset diversi. L’obiettivo del presente lavoro è quindi quello di applicare la metodologia di clustering descritta per l’individuazione di consumi energetici anomali di punti vendita appartenenti ad una catena di supermercati situati in Toscana al fine di promuoverne l’efficientamento energetico. Il progetto è stato svolto in collaborazione con l’azienda Unicoop Firenze s.c. proprietaria della catena dei supermercati analizzati