Development and evaluation of machine learning algorithms for anomaly detection in building technology consumption data

Abstract

Die Nutzung von Gebäuden ist für einen großen Teil des weltweiten Energieverbrauchs verantwortlich, weshalb die EU große europäische Immobilienhalter dazu auffordert, ihre Objekte mit Messsensorik aus- oder nachzurüsten, um Verbräuche messbar und die Gebäude optimierbar zu machen. Aus diesen neuen Datenströmen ist zusätzlicher Mehrwert zu schaffen, etwa könnten sie in Echtzeit analysiert und auf anormales Verhalten geprüft werden, um frühzeitig energie- und instandhaltungsrelevante Gebrechen erkennen und Maßnahmen ergreifen zu können.Diese Forschungsarbeit prüft mittels Anwendung von Machine-Learning Modellen sowohl die Machbarkeit dieser Idee, als auch welche dieser Modelle sich am besten für die Anomalienerkennung und Anomalienklassifizierung eignen. Die zugrundeliegenden Forschungsmethoden bilden Experteninterviews, eine umfassende Literaturrecherche und das Testen und Vergleichen der vielversprechendsten Algorithmen. Weiters wurde im Zuge dieser Arbeit eine ganzheitliche Systemarchitektur entwickelt, die die einzelnen Modelle in einem Softwareprototypen zusammenschließen.Die Ergebnisse zeigen, dass der XGBoost Algorithmus sowohl bei der Verbrauchsdatenvorhersage als auch beim Klassifizieren der Anomalien die höchste Genauigkeit aufweist, sehr robust in der Anwendung ist und geringe Rechenkapazitäten benötigt. Nichtsdestotrotz zeigen auch die getesteten LSTM-, GRU-, TCN-, Auto-Encoder- und Transformer-Modelle für Teilbereiche sehr gute Vorhersagegenauigkeiten.Da das Sammeln von Verbrauchsdaten gerade erst am Anfang steht und vergangene Anomalien nicht klassifiziert wurden, war die Studie teilweise durch den geringen Datenumfang limiert. Nichtsdestotrotz liefert diese Arbeit einen wertvollen Vergleich gängiger Machine-Learning Algorithmen im Bereich des Gebäudemanagements und präsentiert eine mögliche Grundlage für ein intelligentes und portfolioweites Verbrauchsdaten-Überwachungsprogramm.Schlüsselbegriffe: KI, Gebäude, Verbrauchsdaten, Anomalieerkennung

As buildings account for a large share of global energy use, the EU is pushing for the retrofitting of sensors to enable consumption data collection. While this already enables the provision of basic KPIs, additional value can be created by analysing the resulting data streams in real-time for anomalous behaviours, which may indicate energy inefficiencies or technical issues.This thesis addresses the questions of how machine learning algorithms can be applied in this context, focusing on which methods are best suited for anomaly detection and on how such anomalies can be systematically classified. The methodology for answering these questions combines expert interviews, a comprehensive literature review, and a quantitative performance assessment of different machine learning models. Furthermore, a prototype software architecture was developed to integrate predictive and classification tasks into a holistic anomaly detection framework, where predictive models can serve as effective providers of "normal" consumption values, with anomalies identified and classified in their deviations from these predictions.The results from the model comparison show that XGBoost consistently achieved the best performance across both prediction and classification tasks, while LSTM, GRU, TCN, Auto-Encoders, and Transformers each excelled under specific conditions.Since the data capturing is still in its roll-out phase, the study was partly constrained by limited datasets. Nevertheless, this thesis contributes a comparative evaluation of algorithms for predictive maintenance and anomaly classification in building systems and provides a foundation for a scalable, portfolio-level monitoring solution.Keywords: buildings, consumption data, anomaly detection, anomaly classification