Anomaly detection for preventive and predictive maintenance systems

Abstract

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.

In recent years the concern for environmental changes and the increasing measures imposed reduce climate change effects led to an increase in demand for electric vehicles. The growing number of these vehicles, in turn, calls for changes in the re-fuelling network introducing the need to include and manage charging stations where these can charge. This change formed an opportunity for new companies such as We Can Charge to emerge. However, the increase in the size of the network by increasing the number of charging stations comes with an uprising challenge when it comes to managing and ensuring that any anomalies are detected and resolved in the shortest time possible, allowing the continued use of their services. the Open Charge Point Protocol (OCPP) is an open-source standard used in enabling the communica tion between a charging network’s components. Currently, We Can Charge uses a dedicated and custom tool that analyses OCPP packets containing information sent by each charging station. However this tool only uses part of the data that OCPP provides, not making use of important information like connector status and charging transaction information. Therefore, this study aims to utilise this data, applying several machine learning algorithms and com paring the obtained results in order to determine which model performs best in the real-time anomaly detection task, but also in forecasting these anomalies. To accomplish that task, we created a real time detection model, obtaining the best results with the Isolation Forest algorithm, enabling us to classify connector status data, and two LSTM forecasting models one for the status and another for the error counts obtained from connector status data. These results enabled us to combine these models in a sin gle pipeline creating the Connector Forecasting Network (CFN), which in turn allowed us to predict future anomalies in the charging stations of the network.