prikaz prve stranice dokumenta Vrednovanje algoritama za detekciju stršećih vrijednosti i anomalija u vremenskim nizovima podataka solarnih elektrana
No public access
master's thesis
Vrednovanje algoritama za detekciju stršećih vrijednosti i anomalija u vremenskim nizovima podataka solarnih elektrana
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. urn:nbn:hr:168:787755
Mustač, Domagoj
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Mustač, D. (2023). Vrednovanje algoritama za detekciju stršećih vrijednosti i anomalija u vremenskim nizovima podataka solarnih elektrana (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:787755

Mustač, Domagoj. "Vrednovanje algoritama za detekciju stršećih vrijednosti i anomalija u vremenskim nizovima podataka solarnih elektrana." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. https://urn.nsk.hr/urn:nbn:hr:168:787755

Mustač, Domagoj. "Vrednovanje algoritama za detekciju stršećih vrijednosti i anomalija u vremenskim nizovima podataka solarnih elektrana." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. https://urn.nsk.hr/urn:nbn:hr:168:787755

Mustač, D. (2023). 'Vrednovanje algoritama za detekciju stršećih vrijednosti i anomalija u vremenskim nizovima podataka solarnih elektrana', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 17 November 2024, https://urn.nsk.hr/urn:nbn:hr:168:787755

Mustač D. Vrednovanje algoritama za detekciju stršećih vrijednosti i anomalija u vremenskim nizovima podataka solarnih elektrana [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2023 [cited 2024 November 17] Available at: https://urn.nsk.hr/urn:nbn:hr:168:787755

D. Mustač, "Vrednovanje algoritama za detekciju stršećih vrijednosti i anomalija u vremenskim nizovima podataka solarnih elektrana", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:168:787755

Metadata
TitleVrednovanje algoritama za detekciju stršećih vrijednosti i anomalija u vremenskim nizovima podataka solarnih elektrana
Title (english)Evaluation of Algorithms for Outlier and Anomaly Detection in Solar Plant Time Series Data
AuthorDomagoj Mustač
MentorTomislav Petković (mentor)
Committee memberTomislav Petković (predsjednik povjerenstva)
Committee memberZvonko Kostanjčar (član povjerenstva)
Committee memberStjepan Begušić (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2023-07-11, Croatia
Abstract
Evaluacija algoritama generalno je važan aspekt dobivanja estimacije performansi, te omogućuje dodatne mogućnosti poboljšanja algoritma u obliku optimizacije parametara i slično. Često stručnjaci u domeni solarnih elektrana ručno provjeravaju takve algoritme, što nije idealno zbog nemogućnosti skaliranja na rastući broj individualnih elektrana. Zbog toga je razvijen radni okvir za automatsku validaciju algoritama. Standardne metrike, poput točnosti se nisu pokazale kao dobrim odabirom zbog svoje nesposobnosti da razlikuju i vrednuju specifične elemente koji su bitni za evaluaciju algoritama za detekciju anomalija i stršećih vrijednosti u domeni solarnih elektrana. Ti elementi uključuju stabilnost, kasno otvaranje i zatvaranje zastavica za kvarove, i ostale specifične informacije koje su bitne za evaluaciju. Zbog toga su uz pomoć stručnjaka u domeni kreirane nove metrike pomoću novo napravljenih značajki, gdje svaka metrika evaluira svaki pojedinačni aspekt algoritma, te su sve te metrike kasnije kombinirane sa različitim težinama kako bi dale bolju reprezentaciju konačne kombinirane mjere u usporedni sa standardnim metrikama poput točnosti.
Abstract (english)
Algorithm evaluation is generally an important aspect to get performance estimates, as well as allowing for further algorithm improvements in the form of parameter tuning. It is common that domain experts in the solar power plant industry manually validate machine learning algorithms which is not an ideal solution, as it is not scalable to a growing number of individual power plants. Therefore, an automatic evaluation framework was developed to tackle this issue. The conventional metrics, such as accuracy, were deemed inadequate due to their inability to account for specific aspects that are essential for evaluating a solar power plant anomaly detection algorithm. These aspects include stability, opening and closing faults speed, and other specific information that must be thoroughly tested. New metrics using newly engineered features were therefore created with the help of domain experts, where each metric tests a specific algorithm aspect, and all of these metrics are later combined with different weights to give the most representative final combined score compared to the standard metrics such as accuracy.
Keywords
Keywords (english)
Languageenglish
URN:NBNurn:nbn:hr:168:787755
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-10-11 09:54:33