Explainable anomaly detection for electric vehicles’ charging stations

Anomaly detection is the process of identifying data points that significantly de- viate from what is considered normal behavior. This thesis explores and analyzes methodologies and techniques for anomaly detection, examining their differences, strengths, and weaknesses. The work is based on a real-world case study: detect- ing anomalies in electric vehicle charging stations and their associated charging processes. Through the analysis of a dataset containing data from sensors and charging stations, the study investigates which information is most useful for identifying anomalous behaviors. Beyond anomaly detection, the research delves into the potential causes of anomalies, identifying the most significant features through EXplainable AI (XAI) techniques. To achieve these objectives, well-established methods for anomaly detection, such as the Isolation Forest model, were employed, alongside specific algorithms for result interpretation, such as DiFFI (Depth-based Isolation Forest Feature Importance). Finally, the results were analyzed to highlight the potential and limitations of the adopted solutions, and conclusions and recommendations for future developments of the project were proposed.

L’anomaly detection è il processo di identificazione di dati che si discostano sig- nificativamente da un comportamento ritenuto normale. Questa tesi esplora e analizza metodologie e tecniche per la rilevazione di anomalie, esaminandone dif- ferenze, punti di forza e debolezze. Il lavoro si basa su un caso reale: la rilevazione di anomalie nelle colonnine di ricarica per auto elettriche e nei relativi processi di ricarica. Attraverso l’analisi di un dataset contenente dati provenienti da sensori e colon- nine, è stato studiato quali informazioni possono essere utili per identificare com- portamenti anomali. Oltre alla rilevazione, si è indagato sulle possibili cause delle anomalie, identificando le feature più significative tramite tecniche di EXplainable AI (XAI). Per raggiungere questi obiettivi, sono stati impiegati metodi consolidati per l’anomaly detection, come il modello Isolation Forest, e algoritmi specifici per linterpretazione dei risultati, come il metodo DiFFI (Depth-based Isolation Forest Feature Importance). Infine, sono stati analizzati i risultati ottenuti, evidenziando il potenziale e i limiti delle soluzioni adottate, e sono state formulate conclusioni e proposte per futuri sviluppi del progetto.