This study aimed to develop different methods of artificial intelligence to detect faults in district heating substations to reduce high return temperatures, in collaboration with Halmstad Energi och Miljö (HEM). Three approaches were applied: the statistical model Autoregressive Integrated Moving Average (ARIMA), the autoencoder-based approach using UnSupervised Anomaly Detection model (USAD), and the machine learning k-Nearest Neighbors algorithm (k-NN). Using unlabeled data from more than 4,000 buildings (2022–2025), faults were injected to evaluate the performance of the models. ARIMA used time series forecasting, achieving 51.1 % recall and 16.9 % precision. USAD demonstrated balanced performance, with 36.9 % recall and 36.8 % precision, while k-NN showed high recall, 77.4 %, and precision, 35.3 %. The study shows the precision-recall tradeoff, with method selection depending on how powerful the model is at detecting faults. Although k-NN shows high performance in detecting injected faults, minimizing the number of false alarms is required for operational deployment.

Syftet med denna studie är att utveckla olika metoder av artificiell intelligensför att upptäcka fel i fjärrvärmeundercentraler med avsikt att minska höga re-turtemperaturer, i samarbete med Halmstad Energi och Miljö (HEM). Tre metodertillämpades: den statistiska modellen Autoregressive Integrated Moving Average(ARIMA), en autoencoder-baserad metod med modellen UnSupervised AnomalyDetection (USAD), samt maskininlärningsalgoritmen k-Nearest Neighbors (k-NN).Med hjälp av oetiketterad data från över 4 000 byggnader (2022–2025) injicer-ades fel för att utvärdera modellernas prestanda. ARIMA använde tidsserieprog-noser i kombination med tröskelvärden baserade på statistisk processtyrning (SPC),vilket resulterade i 51,1% recall och 16,9% precision. USAD visade en mer bal-anserad prestanda med 36,9% recall och 36,8% precision, medan k-NN uppnåddehög recall 77,4% och precision 35,3%. Studien belyser avvägningen mellan preci-sion och recall, där val av metod beror på hur effektiv modellen är på att upptäckafel. Även om k-NN visar hög träffsäkerhet i att identifiera injicerade fel, krävs detatt antalet falska larm minimeras för att modellen ska kunna användas i praktiskdrift.