Mid Sweden University
Not a member yet
15329 research outputs found
Sort by
Forecasting Electricity Demand Across Zones : Comparing LSTM, CNN, AND LightGBM
No full textAtt kunna förutsäga elförbrukning korrekt är mycket viktigt för energiföretag idag. Det hjälper dem att hantera resurser bättre, minska kostnader och skydda miljön. Den här studien undersöker hur man kan bygga bra modeller för att förutsäga elförbrukning i staden Tetouan i Marocko. Nuvarande metoder fungerar inte så bra för att förstå de komplicerade mönstren i hur olika områden använder el. Vi testade och jämförde tre olika datormodeller: LSTM (Long-Short-Term Memory) nätverk, CNN (Convolutional Neural Networks), och LightGBM. Vi använde detaljerade data om elförbrukning tillsammans med väderinformation som temperatur, luftfuktighet och vindhastighet. Vi kollade hur bra varje modell var på att göra förutsägelser, hur snabbt de fungerade, och vilka faktorer som var viktigast. Resultaten visar att LSTM-modellen fungerade bäst för att förutsäga elförbrukning med ett R²-värde på 0,99, medan CNN och LightGBM visade negativa R²-värden (-0,68 respektive -1,07). Genom systematisk hyperparameteroptimering visade LightGBM en dramatisk förbättring från dålig prestanda (R² = -1,07) till excellent prognosträffsäkerhet (R² = 0,99), vilket visar hur viktigt det är att ställa in modellerna rätt. CNN-modellerna visade minimal förbättring trots optimeringsinsatser, vilket tyder på arkitektoniska begränsningar för denna typ av tidsserieprognos. Denna forskning ger praktiska tips för energiföretag och konsumenter om hur de kan förstå förbrukningsmönster, hitta bästa tiderna att använda el, och spara energi genom bättre prognoser.In today’s energy landscape, accurate forecasting of electricity consumption is crucial for efficient resource management, cost reduction and environmental sustainability. This research addresses the challenges of developing precise predictive models for power consumption in Tetouan, Morocco, where current forecasting methods fail to capture complex consumption patterns across multiple distributions zones. We implement and compare three state-of-the-art machine learning approaches: Long-Short-Term Memory (LSTM) networks with attention mechanisms, Convolutional Neural Network (CNNs), and Light Gradient Boosting Machine (LightGBM). Using high-frequency power consumption data supplemented with environmental variables such as temperature, humidity and wind speed, we evaluate each model’s performance in terms of prediction accuracy, computational efficiency and feature importance analysis. Our results demonstrate that LSTM performed well in terms of prediction, achieving an R2 score of 0.99, while CNN and LightGBM showed negative R2 values (-0.68 and -1.07 respectively), with implications for optimal model selection depending on forecasting horizon and computational constraints. Through systematic hyperparameter optimization, LightGBM showed dramatic improvement from negative performance (R² = -1.07) to excellent forecasting accuracy (R² = 0.99), demonstrating the critical importance of proper model tuning. CNN models showed minimal improvement despite optimization efforts, indicating architectural limitations for this time-series forecasting task. This research provides practical insights for energy providers and consumers to identify consumption patterns, determine optimal usage times, and quantify potential energy saving through improved forecasting techniques
Spatial Resolution Analysis of Laboratory-Based X-ray Imaging System : Evaluation using pinhole and edge method
No full textThis study evaluates the spatial resolution of a laboratory-based Xray imaging system using two established methods: edge analysis and pinhole imaging. The edge method involves extraction the Edge Spread Function (ESF), computing the Line Spread Function (LSF), and deriving the Modulation Transfer Function (MTF) to assess detector-limited performance. The pinhole method used a small aperture to approximate a point source, from which the Point Spread Function (PSF) is obtained and modelled using a twodimensional Gaussian fit.The results from the edge method showed high consistency, with a MTF50 of approximately 0,755 lp/mm and a Full Width at Half Maximum (FWHM) of around 0,54 mm. These values are in good agreement with the detector manufacturer’s specifications. The pinhole method yielded significantly broader PSF, with a much lower MTF50 of approximately 0,0003 lp/mm, reflecting the full system blur including geometric and source contributions. The study concludes that both methods offer complementary perspectives: the edge method accurately measures the detectors resolution, while the pinhole method provides insight into the total system performance. The results contribute to quality assurance practices and support future system optimization.I detta arbete utvärderas den spatiala upplösningen hos ett laboratoriebaserat röntgenavbildningssystem med hjälp av två etablerade metoder: kantanalys och pinhole-bildtagning. Kantmetoden bygger på att extrahera Edge Spread Function (ESF), derivera denna till Line Spread Function (LSF), och därmed beräkna Modulation Transfer Function (MTF) för att bedöma detektorns upplösning. Pinhole-metoden använder en liten öppning för att approximera en punktkälla, varifrån Point Spread Function (PSF) erhålls och modelleras med en tvådimensionell Gauss-passning.Resultatet från kantmetoden visar god noggrannhet och repeterbarhet, med ett MTF50-värde på cirka 0,755 lp/mm och en Full Width at Half Maximum (FWHM) på cirka 0,54 mm, i god överensstämmelse med detektorns specifikation. Pinhole-metoden resulterade i bredare PSF med betydligt lägre MTF50 på cirka 0,0003 lp/mm, vilket speglar oskärpan från hela systemet inklusive källa och geometri.Studien visar att metoderna kompletterar varandra: kantmetoden ger en noggrann uppskattning av detektorupplösningen, medan pinhole-metoden ger insikt i hela systemets upplösning. Resultaten kan användas för kvalitetssäkring och vidare optimering av röntgensystem
Indexering för generativ AI : Tillämpas på UNS-data
No full textDetta examensarbete undersöker olika lösningar för att indexera data i ett Unified Namespace för att göra det tillgängligt för generativ AI. Projektet genomförs i samarbete med SCA och har haft som mål att identifiera lämpliga indexeringsmetoder utifrån data och metadata, samt att utveckla en demonstrator som förbättrar sökningar i databasen och möjliggör bearbetning av data med hjälp av AI. Inledningsvis undersöktes deras befintliga databas och normaliserades. Därefter implementerades en demonstrator i Docker med TimescaleDB, MindsDB och Ollama. En Flask-server lät användare ställa frågor via ett gränssnitt som översattes till SQL av en generativ AI. Prestandamätningar visar att indexering och normalisering av databasen kraftigt förbättrar svarstiden. Tidsintervallfrågor exekverades minst 27 gånger snabbare, aggregerande frågor minst fem gånger snabbare och platsbaserade sökningar reducerades med över 40 procent i exekveringstid. Efter justering av promptmallen gav den generativa AI:n även mer koncisa svar. Samtliga uppsatta mål uppfylldes, och slutsatsen bekräftar att en välstrukturerad databas är en förutsättning för både prestanda och precision i generativ AI-chatt.This thesis explores various solutions for indexing data in a Unified Namespace to make it accessible to generative AI. The project was conducted in collaboration with SCA and aimed to identify suitable indexing methods based on data and metadata, as well as to develop a demonstrator that enhances database search capabilities and enables data processing using AI. Initially, their existing database was analyzed and normalized. A demonstrator was then implemented in Docker using TimescaleDB, MindsDB, and Ollama. A Flask server allowed users to submit questions through an interface, which were translated into SQL by a generative AI. Performance measurements show that indexing and normalization of the database significantly improved response times. Time interval queries executed at least 27 times faster, aggregate queries at least five times faster, and location-based searches saw a reduction in execution time by over 40 percent. After adjusting the prompt template, the generative AI also provided more concise answers. All established goals were met, and the conclusion confirms that a well-structured database is a prerequisite for both performance and precision in generative AI chat
Att anpassa system till data - eller data till system? : Utmaningar med AI-analys i Business intelligence
No full textDetta arbete undersöker vilka krav som behöver uppfyllas för att IBM Cognos Analytics AIassistent ska kunna användas effektivt i en verklig verksamhetsmiljö. Utgångspunkten är ett praktiskt fall hos Centrala studiestödsnämnden (CSN), där verktyget har visat bristande prestanda med myndighetens egna data. Syftet är att klargöra hur datastruktur, data- och metadata kvalitet påverkar AI-assistentens förmåga att generera korrekta svar. Studien tillämpar en kombination av kvalitativa och kvantitativa metoder, däribland litteraturstudier, systemanalys, dataanalys samt tester i Cognos Analytics. Arbetet har bedrivits iterativt enligt vattenfallsmetoden i kombination med Design Science. Tre lösningar testades: omstrukturering av CSN:s frågepaket till en datamodul, omvandling av IBM:s testdatamodul till ett frågepaket, och slutligen berikning av CSN:s ursprungliga frågepaket. Resultatet visar att AI-assistenten gav helt korrekta svar när CSN:s data levererades som datamodul. Samtidigt visar tester med IBM:s omarbetade testdata att AI-assistenten kan ge korrekta svar i ett frågepaket - förutsatt att metadata är fullständig, tydlig, och beskrivande. Vid berikning av CSN:s ursprungliga frågepaket uppnådde assistenten endast korrekt svar på en av tre frågor, trots att samtliga semantiska brister i metadata exempelvis dubbletter av attributnamn åtgärdats. Detta tyder på att AI-assistenten behöver mer än bara semantiska justeringar av metadata och berikning av frågepaket. För att den ska kunna utnyttjas måste underliggande data vara väl strukturerad och definierad, då datakvalitet spelar en stor roll för analysen.This study investigates what is needed to utilize the AI assistant in IBM Cognos Analytics to a real-world organizational context. Using a case study at the Studiestödsnämnden, swedish translation to the Swedish Board of Student Finance (CSN), where the tool showed limited performance when applied to the organizations own data. The purpose is to clarify how the structure of the data, and the quality of both data and metadata, influence the AI assistant’s ability to produce accurate answers. The study combines both qualitative and quantitative methods, including literature review, system and data analysis, and testing within Cognos Analytics. The work was carried out iteratively, based on the waterfall model and Design Science. Three approaches were tested: converting CSN’s existing query package into a data module, transforming IBM’s test data module into a query package, and enhancing the metadata in CSN’s original query package. The results show that the AI assistant performed correctly when CSN’s data was used in a data module. Tests with IBM’s improved test data also demonstrated that accurate answers can be achieved in a query package, providing the metadata is clear, complete, and descriptive. In contrast, enriching the metadata in CSN’s original query package led to correct results in only one of three test cases. This suggests that the assistant needs more than just sematic adjustments and enriched query package. The data itself must also be well structured and clearly defined. In short, good data quality is crucial for the AI assistant to work properly
Performance indicators and training prerequisites for experienced short-course obstacle course racing athletes
No full textWithin-individual variations in blood loss and symptoms experienced during the bleeding phase of four consecutive menstrual cycles in trained female athletes
No full textSnörök – undersökning av snörökens rörelse och igensättning på en plogbils vindrutetorkare
No full textDet här examensarbetet handlar om problemet med snörök som uppstår vid användning av Mählers snöplog DPH3700. Syftet med detta arbete är att minska igensättningen av vindrutetorkarna för plogbilschaufförer. Målet är att bidra till utvecklingen av bättre plogdesign eller lösningar som minskar snörökens negativa effekter. För att nå detta mål har det analyserats hur snörök bildas, granskats hur luftflödet rör sig runt plogen och samlats in information från tidigare studier och förarerfarenheter. Resultatet visar att snörök påverkas av plogens utformning och körhastighet, det har också visast på att luftflödets väg kan ändras med hjälp av tilläggskonstruktion. Slutsatsen är att snörök är ett komplext problem där både design, snötyp och körförhållanden spelar roll. För att minska snörök krävs mer praktisk testning, förarfeedback och utveckling av nya tekniska lösningar.This thesis addresses the problem of snow smoke that occurs when using Mähler's snowplow DPH3700. The purpose of this work is to reduce the clogging of windshield wipers for snowplow drivers. The goal is to contribute to the development of better plow design or solutions that reduce the negative effects of snow smoke. To reach this goal, the formation of snow smoke has been analyzed, the airflow around the plow has been reviewed, and information has been collected from previous studies and driver experiences. The results show that snow smoke is affected by the design of the plow and driving speed. It has also been shown that the path of the airflow can be changed with the help of additional constructions. The conclusion is that snow smoke is a complex problem where design, snow type, and driving conditions all play a role. To reduce snow smoke, more practical testing, driver feedback, and the development of new technical solutions are required
Testutrustning för täthetsprövning : Utvecklingsarbete av testutrustning för motorinsug
No full textDenna rapport redogör för utvecklingsarbetet av en testutrustning för att testa tätheten på ett motorinsug. Arbetet genomförs som examensarbete på Mittuniversitetet i Östersund och görs med Hackås precisionsgjuteri (HPG). Syftet med projektet är att ge HPG möjligheten att testa tätheten på de insug HPG producerar innan de skickas vidare till Koenigsegg. Ett delmål är även att utrustningen möjliggör en tidseffektiv testning. Projektet följde en produktutvecklingsprocess med en produktspecificering, analys av möjliga testmetoder, konceptgenerering samt detaljkonstruktion, felmods- och feleffektsanalys och riskanalys utfördes. Utvecklingsarbetet resulterade i en testmetod samt tillverkningsunderlag för att tillverka testutrustningen. Nästa steg i utvecklingen är att utföra funktionstest av utrustningen för att undersöka om testmetoden fungerar som önskat. Detta kan leda till vidare utveckling om testmetoden och utrustningen har brister, om inte kan utrustningen användas till kommande produktion a motorinsug.This report describes the development process of leak finding equipment for an engine intake. The development process is part of a bachelor's thesis at Mid Sweden University and is done for Hackås precisionsgjuteri (HPG). The purpose of the project is to give HPG the ability to test all the produced intakes before they are delivered to the customer, Koenigsegg. The equipment should also enable time efficient testing. The project that followed a product development process resulted in a product specification, analysis of possible testing methods, concept generation, design, failure mode analysis and risk analysis. Results are a method for testing and blueprints and 3d-models needed for manufacturing. The next step in the development is prototype testing to investigate if the method and equipment works as intended. Further development and testing may be required in case either the method or the equipment does not perform as intended.
Nya chanser till arbete : Ideella föreningar som marknadsaktörer: enkvalitativ studie som belysersysselsä
No full textExaminationsdatum: 2025-06-02</p