Sensor data are widely used for simulation, prediction, and system control, with the goal of improving operational efficiency. However, real-world measurements often contain errors caused by sensor misplacement, incorrect calibration, or faults. Such erroneous data can lead to inaccurate outcomes, and detecting these faults remains a challenging problem. This thesis addresses the issue of fault detection in temperature sensors in building heating and cooling systems. A novel algorithm inspired by the PageRank method is developed and benchmarked against spectral clustering and genetic algorithm approaches. The proposed algorithm demonstrates effective fault detection capabilities, with improved accuracy particularly in small-scale systems.

Additionally, the digitalization of the heat pump sector drives the need for accurate performance estimation and forecasting. This work explores several data-driven modeling techniques—including neural networks and linear regression—to estimate heat pump performance. The best models achieve a mean absolute error of approximately 0.4, highlighting their potential for practical applications.

Sensordata används ofta för simulering, prediktion och systemkontroll, med målet att förbättraeffektiviteten i verksamheten. Mätningar i den verkliga världen innehåller dock ofta fel somorsakas av att sensorn är felplacerad, felaktig kalibrering eller skavank. Sådana felaktiga datakan leda till felaktiga resultat, och att upptäcka dessa fel är fortfarande ett utmanande problem.Detta examensarbete behandlar frågan om feldetektering i temperatursensorer i värme- och kylsystem. En ny algoritm inspirerad av PageRank-metoden utvecklas och jämförs med spektral klustring och genetiska algoritmer. Den föreslagna algoritmen demonstrerar effektiva feldetekteringsfunktioner med förbättrad noggrannhet, särskilt i småskaliga system.

Digitaliseringen av värmepumpssektorn driver dessutom på behovet av korrekta prestandauppskattningar och prognoser. I detta arbete undersöks flera datadrivna modelleringstekniker - inklusive neurala nätverk och linjär regression - för att uppskatta värmepumpens prestanda. De bästa modellerna uppnår ett genomsnittligt absolut fel på cirka 0,4, vilket belyser deras potential för praktiska tillämpningar.