Disaggregation of electrical energy consumption in smart buildings

par Moomal Qureshi

Thèse de doctorat en Energy

Sous la direction de Christian Ghiaus.

Soutenue le 09-11-2021

à Lyon , dans le cadre de Ecole Doctorale Mecanique, Energetique, Genie Civil, Acoustique (MEGA) (Villeurbanne) , en partenariat avec Institut national des sciences appliquées de Lyon (Lyon) (établissement opérateur d'inscription) , CETHIL - Centre d'Energétique et de Thermique de Lyon (Villeurbanne, Rhône) (laboratoire) et de Centre d'Energétique et de Thermique de Lyon / CETHIL (laboratoire) .

Le président du jury était Mohamed El Mankibi.

Le jury était composé de Christian Ghiaus, Mohamed El Mankibi, Benoit Delinchant, Mireille Jacomino, Simon Rouchier.

Les rapporteurs étaient Benoit Delinchant, Mireille Jacomino.

  • Titre traduit

    Désagrégation de la consommation d'énergie électrique dans les bâtiments intelligents


  • Résumé

    La surveillance de la charge non intrusive (NILM) est une solution intelligente pour surveiller la consommation électrique des ménages au niveau des appareils en utilisant les données agrégées recueillies par un compteur intelligent. Les méthodes de surveillance de la charge non intrusive sont supervisées ou non supervisées. Les algorithmes supervisés nécessitent l'intervention d'un opérateur. Les méthodes non supervisées sont intéressantes car elles ne nécessitent aucune intervention. Par conséquent, l'objectif de cette thèse était de développer un algorithme de surveillance de la charge non intrusif, non supervisé et entièrement basé sur les données. Nous développons un algorithme de désagrégation basé sur les événements qui regroupe les niveaux de puissance similaires. Cet algorithme de désagrégation aveugle comporte deux étapes : la modélisation des appareils et la désagrégation. Dans la première étape, les puissances sont regroupées en utilisant des modèles de mélange gaussien, sans connaître à l'avance le nombre de niveaux de puissance présents dans les données. Le nombre de clusters est déterminé par le critère d'information baysien (BIC). Dans la deuxième étape, l'algorithme identifie et corrige la consommation due à la présence de niveaux de puissance distincts. Nous testons l'algorithme sur deux jeux de données, l'un collecté par nos soins et l'autre étant un jeu de données public. Bien qu'ils soient non supervisés, la plupart des algorithmes nécessitent des hypothèses d'experts sur le nombre de clusters et la valeur seuil pour l'identification des événements. La caractéristique distinctive de notre travail est que l'algorithme les déduit des données, sans aucune intervention externe. En comparant la performance de notre algorithme non supervisé avec d'autres méthodes, nous trouvons des résultats comparables. Les limites de l'algorithme sont dues à l'hypothèse que seuls des appareils à deux états sont présents dans les données. La performance de l'algorithme peut se détériorer en présence d'autres types d'appareils (puissance continue ou multi-états). Nous supposons que cet algorithme pourrait être amélioré en utilisant des données à haute fréquence et davantage de caractéristiques collectées.


  • Résumé

    Non-intrusive loading monitoring (NILM) is a smart solution to monitor the electrical consumption in households at the appliance level by using the aggregate data collected by a smart meter. Non-intrusive load monitoring methods are supervised or unsupervised. The supervised algorithms require the intervention of an operator. Unsupervised methods are attractive because they do not require any intervention. Therefore, the goal for this thesis was to develop a non-intrusive load monitoring algorithm that is unsupervised and is completely data driven. We develop an event-based disaggregation algorithm that groups similar power levels. This blind disaggregation algorithm has two steps: appliance modelling and disaggregation. In the first step, the powers are clustered by using Gaussian mixture models, without knowing in advance the number of power levels present in the data. The number of clusters is determined by Baysian information criterion (BIC). In the second step, the algorithm identifies and corrects the consumption due to presence of distinct power levels. We test the algorithm on two datasets, one collected by us and another one being a public dataset. Although they are unsupervised, most of the algorithms need expert assumptions about the number of clusters and the threshold value for event identification. The distinguishing feature of our work is that the algorithm deduces them from the data, without any external intervention. While comparing the performance of our unsupervised algorithm with other methods, we find comparable results. Limitations of the algorithm are due to the assumption that only two-state appliances are present in the data. The performance of the algorithm can deteriorate in the presence of other kind of appliances (continuous or multi-state power). We assume that this algorithm could be improved by using high frequency data and more collected features.



Le texte intégral de cette thèse sera accessible librement à partir du 06-06-2025

Autre version

Cette thèse a donné lieu à une publication

Disaggregation of electrical energy consumption in smart buildings


Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Institut national des sciences appliquées (Villeurbanne, Rhône). Service Commun de la Documentation Doc’INSA. Bibliothèque numérique.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.

Consulter en bibliothèque

Cette thèse a donné lieu à une publication

Informations

  • Sous le titre : Disaggregation of electrical energy consumption in smart buildings
  • Détails : 1 vol. (XVII-82 p.)
  • Annexes : Bibliogr. p.78-82
La version de soutenance de cette thèse existe aussi sous forme papier.

Où se trouve cette thèse\u00a0?

Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.