Modélisation et exploration de données liées à la consommation

Modeling and exploration of consumption-related data

• Auteur / Autrice : Anissa Ticherahine
• Direction : Abdenacer Makhlouf, Patrice Wira
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées
• Date : Soutenance le 30/11/2021
• Etablissement(s) : Mulhouse
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
• Partenaire(s) de recherche : Laboratoire : Institut de Recherche en Informatique, Mathématiques, Automatique et Signal (Mulhouse) - Institut de Recherche en Informatique Mathématiques Automatique Signal - IRIMAS - UR 7499 / IRIMAS

Mots clés

Mots clés contrôlés

Détecteurs de fuites

Modèles stochastiques d'apprentissage

Localisation

Eau -- Fuite

Compteurs d'eau

Électricité -- Consommation

Mesure

Eau -- Consommation

Séries chronologiques

Compteurs électriques intelligents

Mots clés libres

Compteur intelligent

Courbe de charge

Série chronologique

La méthode de Box-Jenkins

Modèle hybride

Modèle déterministe et stochastique

Modèle de lissage exponentiel

Modèle de réseaux de neurones

WLICTD (Indicateur de fuite d'eau basé sur la densité temporaire de consommation)

Carte auto-organisatrice

Réseaux de neurones

Consommation électrique

Consommation d'eau

Smart meter

Load curve

Time series

The Box-Jenkins method

Hybrid model

Deterministic and stochastic models

Exponential smoothing model

Neural network models

WLICTD (Water Leakage Indicator based on the Consumption Temporary Density)

Self-organizing map

Neural networks

Electricity consumption

Water consumption

Résumé

La thèse porte sur les aspects théoriques et appliqués de l'évaluation, modélisation et exploration des données de consommation. Pour établir et vérifier les modèles et les méthodes, des données représentatives des consommations d'eau et d'électricité ont été collectées automatiquement à l'aide de compteurs intelligents. Le premier objectif de la thèse consiste à développer des méthodes et des outils statistiques, en particulier les séries temporelles. L'analyse des séries temporelles est traitée essentiellement par la méthode d'identification. Après une étude théorique, le travail a consisté à considérer des données réelles de consommation d'eau et d'électricité. Une étude comparative de méthodes a été effectuée. Nous avons mis en place des modèles hybrides combinant des modèles déterministes et stochastiques des séries temporelles, des modèles de lissage exponentiel et les modèles de réseaux de neurones pour créer un meilleur modèle de prédiction des processus de consommation et pour obtenir une plus petite erreur dans la consommation prévue. Le deuxième objectif est de détecter les anomalies et nous avons trouvé une nouvelle approche WLICTD pour la détection des fuites d'eau. Le troisième objectif consiste à résoudre le problème de stockage des données ; nous avons évalué des approches de réduction de données comme la carte auto-organisatrice. Les contributions proposées ont été validées sur des données réelles de la consommation. Les modèles hybrides ont montré de meilleure performance pour l'amélioration de la prévision. Ainsi que l'approche WLICTD a permis d'utiliser les données brutes et détecter les fuites d'eau en quelques heures seulement.

The thesis focuses on the theoretical and applied aspects of the evaluation, modeling and exploration of consumption data. To establish and verify the models and methods, representative data on water and electricity consumption have been collected automatically using smart meters. The first objective of the thesis consists in developing statistical methods and tools, in particular on chronological series. The analysis of time series is dealt primarily by the identification method. After a theoretical study, the work consisted in considering real data of water consumption and electricity consumption. A comparative study of methods was carried out. We have set up hybrid models combining deterministic and stochastic time series models, exponential smoothing models and neural network models to create a better prediction model of the consumption processes and to obtain a smaller error in the forecast consumption. The second objective is to detect anomalies and we have found a new WLICTD (Water Leakage Indicator based on the Consumption Temporary Density) approach for the detection of water leaks. The third objective is to solve the problem of data storage; we have evaluated data reduction approaches such as the self-organizing map. The proposed contributions have been validated on real consumption data. Hybrid models have shown better performance for improving forecasting. As well as the WLICTD approach makes it possible to use raw data and detect water leaks in just a few hours.