Thèse soutenue

Analyse, classification et prédiction de consommation d’eau et d’électricité par des techniques de machine learning
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Aida Boudhaouia Miled
Direction : Patrice Wira
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 07/01/2022
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

Résumé

FR  |  
EN

L’objectif de cette thèse consiste à étudier le comportement des utilisateurs en tant que consommateurs d’eau et d’électricité. Ceci est réalisé à partir de données collectées par des compteurs intelligents et disponibles sous la forme de séries temporelles d’événements irrégulièrement espacés dans le temps qui représentent les instants de consommation d’un seul point de mesure. Ces données sont également traduites sous la forme de Courbes de charge (Cdc) généralement échantillonnées. Après un pré-traitement, les données servent à la classification supervisée des CdC journalières d’eau avec différents algorithmes de Machine Learning (ML). Puis, une nouvelle approche a été proposée pour déterminer la fonction de densité de probabilité de la consommation d’eau journalière des utilisateurs afin de réduire les données et d’optimiser les ressources informatiques. Ceci a favorisé la mise au point d’un algorithme de détection des petites ainsi que des grandes fuites d’eau. De nombreuses approches de ML supervisées ont été appliquées et testées individuellement pour la classification des appareils électriques selon les caractéristiques harmoniques de courant qu’ils génèrent. Dans un second temps, nous avons proposé plusieurs approches hybrides qui combinent les méthodes précédentes afin d’obtenir des résultats de classification très performants. Enfin, dans le contexte de la prévision des consommations, des modèles hybrides qui combinent des approches déterministes et par apprentissage ont été implémentées et testées permettant de prédire les prochains instants de consommation ou les quantités de consommation prévues dans les futures heures avec des performances bien meilleures.