Analyse, classification et prédiction de consommation d’eau et d’électricité par des techniques de machine learning

Analysis, classification and prediction of water and electricity consumption by machine learning techniques

• 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

Mots clés

Mots clés contrôlés

Séries chronologiques

Détecteurs de fuites

Réseaux neuronaux (informatique)

Apprentissage automatique

Eau -- Consommation

Acquisition automatique des données

Électricité -- Consommation

Consommation d'énergie

Compteurs électriques intelligents

Mots clés libres

Compteur intelligent de consommation

Courbe de charge

Série temporelle

Analyse de données

Classification

Clustering

Prédiction

Apprentissage automatique

Réseaux de neurones artificiels

SARIMA

LSTM

Smart consumption meter

Load curve

Time series

Data analysis

Classification

Clustering

Prediction

Machine learning

Artificial neural networks

SARIMA

LSTM

Résumé

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.

The objective of this thesis is to study users behavior as water and electricity consumers. This is achieved from data collected by smart meters and available in the form of time series of irregularly spaced events in time that represent the instants of consumption at a single measurement point. These data are also translated into the form of Load Curves (Cdc) generally sampled. After a pre-treatment, the data is used for the supervised classification of daily water quantities with different Machine Learning (ML) algorithms. Then, a new approach was proposed to determine the probability density function of the daily water consumption of users in order to reduce data and optimize computer resources. This has facilitated the development of an algorithm for detecting small as well as large water leaks. Many supervised ML approaches have been applied and individually tested for the classification of electrical devices according to the harmonic current characteristics they generate. Secondly, we have proposed hybrid approaches that combine the previous methods in order to obtain highly efficient classification results. Finally, in the context of consumption forecasting, hybrid models that combine deterministic and learning approaches have been implemented and tested to predict the next moments of consumption or the quantities of consumption expected in the future hours with much better performance.