Thèse soutenue

Désagrégation de la consommation d'énergie électrique dans les bâtiments intelligents
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Moomal Qureshi
Direction : Christian Ghiaus
Type : Thèse de doctorat
Discipline(s) : Energy
Date : Soutenance le 09/11/2021
Etablissement(s) : Lyon
Ecole(s) doctorale(s) : Ecole Doctorale Mecanique, Energetique, Genie Civil, Acoustique (MEGA) (Villeurbanne)
Partenaire(s) de recherche : établissement opérateur d'inscription : Institut national des sciences appliquées (Lyon ; 1957-....)
Laboratoire : CETHIL - Centre d'Energétique et de Thermique de Lyon (Villeurbanne, Rhône) - Centre d'Energétique et de Thermique de Lyon / CETHIL
Jury : Président / Présidente : Mohamed El Mankibi
Examinateurs / Examinatrices : Christian Ghiaus, Mohamed El Mankibi, Benoit Delinchant, Mireille Jacomino, Simon Rouchier
Rapporteurs / Rapporteuses : Benoit Delinchant, Mireille Jacomino

Résumé

FR  |  
EN

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.