Classification techniques for the identification and noninvasive prediction of the state of loads in the building
Techniques de classification pour l'identification et la prédiction non intrusive de l'état des charges dans le bâtiment
Résumé
Smart metering is one of the fundamental units of a smart grid, as many further applications
depend on the availability of fine-grained information of energy consumption and production.
Demand response techniques can be substantially improved by processing smart meter data to extract
relevant knowledge of appliances within a residence. The thesis aims at finding generic solutions for the
non-intrusive load monitoring and future usage prediction of residential loads at a low sampling rate.
Load monitoring refers to the dis-aggregation of individual loads from the total consumption at the
smart meter. Future usage prediction of appliances are important from the energy management point of
view. In this work, state of the art multi-label temporal classiffication techniques are implemented using
novel set of features. Moreover, multi-label classiffers are able to take inter-appliance correlation into
account. The methods are validated using a dataset of residential loads in 100 houses monitored over a
duration of 1-year.
Nous abordons dans ces travaux l'identification non intrusive des charges
des bâtiments résidentiels ainsi que la prédiction de leur état futur. L'originalité de ces travaux réside
dans la méthode utilisée pour obtenir les résultats voulus, à savoir l'analyse statistique des données
(algorithmes de classification). Celle-ci se base sur des hypothèses réalistes et restrictives sans pour
autant avoir de limitation sur les modèles comportementaux des charges (variations de charges ou
modèles) ni besoin de la connaissance des changements d'état des charges. Ainsi, nous sommes en
mesure d'identifier et/ou de prédire l'état des charges consommatrices d'énergie (et potentiellement
contrôlables) en se basant uniquement sur une phase d'entrainement réduite et des mesures de puissance
active agrégée sur un pas de mesure de dix minutes, préservant donc la vie privée des habitants.
Dans cette communication, après avoir décrit la méthodologie développée pour classifier les charges et
leurs états, ainsi que les connaissances métier fournies aux algorithmes, nous comparons les résultats
d'identification pour cinq algorithmes tirés de l'état de l'art et les utilisons comme support d'application
à la prédiction. Les algorithmes utilisés se différencient par leur capacité à traiter des problèmes plus ou
moins complexe (notamment la prise en compte de relations entre les charges) et se ne révèlent pas tous
appropriés à tout type de charge dans le bâtiment résidentiel.