Classification et décomposition de séries temporelles avec prise en compte de facteurs observables et inobservables : application à l'analyse des dynamiques de comportements d'occupants de logements à partir de données thermiques - Archive ouverte HAL Accéder directement au contenu
Thèse Année : 2022

Classification and decomposition of time series subject to observable and unobservable factors : Application to the analysis of the dynamics of occupants' behaviors from thermal data.

Classification et décomposition de séries temporelles avec prise en compte de facteurs observables et inobservables : application à l'analyse des dynamiques de comportements d'occupants de logements à partir de données thermiques

Résumé

The analysis of thermal data, and more particularly the classification of data for the extraction of occupant behavior within buildings is the main topic of the thesis. As these behaviors, consisting of heating habits, consumption, or presence of inhabitants in their dwelling, represent an important part of the energy consumption of the residential sector, it is useful to characterize them well in order to improve the predictions of energy consumption in this sector. In the framework of this thesis, we are interested in the dynamics of behaviors because we can imagine that behaviors can evolve through time. These behavioral dynamics depend on several factors and are, therefore, varied and difficult to observe. The objective is to develop a method of unsupervised classification for thermal data to extract dynamic behaviors of occupants.This work proposed an approach based on a probabilistic model with dynamic latent variables which has for main interest the separation of the effects relative to contextual factors on one hand and to the behavioral dynamics of the occupants on the other hand. In this work, we propose a classification model that allows the estimation of regressive effects as well as class centers, modeled as stochastic processes. This model, due to its complexity, cannot be estimated via usual maximum likelihood methods. Therefore, an iterative algorithm based on variational inference methods will be presented in order to estimate the parameters of the model.The method is evaluated on two data sets. First, performances of the approach are tested on a simulated dataset via statistical models and compared to standard methods. Second, the application of the model to a dataset derived from a thermal model allows evaluating this method in a more realistic analysis framework.Finally, the classification of indoor temperature data for a set of houses using the proposed model allows to build homogeneous classes. The results show that the dynamics of the estimated behaviors are correlated to the presence of the inhabitants in their dwelling
Les travaux de cette thèse s'inscrivent dans le cadre de l'analyse de données thermiques et plus particulièrement la classification de données pour l'extraction de comportement d'occupants au sein de bâtiments. Dans la mesure où ces comportements, constitués d'habitudes de chauffage, de consommation, ou encore de présence d'habitants au sein de leur logement représentent une part importante de la consommation énergétique du secteur résidentiel, il est utile de bien les caractériser afin d'améliorer les prévisions de la consommation d'énergie dans ce secteur. Dans le cadre des travaux de cette thèse, on s'intéresse aux dynamiques de comportements dans le sens où ces derniers peuvent évoluer au cours du temps. Ces dynamiques comportementales dépendent de plusieurs facteurs et sont, par conséquent, variées et difficilement observables. L'objectif est donc de développer une méthode de classification non supervisée de données thermiques dans le but d'en extraire une typologie de comportements dynamiques d'occupants de bâtiments.L'approche proposée dans ces travaux est basée sur un modèle probabiliste à variables latentes dynamiques. Son principal intérêt réside dans la séparation des effets relatifs à des facteurs contextuels d'une part et à la dynamique comportementale des occupants d'autre part. Nous proposons donc, dans ces travaux, un modèle de classification qui permet d'estimer des effets régressifs ainsi que des centres de classes, modélisés comme des processus stochastiques. Ce modèle, de par sa complexité, ne peut être estimé via des méthodes de maximum de vraisemblance habituelles. Par conséquent, on présentera un algorithme itératif basé sur des méthodes d'inférence variationnelle dans le but d'estimer les paramètres du modèle.La méthode est évaluée sur deux ensembles de données. D'abord, les performances du modèle sont testées et comparées à des méthodes standard à partir d'un ensemble de données simulées via des modèles statistiques. Ensuite, l'application du modèle à un jeu de données issu d'un modèle thermique permet d'évaluer cette méthode dans un cadre d'analyse plus réaliste.Pour finir, la classification de données de température intérieure pour un ensemble de maisons via le modèle proposé permet de construire des classes homogènes. Les résultats permettent de mettre en évidence que les dynamiques de comportements estimées sont corrélées à des comportements de présence des habitants au sein de leur logement
Fichier principal
Vignette du fichier
TH2022UEFL2054.pdf (10.73 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04052826 , version 1 (30-03-2023)

Identifiants

  • HAL Id : tel-04052826 , version 1

Citer

Louise Bonfils. Classification et décomposition de séries temporelles avec prise en compte de facteurs observables et inobservables : application à l'analyse des dynamiques de comportements d'occupants de logements à partir de données thermiques. Thermique [physics.class-ph]. Université Gustave Eiffel, 2022. Français. ⟨NNT : 2022UEFL2054⟩. ⟨tel-04052826⟩
75 Consultations
20 Téléchargements

Partager

Gmail Facebook X LinkedIn More