Effective and scalable smart residential energy monitoring systems

Résumé

L’intérêt croissant pour la contribution active des consommateurs à la réduction de l’empreinte carbone entraîne plusieurs nouveaux défis que les solutions traditionnelles ne parviennent pas à satisfaire. Dans cet effort collectif, de nouvelles solutions, telles que l’accessibilité à l’information détaillée sur la consommation électrique des usagers ou la mise en oeuvre de systèmes intelligents de gestion de l’énergie, doivent être réalisées afin d’accroître davantage les performances énergétiques. Toutefois, ces solutions nécessitent des méthodes efficaces et évolutives pour surveiller la consommation électrique des usagers et prédire la demande électrique des ménages, tout en maintenant un faible coût et en minimisant le caractère intrusif de ces méthodes. Dans cette thèse, nous proposons des méthodes pour la surveillance de la charge des appareils électriques et pour la prévision à court terme de la charge (PCTC) des ménages. Ces méthodes sont conçues pour répondre aux difficultés rencontrées dans des cas d’utilisation réels. En tant que source d’information pertinente pour les « programmes de réaction à la demande », la surveillance semi-intrusive de la charge (SSIC) est utilisée pour obtenir des mesures granulaires de la consommation électrique des appareils dans les bâtiments. Des capteurs à effet Hall attachés sur chaque fil relié à un disjoncteur dans les panneaux de distribution est une méthode pour réaliser la SSIC. Toutefois, les capteurs à effet Hall sont fortement affectés par les fils électriques adjacents, pouvant atteindre 35% des signaux parasites. En guise de première contribution, nous proposons une approche de séparation aveugle de sources (SAS) pour retirer le bruit diaphonique et rendre les mesures SSIC précises. L’approche SAS proposée est conçue pour traiter plusieurs problèmes complexes tels que les matrices de mélange clairsemées, les faibles coefficients de mélange et les niveaux de signal déséquilibrés. Les expériences révèlent que l’approche SAS proposée atteint des performances de pointe, faisant du SSIC une alternative fiable et peu coûteuse aux systèmes intrusifs de surveillance de la charge des appareils électriques. D’autre part, la surveillance non intrusive de la charge (SNIC) est une technique qui utilise un seul capteur pour mesurer la consommation électrique totale d’un bâtiment. En utilisant une méthode de désagrégation de l’énergie, la consommation des appareils individuels peut être estimée à partir de la mesure globale. Les récents algorithmes de désagrégation de l’énergie ont amélioré de manière significative les performances des systèmes de SNIC. Cependant, la capacité de généralisation de ces méthodes sur différentes maisons ainsi que la désagrégation de la charge des appareils à états multiples demeurent des défis majeurs à relever. Comme deuxième contribution, nous proposons donc une approche de désagrégation énergétique basée sur le cadre des autoencodeurs variationnels. L’encodeur probabiliste fait de cette approche un modèle efficace pour encoder les informations pertinentes à la reconstruction du signal de l’appareil cible. Les expériences montrent que le modèle proposé génère avec précision des profils de charge plus complexes, améliorant ainsi la reconstruction du signal de la consommation des appareils à plusieurs états. De plus, l’espace latent régularisé du cadre des autoencodeurs variationnels consolide les capacités de généralisation du modèle à travers différentes maisons. Enfin, comme troisième contribution, nous proposons un cadre en deux étapes pour la PCTC des ménages. La charge électrique au niveau du ménage est fortement influencée par les comportements des occupants. Par conséquent, la prévision de la charge à un tel niveau de granularité demeure un défi en raison de l’incertitude élevée causée par la difficulté de prévoir le comportement des consommateurs. Ainsi, l’approche proposée exploite les informations sur la consommation passée et future des appareils ménagers extraites à partir d’une méthode SNIC. Ces informations granulaires sont ensuite fournies en entrée au modèle prédictif de la charge du ménage. À la lumière des résultats expérimentaux sur des données réelles, l’identification des appareils en fonctionnement ainsi que la prédiction de leur consommation future sont des informations pertinentes, et ont par conséquent un impact significatif sur les performances de la PCTC au niveau du ménage. Cette thèse illustre les défis et les solutions pour la surveillance et la prévision de la consommation électrique à un niveau de granularité faible dans des cas d’utilisation réels dans les bâtiments. Nous proposons une solution SSIC et une solution SNIC pour relever certains de ces défis pour la tâche de surveillance de la charge des appareils électriques. De plus, nous proposons un cadre de PCTC qui exploite les informations de la consommation des appareils afin de prédire avec plus de précision la demande de charge des ménages. Nous validons toutes les méthodes proposées sur des ensembles de données réelles et identifions les directions de recherche futures et les problèmes restants.

Date	20 déc. 2022
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Ghyslain Gagnon (Directeur(-trice)) & Mohamed Cheriet (Codirecteur(-trice))