Soutenance de Thèse de Sarra HOUIDI

Le 13 Février 2020 à 10h30, Mokhtar LATIRI Salle de Conférence-ENIT 

Sujet:

Classification des charges électriques résidentielles en vue de leur gestion intelligente et de leur comptabilisation

Résumé :

Le secteur résidentiel contribue aujourd’hui à une importante part de la consommation totale d’électricité. Pour réduire le coût de cette consommation d’une part et permettre le développement des maisons intelligentes d’autre part, une désagrégation de la courbe de charge est nécessaire. Les méthodes dites NILM (Non Intrusive Load Monitoring) répondent à ce besoin de manière non invasive en estimant la consommation individuelle de chaque Charge Électrique Résidentielle (CER), moyennant un dispositif de mesure du courant et de la tension installé au niveau du tableau électrique d’un habitat. Dans cette thèse, nous présentons les étapes d’une chaîne de traitement NILM basée sur la détection d’évènements. Un système d’acquisition du courant et de la tension à coût réduit est d’abord développé, puis, la détection d’évènements dans une courbe de charge est réalisée sur plusieurs signaux de puissance sélectionnés. Pour cela, les performances de plusieurs détecteurs sont évaluées et un algorithme de sélection de descripteurs pour la détection est mis en place. Enfin, l’identification des CERs est réalisée via un classifieur et une base de données comprenant des descripteurs électriques calculés à partir des mesuresde courant et de tension en régime permanent de CERs. Plusieurs classifieurs et méthodes de sélection de descripteurs sont associés pour obtenir une application NILM optimale avec d’excellents taux de classification. Pour réduire le coût journalier de l’électricité, une stratégie de gestion des CERs est proposée, tenant compte du confort du consommateur et du degré de pilotabilité des CERs.

Mots-clés : Surveillance non intrusive des charges domestiques, Charges Electriques Résidentielles (CERs), détection d’évènements, sélection de descripteurs, classification, management des charges.

Abstract

The residential sector contributes nowadays to an important part of the total electricity consumption. To reduce electricity costs and to allow smart home applications, a partition of the load curve into its main components is necessary. This can be achieved with a minimum privacy invasion by applying Non-Intrusive Load Monitoring (NILM) approaches which intend to estimate the energy consumed by individual Home Electrical Appliances (HEAs) with a single meter placed in a house electrical panel. In this thesis, we present the steps to implement an event-based NILM process. We start from the current and voltage measurements using our own developed low cost device. Then, the detection of the switching on/off of the HEAs is achieved using appropriately selected power time series instead of the active power time series only. The performances of several detection algorithms were assessed and a Feature Selection Algorithm for Detection Purposes (FSADP) was designed. Finally, the HEAs identification is performed using a classifier and a database including HEAs unique signatures of electrical selected power features derived from current and voltage measurements in steady-state conditions. Several classifiers and feature selection methods are combined in order to obtain the optimal NILM application leading to the best classification results. Last but not least, to provide a purpose to \ac{NILM} process, we propose a \ac{HEAs} management strategy to reduce the daily electricity cost while taking into account users comfort and HEAs degrees of controllability.

Keywords: Non-Intrusive Load Monitoring (NILM), Home Electrical Appliances (HEAs), event detection, feature selection, classification, appliances management.