ACTUALITÉ SCIENTIFIQUE
ET INNOVATION DE L'ÉTS
Analyse détaillée de la consommation électrique des bâtiments - Par : Antoine Langevin, Mohamed Cheriet, Ghyslain Gagnon,

Analyse détaillée de la consommation électrique des bâtiments


Antoine Langevin
Antoine Langevin Profil de l'auteur(e)
Antoine Langevin est étudiant au doctorat au Département de génie électrique de l’ÉTS. Ses études portent sur la désagrégation de l'énergie pour la surveillance de la consommation électrique en utilisant des techniques d'apprentissage machine.
Programme : Génie électrique 

Mohamed Cheriet
Mohamed Cheriet Profil de l'auteur(e)
Mohamed Cheriet est professeur au Département de génie des systèmes de l’ÉTS et directeur de Synchromedia. Ses recherches portent sur l’éco-infonuagique, les systèmes d’acquisition de connaissances et d’intelligence artificielle.

Ghyslain Gagnon
Ghyslain Gagnon Profil de l'auteur(e)
Ghyslain Gagnon est doyen de la recherche et professeur au Département de génie électrique de l’ÉTS. Ses recherches portent sur le traitement de signal, l'apprentissage machine ethttps://substance.etsmtl.ca/wp-admin/admin.php?page=ai1wm_export la microélectronique.
Programme : Génie électrique 

Consommation électrique d’une maison

Achetée sur Istockphoto.com. Droits d’auteur.

RÉSUMÉ:

La surveillance non intrusive de la charge permet d'estimer la consommation électrique des appareils individuels uniquement à partir de la consommation totale d’un bâtiment. Cette surveillance non intrusive repose sur des techniques de désagrégation de l'énergie visant à décomposer le signal de la consommation totale du bâtiment pour obtenir la consommation électrique des appareils. Dans cet article, nous proposons une approche de désagrégation énergétique basée sur l’architecture des autoencodeurs variationnels. Cette architecture de réseaux de neurones profonds présente une efficacité accrue pour discriminer les informations pertinentes dans les signaux électriques permettant l’identification et l’estimation de la consommation électrique des appareils. En particulier, le modèle proposé génère avec précision des signatures de charge plus complexes, améliorant ainsi la détection et l’estimation de la consommation des appareils électroménagers. Mots clés : Surveillance non intrusive de la charge, désagrégation de l’énergie, apprentissage automatique, autoencodeurs variationnels (VAE).

Mieux comprendre notre consommation électrique

L’intérêt croissant de la population pour contribuer activement 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 œuvre 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 et prédire la demande électrique des ménages, tout en tenant compte des préoccupations en matière d’acceptabilité sociale, telles que la vie privée des consommateurs, le caractère intrusif des systèmes et le coût, entre autres.

Surveillance non intrusive de la consommation électrique

La surveillance non intrusive de la charge (Non-intrusive load monitoring, NILM) est une solution prometteuse pour mesurer la consommation électrique des appareils dans les bâtiments résidentiels, commerciaux ou industriels. Cette technique de surveillance nécessite un seul capteur, généralement disposé sur l’entrée électrique du bâtiment, permettant de mesurer la consommation électrique totale du bâtiment. Cette mesure est ensuite analysée et décomposée par un algorithme de désagrégationLa désagrégation de l'énergie consiste à estimer la consommation individuelle des appareils électriques sans installer de nouveaux capteurs, en analysant uniquement la consommation totale provenant, par exemple, du compteur électrique déjà en place. Ainsi, une information plus riche est disponible et permet aux systèmes de contrôle de l'énergie de prendre des décisions optimales dans un réseau intelligent (smart grid). de l’énergie afin d’estimer la consommation individuelle de chaque appareil. La figure 1 illustre la consommation totale d’un bâtiment résidentiel en (a) et la consommation respective de chaque appareil en (b).

 

Consommation désagrégée

Figure 1 – Exemple de consommation électrique totale d’un bâtiment résidentiel (a) et la consommation respective de chaque appareil (b). Source : [1]

Complexité de la désagrégation de l’énergie

Bien que de nombreuses solutions aient été proposées [2], plusieurs défis limitent encore les performances des systèmes de surveillances non intrusives. Par exemple, l’augmentation du nombre d’appareils dans le bâtiment entraîne une dégradation importante des performances de nombreuses approches, due à la complexité de la tâche de désagrégation, qui augmente de façon exponentielle. Cette situation reste problématique dans les cas d’utilisation réels, où plus de 15 appareils peuvent facilement être présents dans une maison. D’autre part, certains appareils, tels que les machines à laver et les lave-vaisselles, contiennent plus d’un état de fonctionnement ayant différents niveaux de consommation d’énergie. Ces caractéristiques rendent ces appareils plus difficiles à identifier et la signature de leur consommation d’énergie plus complexe à reconstruire. De plus, en raison de la diversité des appareils électriques offerts sur le marché (c.-à-d., marques, modèles et fonctionnalités variées), la capacité de généralisation des systèmes doit encore être éprouvée pour obtenir des performances équivalentes, quel que soit le bâtiment analysé.

La désagrégation de l’énergie par l’apprentissage automatique

L’objectif du projet est de concevoir un système NILM reposant sur une technique d’apprentissage automatique qui permet d’analyser, d’identifier et de reconstruire la signature de la consommation électrique des appareils à partir de la consommation électrique totale du bâtiment résidentiel. Pour ce faire, nous proposons une approche de désagrégation de l’énergie basée sur les réseaux de neurones génératifs, plus précisément sur les autoencodeurs variationnels (Variational Autoencoders, VAE) [3]. Les VAE sont particulièrement efficaces pour détecter et organiser l’information pertinente contenue dans un signal. Cette caractéristique s’avère utile pour l’identification des différents types d’appareils aux caractéristiques multiples et l’extraction de la signature électrique des appareils du signal de la consommation totale du bâtiment.

En utilisant les données de consommation électrique de plusieurs maisons unifamiliales recueillies sur une période de plusieurs mois, nous entraînons le modèle VAE pour reconnaître et extraire la consommation électrique de 5 types d’appareils [4]. Le modèle est ensuite évalué en le comparant avec plusieurs méthodes existantes selon l’analyse de deux critères : la détection des appareils en marche dans le bâtiment et l’estimation de la consommation électrique de chaque appareil [2]. L’approche proposée a permis d’améliorer de 11 % la détection et de 18 % l’estimation de la consommation électrique des appareils par rapport aux approches de comparaison.

Désagrégation de la consommation électrique

Figure 2 – Exemples de résultats de désagrégation pour 5 appareils domestiques entre le modèle VAE-NILM proposé et la méthode de référence S2P [5]

En outre, les expériences montrent que le modèle proposé génère avec plus de précision des signatures électriques plus complexes, améliorant ainsi la reconstruction du signal de la consommation des appareils multi-états, comme illustré à la figure 2. De plus, l’approche VAE consolide les capacités de généralisation du modèle, ce qui permet d’obtenir de meilleurs résultats sur différents bâtiments résidentiels.

La surveillance non intrusive de la consommation électrique permet au consommateur d’avoir un retour d’information détaillée et en temps réel sans nécessiter l’installation de nombreux capteurs. Grâce à cette information, celui-ci peut adapter ses habitudes afin de réduire sa consommation. Intégrée dans les compteurs intelligents, cette technique non intrusive permettra aussi d’améliorer l’efficacité énergétique des bâtiments. Elle facilitera l’adoption de stratégies de réponse à la demande par le biais de systèmes de gestion de l’énergie intelligents. Cela permettra à chacun de participer au marché de l’électricité en modulant sa demande en fonction des conditions du marché et contribuera à équilibrer la volatilité des énergies renouvelables et ainsi réduire l’utilisation des combustibles fossiles.

Information supplémentaire

Pour plus de détail sur cette recherche, consultez l’article suivant :

Langevin, A., Carbonneau, M. A., Cheriet, M., & Gagnon, G. (2022). Energy disaggregation using variational autoencoders. Energy and Buildings, 254, 111623.

 

Antoine Langevin

Profil de l'auteur(e)

Antoine Langevin est étudiant au doctorat au Département de génie électrique de l’ÉTS. Ses études portent sur la désagrégation de l'énergie pour la surveillance de la consommation électrique en utilisant des techniques d'apprentissage machine.

Programme : Génie électrique 

Laboratoires de recherche : SYNCHROMÉDIA – Laboratoire de communications multimédias en téléprésence 

Profil de l'auteur(e)

Mohamed Cheriet

Profil de l'auteur(e)

Mohamed Cheriet est professeur au Département de génie des systèmes de l’ÉTS et directeur de Synchromedia. Ses recherches portent sur l’éco-infonuagique, les systèmes d’acquisition de connaissances et d’intelligence artificielle.

Programme : Génie de la production automatisée 

Chaire de recherche : Chaire de recherche du Canada sur la durabilité écologique d'Eco-Cloud 

Laboratoires de recherche : SYNCHROMÉDIA – Laboratoire de communications multimédias en téléprésence  CIRODD- Centre interdisciplinaire de recherche en opérationnalisation du développement durable 

Profil de l'auteur(e)

Ghyslain Gagnon

Profil de l'auteur(e)

Ghyslain Gagnon est doyen de la recherche et professeur au Département de génie électrique de l’ÉTS. Ses recherches portent sur le traitement de signal, l'apprentissage machine ethttps://substance.etsmtl.ca/wp-admin/admin.php?page=ai1wm_export la microélectronique.

Programme : Génie électrique 

Laboratoires de recherche : LACIME – Laboratoire de communications et d'intégration de la microélectronique 

Profil de l'auteur(e)


Recevez les dernières actualités scientifiques de l'ÉTS