visite de recherche post-doctorale f / m machine learning pour la surveillance et l'analyse de signature des équipements électriques alimentés sur secteur

Le contexte

Le développement de bâtiments plus intelligents et plus verts a été un domaine de recherche en expansion au cours des dernières décennies. L'une des exigences essentielles des services publics d'énergie est la connaissance des modèles de consommation d'énergie au niveau de l'appareil unique. Pour estimer ces modèles sans utiliser un wattmètre individuel pour chaque appareil, la surveillance de charge non intrusive (NILM) consiste à désagréger les charges électriques en examinant la signature de consommation électrique spécifique de l'appareil dans la mesure unique de charge agrégée. Par conséquent, la méthode est considérée comme non intrusive puisque les données sont collectées à partir d'un seul panneau électrique à l'extérieur du bâtiment surveillé. Ainsi, le NILM a été un domaine de recherche très actif avec un regain d'intérêt ces dernières années [7]. Connaître la consommation électrique au niveau de la prise de chaque appareil dans un bâtiment peut conduire à des économies drastiques de consommation d'énergie et NILM peut ainsi jouer un rôle important dans la gestion et la réduction de l'énergie dans les bâtiments et les maisons.

Une autre application de la surveillance des appareils électriques est liée à la sécurité. Dans certains contextes, il est important de reconnaître la signature électrique des équipements informatiques autorisés, et de pouvoir détecter si des équipements non autorisés, en particulier des ordinateurs, sont connectés au secteur. Basé sur la plate-forme SmartSense et sur les traces de la consommation électrique des appareils électriques individuels et la surveillance de la puissance au niveau du bâtiment, l'objectif de ce travail financé par le projet Sniffer est la détection et la surveillance des équipements connectés au réseau à l'aide de techniques avancées d'apprentissage automatique .

Surveillance de charge non intrusive assistée par capteur

Diverses approches pour résoudre le problème de la détermination des dispositifs dans NILM ont été envisagées avec des résultats intéressants. Les caractéristiques appliquées dans l'approche basée sur les basses fréquences comprennent essentiellement le changement de pas (ou front) et l'état stationnaire [7]. Dans [8], l'auteur utilise une approche probabiliste pour relever ce défi. Récemment, les méthodes d'apprentissage automatique, en particulier les réseaux de neurones profonds, ont montré des améliorations significatives dans les problèmes de classification au cours des dernières années et ont été appliquées pour améliorer NILM [6].

La détection environnementale et des informations hétérogènes supplémentaires peuvent être exploitées pour relever certains des défis actuels auxquels sont confrontées les techniques NILM actuelles. Nous avons proposé plusieurs méthodes pour améliorer les performances de l'algorithme NILM avec l'utilisation de données extraites de réseaux de capteurs et introduit le concept de surveillance de charge non intrusive assistée par capteur [1-2]. En utilisant ces capteurs environnementaux et en testant plusieurs algorithmes, nous montrons que la surveillance de quelques appareils pourrait considérablement améliorer les performances du NILM. La détection de l'état d'un appareil avec les capteurs adéquats peut être une tâche peu complexe. Par exemple, le fonctionnement d'une imprimante sur le lieu de travail peut être facilement reconnu avec un capteur audio. Les lumières peuvent également être facilement surveillées par des capteurs. En supposant que l'état d'un appareil soit connu, une tâche intéressante est alors d'estimer les caractéristiques de la puissance en régime permanent d'un appareil, sur une trace de puissance significative en longueur. Dans leur travail autour de ViridiScope [9], les auteurs ont implémenté un système de surveillance de puissance par détection indirecte avec auto-apprentissage automatique de l'étalonnage de chaque capteur.

Dans [1], nous introduisons trois algorithmes pour résoudre le problème de minimisation de la norme l1 dans NILM et montrons les résultats sur les mesures de puissance obtenues à partir d'un déploiement d'appareil réel. Avec un petit nombre d'appareils, la précision obtenue varie de 75% à 99%, selon le critère de tolérance pour déterminer l'état d'équilibre d'un appareil donné. Dans [2], nous abordons le problème de l'inexactitude des NILM dans le contexte des bâtiments industriels ou commerciaux, en combinant les données d'un réseau de capteurs sans fil à faible coût et à usage général. Nous avons proposé une nouvelle approche basée sur un solveur simplex pour estimer les valeurs de charge de puissance des états stationnaires sur des fenêtres glissantes de données de taille variable. Nous avons montré le principe de l'approche et démontré son intérêt, sa complexité limitée et sa facilité d'utilisation.

SmartSense: une plateforme de réseau de capteurs pour la recherche sur les bâtiments intelligents

Avec 150 nœuds déployés à l'INRIA (Lannion et Rennes), la plateforme SmartSense collecte de nombreuses données différentes liées à l'énergie consommée et aux usages dans les bâtiments. Ces données ouvrent la voie à un grand nombre d'applications, notamment dans le data mining, la désagrégation de charges électriques ou dans le traitement de capteurs. Chaque nœud comprend environ 20 capteurs: caméra, infrarouge, audio, détection du spectre radio, inertiel 9 axes, humidité, pression atmosphérique, température, lumière (rouge, vert, bleu, blanc, UVA, UVB), distance de précision centimétrique , C02 + COV.

Objectifs

Dans le cadre de l'analyse des compromissions du réseau électrique, la première étape consiste à identifier les équipements connectés au secteur d'une installation (ex: bâtiment, usine) en s'appuyant sur des techniques d'apprentissage automatique. L'identification extrait les caractéristiques de l'équipement (tel que PC, moniteur, recharge de téléphones portables) lorsqu'ils sont connectés au secteur. Ensuite, ces signatures électriques sont traitées pour effectuer un apprentissage en profondeur et détecter la présence ou l'absence d'équipements spécifiques sur ce réseau. Notre objectif est de combiner les signaux électriques avec des données obtenues à partir de capteurs et de rayonnement électromagnétique qui sont étroitement liés au courant et à la puissance consommés par un appareil électrique. Nous voulons également évaluer si un logiciel spécifique fonctionnant sur un PC et lancé en tant que démon (un processus d'arrière-plan) peut générer des signatures uniques sur le réseau électrique.

Notre approche est basée sur la formulation de la désagrégation comme un problème d'optimisation, qui consiste à minimiser la différence entre la sortie du wattmètre principal et la somme des appareils reconstruits désagrégés et en résolvant ce problème d'optimisation pour détecter si un équipement est connecté ou non au secteur. . Pour la validation, nous nous appuierons principalement sur la plateforme SmartSense qui fournit des traces de puissance électrique en temps réel (mais basse fréquence) de notre Laboratoire, ainsi que de nombreuses informations sur les capteurs.

Par conséquent, ce travail se concentrera sur la résolution de ce problème d'optimisation en choisissant le bon algorithme pour l'analyse de signature dans ce contexte et en menant des expériences sur des traces de puissance réelle, à la fois pour entraîner l'optimiseur et pour évaluer ses performances. Des algorithmes d'apprentissage automatique comme l'optimisation bayésienne, l'apprentissage profond ou l'analyse temps-fréquence seront particulièrement étudiés.

Références

• Xuan-Chien Le, Baptiste Vrigneau et Olivier Sentieys. «Algorithme basé sur la minimisation de la norme l1 pour la surveillance des charges non intrusives». Dans IEEE International Conference on Pervasive Computing and Communication Work- shops (PerCom Workshops), IEEE Workshop on Pervasive Energy Services , pages 299-304, mars 2015.
• Nicolas Roux, Baptiste Vrigneau et Olivier Sentieys. «Amélioration de NILM en combinant les données de capteur et la programmation linéaire». Dans IEEE International Sensor Applications Symposium , Sofia-Antipolis, mars 2019.
• http://smartsense.inria.fr/
• Yuvraj Agarwal, Bharathan Balaji, Rajesh Gupta, Jacob Lyles, Michael Wei et Thomas Weng. Gestion de l'énergie basée sur l'occupation pour une automatisation intelligente des bâtiments. In Proceedings of the 2nd ACM Workshop on Embedded Sensing Systems for Energy-Efficiency in Building, pages 1–6, New York, NY, USA, 2010.
• C. Armel, A. Gupta, G. Shrimali et A. Albert. La désagrégation est-elle le Saint Graal de l'efficacité énergétique? le cas de l'électricité. Politique énergétique, 52: 213-234, 2013.
• Jack Kelly et William Knottenbelt. Neuralnilm: Réseaux de neurones profonds appliqués à la désagrégation énergétique. In Proceedings of the 2Nd ACM International Conference on Embedded Systems for Energy-Efficient Built Environments, BuildSys'15, pages 55–64, New York, NY, USA, 2015.
• Zeifman et K. Roth. Surveillance de la charge de l'appliance non intrusive: examen et perspectives. IEEE Transactions on Consumer Electronics, 57 (1): 76–84, 2011.
• Michael Zeifman. Désagrégation des données d'affichage de l'énergie domestique à l'aide d'une approche probabiliste. IEEE Transactions on Consumer Electronics, 58 (1): 23–31, 2012.
• Younghun Kim, Thomas Schmid, Zainul M. Charbiwala et Mani B. Srivastava. Viridiscope: Conception et mise en œuvre d'un système de surveillance de puissance à grain fin pour les maisons. Dans Ubicomp09 , pages 245 à 254, 2009.