| Sensor-aided energy disaggregation using deep learning models (NILM assisté par capteurs à l’ aide d’algorithmes d’apprentissage profond) | ||
Balti, Nidhal - (2025-03-13) / Université de Rennes - Sensor-aided energy disaggregation using deep learning models Langue : Anglais Directeur de thèse: Scalart, Pascal; Vrigneau, Baptiste Laboratoire : IRISA Ecole Doctorale : MATISSE Thématique : Informatique | ||
Mots-clés : NILM, WindowGRU, LSTM, GMM, Capteurs environnementaux, Apprentissage profond, Réseaux de capteurs (technologie), Domotique, Apprentissage profond Résumé : Cette thèse explore de nouvelles méthodologies visant à améliorer les performances et l'applicabilité des systèmes de surveillance non intrusive de la consommation électrique (NILM), en répondant aux principaux défis liés à la précision de la désagrégation énergétique et à leur adaptabilité. Un cadre sensible au contexte a été développé en intégrant des données de capteurs environnementaux—telles que la température, l'humidité et l'occupation—dans les processus NILM, améliorant significativement l'identification des appareils ayant des signatures de puissance chevauchantes ou influencées par des conditions environnementales. Une contribution majeure de cette recherche est la création d'un ensemble de données à haute résolution, combinant des mesures de consommation énergétique et des données environnementales, collecté à partir de la plateforme SmartSense. Cet ensemble de données a été intégré dans l'outil NILMTK, offrant une ressource accessible et précieuse pour la communauté de recherche NILM. D'autre part, cette thèse introduit la Spiral Layer, une architecture de réseau neuronal novatrice inspirée par les opérations de rotation, conçue pour une extraction efficace des caractéristiques et une réduction dimensionnelle. Cette architecture a été étendue pour implémenter une Transformée de Karhunen-Loève (KLT) entraînable, offrant une approche basée sur les réseaux neuronaux pour les projections orthogonales et la maximisation de la variance des signaux. La Spiral Layer a démontré des performances similaires sur des tâches de référence, validant son potentiel pour des applications diversifiées. Résumé (anglais) : This thesis explores novel methodologies to enhance the performance and applicability of Non-Intrusive Load Monitoring (NILM) systems, addressing key challenges in energy disaggregation accuracy and adaptability. A context-aware framework was developed by integrating environmental sensor data such as temperature, humidity, and occupancy into NILM processes, significantly improving the identification of appliances with overlapping or environmentally influenced power usage patterns. A central contribution is the creation of a high-resolution dataset, combining energy consumption and environmental metrics, collected from the SmartSense platform. This dataset was integrated into the NILMTK toolkit, providing an accessible and valuable resource for the NILM research community. On the other hand, the thesis introduces the Spiral Layer, a novel neural network architecture inspired by rotation operations, designed for efficient feature extraction and dimensionality reduction. This architecture was extended to implement a trainable Karhunen-Loève Transform (KLT), offering a neural-network-based approach to orthogonal projections and signal variance maximization. The Spiral Layer demonstrated competitive performance on benchmark tasks, validating its potential for broad applicability. Identifiant : rennes1-ori-wf-1-20755 | ||
| Exporter au format XML |