L'utilisation de DEEP clustering pour la surveillance non intrusive des équipements électriques dans les maisons intelligentes

Abstract

Les solutions de surveillance de l’énergie dans les maisons intelligentes proposées ces dernières années convergent vers des méthodes d'apprentissage non supervisées qui peuvent être adaptables et scalables. Dans le cadre de ce travail, nous avons proposé une solution qui permet de détecter les états des équipements en traitant seulement la charge électrique agrégée. Pour cela, nous avons utilisé la méthode d’apprentissage approfondi (DEC : Deep Clustering). Cette méthode de classification automatique se base sur un apprentissage approfondi non supervisé. Nous avons pris comme environnement de validation une maison surveillée dans laquelle il y a un ensemble d’équipements (une machine à laver, une lave-vaisselle, un chauffage et un climatiseur, etc). Par ailleurs, le but de la solution proposée est de créer des compteurs intelligents qui permettent de connaitre l’équipement qui est actif à un instant donné en fonction de la consommation de l’électricité. Cette solution se base sur un nouveau mécanisme de clustering des images qui permet la réduction de la dimension du problème traité en utilisant les "AutoEncoders" et la plateforme KNIME