Détail document
Signal processing techniques for disaggregation of smart-meter energy data
Résumé
Plusieurs approches pour la surveillance des charges électriques ont été introduites récemment, mais la surveillance non intrusive des charges (NILM) se distingue par son efficacité en termes de rapport coût-efficacité.
[...]
Dans ce travail, la transformée de Huang-Hilbert pour l'analyse des signaux pour le NILM a été établi avec une modification de sa première étape (connue sous le nom de décomposition en mode empirique) pour concevoir un détecteur d'événements de haute précision adapté aux systèmes NILM à faible coût. En outre, nous avons extrait un ensemble de caractéristiques prometteuses pour les solutions NILM "On the cloud".Deux autres contributions ont également été apportées : D'une part, nous avons conçu un algorithme de sélection des caractéristiques pour les systèmes NILM et l'avons testé avec succès sur deux ensembles de données publiques. D'autre part, nous avons proposé et évalué un schéma efficace pour la construction des signaux NILM basés sur des scénarios à partir de n'importe quel groupe de mesures, qui a des applications potentielles dans le suivi des appareils classifiés ainsi que dans la construction d'ensembles de données équilibrés pour l’apprentissage/tests des algorithmes NILM..Several load monitoring approaches have been recently proposed, but Non-intrusive load monitoring (NILM) stands out due to its cost-effort efficiency. In this work we established Huang-Hilbert Transform for NILM signal analysis and tweaked its first step (known as Empirical mode decomposition) to design a high precision event detector suitable for low cost NILM systems; furthermore, we extracted a set of promising features for “On the cloud” NILM solutions.Two other contributions were also made : on the first hand, we designed a features-selection algorithm for NILM systems and tested it successfully on two public datasets. On the other hand, we proposed and evaluated an effective scheme for scenario-based NILM signals construction out of any group of measurements, which has potential applications in tracking the classified appliances as well as providing balanced datasets for training/testing NILM algorithms.