EP3158512A1 - Procede de creation d'une structure de donnees representative d'une consommation de fluide d'au moins un equipement, dispositif et programme correspondant - Google Patents

Procede de creation d'une structure de donnees representative d'une consommation de fluide d'au moins un equipement, dispositif et programme correspondant

Info

Publication number
EP3158512A1
EP3158512A1 EP15732196.9A EP15732196A EP3158512A1 EP 3158512 A1 EP3158512 A1 EP 3158512A1 EP 15732196 A EP15732196 A EP 15732196A EP 3158512 A1 EP3158512 A1 EP 3158512A1
Authority
EP
European Patent Office
Prior art keywords
transitions
lineament
consumption
sequences
transition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP15732196.9A
Other languages
German (de)
English (en)
Inventor
Jean-François HOCHEDEZ
Frédéric LEFEBVRE-NARE
Romain BENASSI
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WATTGO
Original Assignee
Wattgo
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wattgo filed Critical Wattgo
Publication of EP3158512A1 publication Critical patent/EP3158512A1/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/40—Display of information, e.g. of data or controls

Definitions

  • a method of creating a data structure representative of a fluid consumption of at least one equipment, device and corresponding program is a method of creating a data structure representative of a fluid consumption of at least one equipment, device and corresponding program.
  • the invention relates to a technique for identifying consumption.
  • the invention relates more particularly to a technique for identifying the consumption of a resource, such as a fluid, transported by a flow having variations, and of which repeated measurements are known. More particularly, the invention is part of an approach to control the consumption of resources, such as energy resources (gas, electricity, fuel pellets), but also natural resources (water).
  • energy resources gas, electricity, fuel pellets
  • water natural resources
  • a method of controlling the consumption of resources consists of managing them in a global manner, for example by centralizing the management and distribution of this resource in a particular location. This is possible in the case of resources that can easily be conserved (eg water or gas). In the case of electricity, for which storage issues are important and for the moment not overcome industrially, the management and distribution of resources is rather considered in a distributed manner. This is for example the case of so-called "Smart Grid” techniques.
  • a power consumption curve also called load curve.
  • An electric charge curve totals, over a given period, the consumption of all the equipment of a room for which the load is monitored.
  • the number of devices that can influence the load curve can be high. It is therefore necessary, in order to identify the devices present, to perform a disaggregation of the load curve: it is an analysis of the load curve whose objective is to identify, within this , the equipment that contributed to the consumption and to estimate the individual contribution of this equipment.
  • Disintegration methods have been the subject of publications aimed at establishing a state-of-the-art review [Zeifman and Roth (2011), Zoha et al. (2012)]. The founding works were published from the late 1980s [Hart (1992)]. Among the many technical criteria that can occur in the principle and in the performance of a disintegration algorithm, a main distinction appears depending on the frequency at which the power consumed is sampled. Between ranges 1 hr - 15 min, 1 min - 1 Hz, 1-60 Hz, 60 Hz-2 kHz, 10-40 kHz, and> 1 MHz, the issues and possibilities differ greatly [Armel et al. (2012)].
  • the learning is based on supervised learning techniques, based for example on the preliminary information of the parameters of a hidden state machine Markov (HM M for 'Hidden Markov Models') which will then be used in the inversion phase by optimization [Vogiatzis et al. (2013), Kolter and Jaakkola (2012), Bons (1996)].
  • HM M hidden state machine Markov
  • the supervised learning phase requires a thorough knowledge, upstream, of the available materials, which is not always feasible.
  • the technique described in Kolter and Jaakkola (2012) assumes that the curve includes stages during which power consumption should be constant. This technique assumes that the load curve can be modeled by a discrete state machine.
  • the invention does not have these disadvantages of the prior art. More particularly, the invention relates to a method of creating a data structure representative of a fluid consumption of at least one equipment.
  • such a method comprises:
  • a step of obtaining fluid consumption data comprising a plurality of temporal consumption data measured at a sampling frequency, called the initial curve;
  • a step of cutting said plurality of temporal consumption data measured as a function of at least one predetermined cutting parameter delivering a set of unit consumption segments, called set of lineaments, comprising at least one unit consumption segment, referred to as the linearity segment; each lineament comprising an identification label and a list of properties, comprising at least one timestamp and a duration and a consumed amount;
  • said step of cutting said plurality of temporal consumption data measured comprises at least one iteration of the following steps:
  • a search step of at most a predetermined number N of so-called operative transitions whose amplitude exceeds in absolute value a tolerance value, associable with said operating reference transition, delivering a set of sequences of candidate transitions;
  • said step of searching for at most a predetermined number N of operative transitions that can be associated with said operational reference transition comprises:
  • said step of preselecting, among said set of sequences, at least one candidate sequence comprises, for a current sequence of said set of sequences:
  • transition accumulations a step of calculating the intermediate accumulations of the transitions of the current sequence, called transition accumulations; a step of calculating the intermediate accumulations of the unaffected transitions of the load curve being disintegrated, according to a given parameterization, called load accumulations;
  • the intermediate cumulative transitions exclude the last cumulative, that which includes the last transition. Indeed, this cumulation of all the transitions (including the last one) represents exactly the total sum which is examined by the third criterion which is different from the first: norm of the cumulation lower than S2, instead of the positivity required for the cumulations of transition.
  • said step of selecting, as a function of at least one selection criterion, at least one of said set of sequences and delivering a lineament comprises:
  • the invention in another embodiment, also relates to a device for creating a data structure representative of a fluid consumption of at least one device.
  • a device for creating a data structure representative of a fluid consumption of at least one device comprises:
  • each line comprising an identification label and a list of properties, comprising at least one timestamp and a duration and a consumed quantity;
  • the various steps of the methods according to the invention are implemented by one or more software or computer programs, comprising software instructions intended to be executed by a data processor of a relay module according to the invention. invention and being designed to control the execution of the various process steps.
  • the invention also relates to a computer program, capable of being executed by a computer or a data processor, this program comprising instructions for controlling the execution of the steps of a method as mentioned above.
  • This program can use any programming language, and be in the form of source code, object code, or intermediate code between source code and object code, such as in a partially compiled form, or in any other form desirable shape.
  • the invention also relates to a data carrier readable by a data processor, and comprising instructions of a program as mentioned above.
  • the information carrier may be any entity or device capable of storing the program.
  • the medium may comprise storage means, such as a ROM, for example a CD ROM or a microelectronic circuit ROM, or a magnetic recording means, for example a floppy disk, a disk hard, SSD, etc.
  • the information medium may be a transmissible medium such as an electrical or optical signal, which may be conveyed via an electrical or optical cable, by radio or by other means.
  • the program according to the invention can be downloaded in particular on an Internet type network.
  • the information medium may be an integrated circuit (ASIC or FPGA type) in which the program is incorporated, the circuit being adapted to execute or to be used in the execution of the method in question.
  • the invention is implemented by means of software and / or hardware components.
  • the term "module" may correspond in this document as well to a software component, a hardware component or a set of hardware and software components.
  • a software component corresponds to one or more computer programs, one or more subroutines of a program, or more generally to any element of a program or software capable of implementing a function or a program. set of functions, as described below for the module concerned.
  • Such a software component is executed by a data processor of a physical entity (terminal, server, gateway, router, etc.) and is capable of accessing the hardware resources of this physical entity (memories, recording media, bus communication cards, input / output electronic cards, user interfaces, etc.).
  • a hardware component corresponds to any element of a hardware set (or hardware) able to implement a function or a set of functions, as described below for the module concerned. It may be a hardware component that is programmable or has an integrated processor for executing software, for example an integrated circuit, a smart card, a memory card, an electronic card for executing a firmware ( firmware), etc.
  • Figure 1 shows a block diagram of the proposed technique for the treatment of fluid consumption data
  • FIG. 2 shows a device for implementing the proposed method.
  • the general principle of the described technique is to apply, on a consumption curve (such as for example an electrical consumption curve, also called a load curve), a specific disaggregation (ie cutting) method that may not work in probabilistic.
  • a consumption curve or a first derivative of such a consumption curve with respect to time. This is a time series sampled regularly or not. It may have been measured directly or reconstituted from physical measurements of another quantity by prior treatment (such as ⁇ time stamping of Wh on the meter). More particularly, a consumption curve is provided at the input of the proposed method, in block or in flow, Le. in successive sections. This is possibly a clean consumption curve slag or parasitic data from the sensor or sensors used. This consumption curve is usually in the form of a time series but may have been coded in order to compress and / or detect and correct transmission errors.
  • This consumption curve comprises a set of measurement points.
  • sampling is not necessarily regular or common to all sites or fluids.
  • the sampling may correspond to a value every tenth of Hertz or to a time stamp performed every Ampere-hour for example, in which case the sampling frequency is obviously not regular in time.
  • the sampling of the consumption curve can be of the order of one second.
  • the proposed method makes it possible to create a data structure, which comprises a division of consumption into distinct elements from the consumption curve provided.
  • This division is implemented iteratively, or even recursively, so that we seek to identify, in the consumption curve, the distinct elements that compose it from transitions, rising or falling, that we find in the curve in question.
  • the method includes:
  • the cutting step (E-20) is that which makes it possible to obtain the distinct consumption segments which are called lineaments. These segments are more particularly obtained by identifying and bringing together at least two transitions (upwards and downwards) in the consumption curve: that is, changes in the consumption flow that exceed (in absolute value ) a threshold parameter 'SI' whose value can change throughout the cutting process.
  • a threshold parameter 'SI' whose value can change throughout the cutting process.
  • each lineament with a list of parameters characterizing it and typically comprising at least a unique number or identity code, a time stamp, a duration, and a consumed amount.
  • the parameters in this list are usually scalar, but they can be quantitative or categorical in nature. This list, which can be calculated just after the construction of the lineament, or alternatively offline, classifies the latter, for example by analyzing the multi-dimensional space where it is possible to plunge it.
  • the proposed technique searches, within one or more databases, knowledge bases or ontology (local / individual, regional, and / or national), one or more equipment or categories of information. equipment- likely to correspond to this lineament.
  • This step can be an integral part of the cutting process, which can contribute to the acceptance of the lineament under construction or to the contrary to its rejection, leading in the case of the rejection to the subsequent construction of another lineament composed of a similar set or no transitions still available. It can also be independent, which takes place during the phase of initial generation and supervised ontologies.
  • the proposed technique is easier to implement than the previously described techniques. Moreover, the proposed technique makes it possible to obtain an increased precision of the disintegration of the load curve. Indeed, compared to the method described in [Kolter and Jaakkola (2012)], the proposed technique does not assume the presence of steps during which the power consumed must be considered constant. Conversely, using the proposed technique, the time profile of consumption can take any form. It can in particular manifest complex transitions and ramps increasing or decreasing, whose characteristics can also play a morphological signature of consumption. These morphological signatures also participate in the step of recognition / assignment of these to an apparatus or a category of equipment, which makes it more accurate. In addition, the signatures do not need not be modelable by a discrete state machine, and the proposed method is therefore exempt from the difficult inversion corresponding.
  • the proposed technique has the additional advantage of not depending on a supervised learning (manual and tedious) that would be performed for each room or dwelling individually.
  • learning begins with some knowledge of the equipment of the local and the uses it has, then it is continuously determined from the measurements made in the housing. Indeed, in fact, previous knowledge was collected through a standardized questionnaire and formalized as a priori information to apply a Bayesian approach. Supervision can maximize performance, but it is optional.
  • the processing chain analyzes it in near real time (NRT) from the beginning of the acquisition.
  • NRT near real time
  • the results obtained reflect only the rules a priori mentioned above, but gradually, these rules adapt and performance improves.
  • the lessons learned from each new local or home can be traced back to knowledge bases a priori centralized (uses of the home in question and homes in general, signatures of the equipment of the home and equipment in general), and enrich non-parametrically.
  • the ability of the proposed technique to extract lineaments soon after their realization, even before having assigned them to an equipment represents an advantage that favors a flow implementation.
  • the ability of the proposed method to label the lineaments from the first extractions in a new location is a second advantage favoring operations and services in near-time. -real.
  • the proposed technique offers simple solutions to complex problems. Indeed, it should be noted that such a reconstitution of the individual consumption by equipment opens the way to a set of applications and services: the results of the implementation of the proposed technique make it possible to communicate to the actors involved information of geographical anticipation of consumption and to implement possible additional economic strategies. In parallel, for each individual, it becomes possible to estimate and then extrapolate its various consumption items, to forecast more precisely the amount of its next invoices and to provide it with relevant analyzes of its consumption profile, and even alerts about a deviation from an objective, a failure of one or more of its equipment, and other issues still such as the concomitance of its absence and excessive consumption of heating or air conditioning, etc.
  • an application of the proposed technique to an analysis and cutting of an electrical charge curve is described.
  • the purpose of this implementation is to obtain, from a power consumption curve of a dwelling or a room, information representative of the electrical equipment that contributed to the load curve.
  • the step of cutting the consumption curve comprises:
  • the identification, within the database, of at least one equipment associated with a lineament of said set of lineaments comprises for its part a mapping during which the lineaments are assigned to a type of equipment (or even to a specific equipment). This identification can be performed during the extraction step or after.
  • the technique consists of consolidating the time series corresponding to the load curve by marking as uncertain the periods that may result from possible failures from the sensor or the information transmission chain.
  • the exploitation of a priori makes it possible to distinguish between faults and possible aberrations such as actual suspensions of consumption.
  • a confidence index is used to account for this distinction.
  • the next step is to cut (decompose) the load curve into sections of atomic (i.e. elementary) time profiles, possibly superimposed on each other. others, and which are called lineaments.
  • This cutting is performed by an iterative technique. More particularly, it is an operation that performs multiple iterations per considered time interval. Iterations can operate indifferently towards the future or the past. They will be retroactive in this second case and this is the mode used when the operation is conducted in flow, (that is to say in near real time). A nuance exists, however, because "in flow” accentuates the fact that new data appear during the cutting. This necessarily occurs during NRT operations, but could theoretically be simulated offline.
  • initializations and transformations can be performed prior to implementation of the iterations. They aim, for example, to adapt the limits and the step of evolution of the variable parameters of the iterations and to pre-condition the time series. This is for example the estimation of the parameters necessary for the iteration and a pretreatment of the time series.
  • the histogram of the differential time series is calculated over a period 'P' long enough to be representative, and with a class size of typically 1 Watt (or any other relevant resolution and unit).
  • a class size typically 1 Watt (or any other relevant resolution and unit).
  • the abscissa of the first class is then calculated for which (a) the histogram is not zero and (b) passes under this power function. This abscissa is used as an estimate of the noise and initializes a parameter 'S3', used later.
  • 'f' is a number taken between 0 and 1.
  • a usable value of f 0.9.
  • the initial values SU and final SI / of the parameter SI are adaptively estimated by an analysis of the same histogram. By default, these values are set at 100W and 0.5W respectively, which covers the usual cases of a residential fireplace. 5.2.2.2. Pretreatments of the time series
  • transition With the meta-transition, we store the indices (and / or the timestamps) of the simple transitions constituting it because it is necessary to have some at the time of characterizing eg the total energy or transients of the lineament.
  • the term transition also generally includes meta-transitions, except when the vocabulary distinction is made explicitly.
  • the iterative division technique consists of considering (meta-) transitions whose norm of amplitude (positive or negative) exceeds a first tolerance threshold SI, passed as an argument. These transitions are then called “operating" (TO) and they are considered to be reference transitions and are grouped together in a set of rising transitions (ETM)
  • This threshold S2 can for example be calculated as being the largest value among (a) a fraction (eg, 20%) of the absolute amplitude of the largest transition participating in the sequence S, and (b) a threshold 53 which take for example the noise value (see above).
  • the resulting sequence L is subtracted from the time series communicated at the input of the iteration (thus causing a simplification of the input series). If it is not zero, the residual cumulation, ie the sum of all the transitions incorporated in the sequence L (value which is less than 53 in norm) is for example assigned to the (meta-) transition belonging to 5 and exhibiting the greatest amplitude in standard.
  • the transitions whose amplitude, ie the absolute value, exceed the threshold S1 are first identified. Those retained are then called operating (TOs) of which one creates a valid list for the time of the current iteration characterized by parameters N, SI, S2, fixed. Then, within this iteration, one considers successively the TOMs (upward operating transitions), that is to say those which are positive among the TOs previously identified for the duration of the iteration. While a given TOM is being examined, it is called TOME ("up-and-running embryo transition" it is a reference transition) and then a pre-selection of other TOs (in downstream and in the horizon, but still from the same list of TOs).
  • TOME up-and-running embryo transition
  • the initial value of the N horizon is Ni, typically set at 1.
  • the initial values of 51 and 53 have been discussed above.
  • the percentage determining the threshold 52 does not change along the iterations. It is worth, for example, 20% (52 is here interpreted as relative of the largest transition)
  • the successive analysis of the TOMs not yet affected is performed on sections called 'lumps'.
  • the length of the lumps is adaptively determined so that there are 'Nt' (set at 4) transitions greater than 51 / per lump on average in the series.
  • the SI, 52 and 53 parameters are held constant until the entire time series has been processed at least once under these conditions. If no extraction is found at the end of such a scan, 51 is divided by a constant factor F1 (set here at 2), which increases the density of TOM and reduces the time interval associated with the horizon. N ', and the iterations resume.
  • F1 set here at 2
  • N When N reaches a maximum value Nf, conditioned by the computing power (set at 11, for example, for a computer of average power) and by the complexity of the expected lineaments, N is reset to N1 as well as 51 to 51 / ' .
  • each lineament can be characterized by a list of several scalars that can characterize and then classify it: (1) its duration, (2) the number of transitions and / or or meta-transitions that it implies, (3-6) the first moments of the histogram of the amplitudes of these, (7) its integrated power (in Wh), (8) its maximum amplitude (in W) (9) its total variation TV (for 'total variation' in W), and (10) the time and (11) the day of the week in which it was found.
  • BF brief and weak lineaments
  • Clustering can be diffuse, density-based and hierarchical, which gives it good robustness properties and does not need to receive as input the expected number of clusters.
  • the Bayesian assignment of the lineament can be done at the moment of its extraction, thus making it possible to finely guide the extraction process: the "classability" of the lineaments can guide their extraction, limiting the errors of disintegration that threaten more the process that they intervene early.
  • the lineaments are thus grouped into families whose properties can be compared by comparing for each of them the probability of having been generated by a specific type of equipment (so-called emission probability, constructed from Y a priori Bayesian). . More specifically, the household initially completes and can update a simple form, listing all the electrical appliances that may sometimes work. If not all are listed, the most and most frequent consumers are preferable. The form also allows to schematically portray the uses that are usually made of these devices. Consequently, a local database, containing the list, the hours of use, and the morphological characteristics of the lineaments of the expected devices, is constructed from the answers to the questionnaire and from a homologous database, describing all the households and all common electrical appliances.
  • a lineament may represent only an isolated event of a succession of lineaments that usually follow one another. This poses no difficulty insofar as the lineament, as well as the associated power and energy, remains sui generis attributable to the apparatus and the use which makes them have generated. Nevertheless, the lineaments that appear frequently are subject to the algorithm below, in order to characterize more finely the operation of the apparatus concerned.
  • the distribution of time intervals separating representatives of one cluster from representatives of another cluster is established by the histogram of time differences. In priority, these two clusters will in fact be confused, and we study in this case the distribution of the durations separating the lineaments of the same family, typically that of a hot or cold equipment.
  • N is about 100, which requires more or less time depending on the average duration of the repetition period.
  • / fG ⁇ (qo.9-qo.i) /qo.s, q x denoting the duration of the x th q uantile (here the 2 nd , 9 th deciles, and the median, that is, the 5 th decile).
  • / RG ⁇ gives a measure of the irregularity associated with the global signature of the set of N lineaments that are supposed to be quasi periodic.
  • Another IRG 2 scalar is similarly calculated; he estimates the irregular nature of the durations of the lineaments considered. The evolution of these two parameters may reflect a failure or incident involving the device.
  • the properties detected are reinjected into ontologies / local databases (the one characterizing the uses and equipment of the household at the origin of the studied load curve) and global (those characterizing the uses of population and morphology of lineaments).
  • This feedback uses a non-parametric kernel method to properly blur the observations. This operation enriches the databases and increases the subsequent success rate, whether for the study focus or the others.
  • Detected properties are supervised over time and any drifts give rise to the alerts announced above (e.g. malfunction of hot and cold equipment, inappropriate settings during absence, etc.).
  • the device comprises a memory 21 constituted by a buffer memory, a processing unit 22, for example equipped with a microprocessor, and driven by the computer program 23, implementing a method of creating consumption data structure.
  • the code instructions of the computer program 23 are for example loaded into a memory before being executed by the processor of the processing unit 22.
  • the processing unit 22 receives as input representative data. consumption, in the form of a time series, of constant or variable frequency.
  • the microprocessor of the processing unit 22 implements the steps of the creation method according to the instructions of the computer program 23 to decompose this consumption curve in line and associate these lineaments with predetermined equipment.
  • the device comprises, in addition to the buffer memory 21, communication means, such as network communication modules, data transmission means and possibly an encryption processor.
  • communication means such as network communication modules, data transmission means and possibly an encryption processor.
  • These means may be in the form of a particular processor implemented within the device, said processor being a secure processor. According to a particular embodiment, this device implements a particular application which is in charge of the calculations.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Human Computer Interaction (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

L'invention se rapporte à un procédé de création d'une structure de données représentative d'une consommation de fluide d'au moins un équipement (DatFldOut). Selon l'invention un tel procédé comprend: - une étape d'obtention (E-10) de données de consommation de fluide (DatFldln), comprenant une pluralité de données de consommations temporelles mesurées à une fréquence d'échantillonnage, dite courbe initiale (Cbelnit); - une étape de découpage (E-20) de ladite pluralité de données de consommations temporelles mesurées en fonction d'au moins un paramètre de découpage prédéterminé (S1, S2, S3,...), délivrant un ensemble de segments de consommations unitaires (ELIN), dit ensemble de linéaments, comprenant au moins un segment de consommation unitaire (LIN), dit linéament, chaque linéament comprenant un label d'identification et une liste de propriétés, comprenant au moins un horodatage et une durée et une quantité consommée; - une étape d'identification (E-30), au sein d'une base de données (Bdd), d'au moins un équipement (Eqpt) associé à un linéament dudit ensemble de linéaments.

Description

Procédé de création d'une structure de données représentative d'une consommation de fluide d'au moins un équipement, dispositif et programme correspondant.
1. Domaine de l'invention
L'invention se rapporte à une technique d'identification de consommation. L'invention se rapporte plus particulièrement à une technique d'identification de consommation d'une ressource, telle qu'un fluide, transportée par un flux présentant des variations, et dont on connaît des mesures répétées. Plus particulièrement l'invention s'inscrit dans une optique de maîtrise des consommations de ressources, comme par exemple les ressources énergétiques (gaz, électricité, pellets de combustibles), mais également des ressources naturelles (eau).
2. Art antérieur
La consommation de ressource est un enjeu important de développement tant pour les pays industrialisés, qui tentent de réduire leurs dépendances vis à vis de pays tiers et de limiter les coûts et les rejets associés, que pour les pays en voie de développement qui doivent de plus assurer une production au plus proche des besoins. Une méthode de maîtrise de la consommation des ressources consiste à gérer celles-ci de manière globale, comme par exemple en centralisant, en un emplacement particulier, la gestion et la distribution de cette ressource. Ceci est possible dans le cas de ressources que l'on peut aisément conserver (par exemple l'eau ou le gaz). Dans le cas de l'électricité, pour laquelle les problématiques de stockage sont importantes et pour le moment non surmontées de manière industrielle, la gestion et la distribution de ressources est plutôt envisagée de manière répartie. C'est par exemple le cas des techniques dites de "Smart Grid".
Du point de vue du consommateur, en revanche, les solutions de maîtrise de la consommation de ressources sont relativement peu nombreuses et elles reposent souvent sur une prise de conscience résultant d'une mesure plus ou moins continue de la consommation : il existe par exemple des systèmes branchés directement sur les prises électriques ayant la possibilité de mesurer la consommation des appareils en aval et/ou de couper l'alimentation de ceux-ci à distance. Ce type de solution est intéressant pour vérifier une consommation d'un nombre peu élevé d'appareils électriques. On imagine mal, en effet, équiper l'ensemble d'une habitation de prises de courant aptes à déterminer la consommation individuelle de chaque appareil. Outre qu'un tel système serait très coûteux, son efficacité n'est pas prouvée. Il existe des compteurs dit intelligents, qui sont aptes à transmettre de l'information au gestionnaire de réseau sur une consommation donnée d'un local, d'une habitation. Le gestionnaire peut ensuite retransmettre ces informations au consommateur après les avoir résumées ou mises en forme. Il y a cependant des problématiques pour identifier, dans une courbe de consommation donnée, les équipements qui sont à l'origine de cette consommation.
C'est par exemple le cas d'une courbe de consommation électrique (également appelée courbe de charge). Une courbe de charge électrique totalise, sur une période donnée, la consommation de l'ensemble des équipements d'un local pour lequel la charge est surveillée. Cependant, dans le cas d'une habitation par exemple, le nombre d'appareils susceptibles d'influencer la courbe de charge peut être élevé. Il est donc nécessaire, pour identifier les appareils présents, d'effectuer une désagrégation de la courbe de charge : il s'agit d'une analyse de la courbe de charge dont l'objectif est d'identifier, au sein de celle-ci, les équipements qui ont contribué à la consommation et d'estimer la contribution individuelle de ces équipements.
Les méthodes de désagrégation ont fait l'objet de publications visant à établir une revue de l'état de l'art [Zeifman and Roth (2011), Zoha et al. (2012)]. Les travaux fondateurs ont été publiés à partir de la fin des années 1980 [Hart (1992)]. Parmi les nombreux critères techniques susceptibles d'intervenir dans le principe et dans la performance d'un algorithme de désagrégation, une distinction principale apparaît en fonction de la fréquence à laquelle la puissance consommée est échantillonnée. Entre les gammes 1 hr - 15 min, 1 min - 1 Hz, 1-60 Hz, 60 Hz-2 kHz, 10-40 kHz, et >1 MHz, les problématiques et les possibilités diffèrent grandement [Armel et al. (2012)] .
Les méthodes employées varient et ne sont pas toutes compatibles techniquement avec les parcs de compteurs installés : il s'agit par exemple des méthodes reposant sur l'analyse des harmoniques qui ne sont pas compatibles avec le parc des compteurs standards, ni même avec la plupart des 'smart meters' existants ou amenés à être installés à l'avenir. Pour cette raison, il est plus efficace de mettre en œuvre des méthodes basées sur des fréquences d'échantillonnage inférieures à la dizaine de Hertz, et en pratique, de l'ordre du dixième de Hertz.
Pour la même raison que ci-dessus, les méthodes basées exclusivement sur l'analyse des transitoires [Chang et al. (2010), Orji et al. (2010)] sont difficilement applicables car elles exigent en général au moins la centaine de Hertz. D'autre part, la plupart des méthodes de désagrégation nécessitent une phase d'apprentissage. Généralement l'apprentissage repose sur des techniques d'apprentissage supervisé, basé par exemple sur le renseignement préalable des paramètres d'un automate de Markov à états cachés (HM M pour 'Hidden Markov Models') qui serviront ensuite dans la phase d'inversion par optimisation [Vogiatzis et al. (2013), Kolter and Jaakkola (2012), Bons (1996)]. De telles méthodes ne sont pas simples à mettre en œuvre. Par ailleurs, la phase d'apprentissage supervisée nécessite une connaissance approfondie, en amont, des matériels disponibles, ce qui n'est pas toujours faisable. Par exemple, la technique décrite dans Kolter and Jaakkola (2012) suppose que la courbe comprenne des paliers pendant lesquels la puissance consommée devrait être constante. Cette technique suppose que la courbe de charge est modélisable par une machine à états discrets.
Il existe donc un besoin d'une technique qui soit plus simple et plus efficace que les techniques décrites précédemment.
3. Résumé de l'invention
L'invention ne présente pas ces inconvénients de l'art antérieur. Plus particulièrement, l'invention se rapporte à un procédé de création d'une structure de données représentative d'une consommation de fluide d'au moins un équipement.
Selon l'invention, un tel procédé comprend:
une étape d'obtention de données de consommation de fluide, comprenant une pluralité de données de consommations temporelles mesurées à une fréquence d'échantillonnage, dite courbe initiale ;
une étape de découpage de ladite pluralité de données de consommations temporelles mesurées en fonction d'au moins un paramètre de découpage prédéterminé, délivrant un ensemble de segments de consommations unitaires, dit ensemble de linéaments, comprenant au moins un segment de consommation unitaire, dit linéament, chaque linéament comprenant un label d'identification et une liste de propriétés, comprenant au moins un horodatage et une durée et une quantité consommée;
une étape d'identification, au sein d'une base de données, d'au moins un équipement associé à un linéament dudit ensemble de linéaments. Selon un mode de réalisation particulier, ladite étape de découpage de ladite pluralité de données de consommations temporelles mesurées comprend au moins une itération des étapes suivantes :
une étape d'identification au sein de la courbe initiale, d'au moins une transition entre deux points de mesure et dont l'amplitude excède une valeur de tolérance SI prédéterminée, délivrant un ensemble de transitions montantes de référence ;
pour une transition de référence dudit ensemble, une étape de recherche d'au plus un nombre N prédéterminé de transitions dite opérantes, dont l'amplitude excède en valeur absolue une valeur de tolérance, associables à ladite transition opérante de référence, délivrant un ensemble de séquences de transitions candidates ;
une étape de sélection, en fonction d'au moins un critère de sélection, d'au moins une séquence parmi ledit ensemble de séquences délivrant un linéament ;
une étape de déduction dudit linéament de ladite courbe.
Selon un mode de réalisation particulier, ladite étape de recherche d'au plus un nombre N prédéterminé de transitions opérantes associables à ladite transition opérante de référence comprend :
une étape d'identification, au sein de ladite courbe initiale, de N transitions opérantes succédant à ladite transition opérante de référence, délivrant un ensemble de N transitions opérantes candidates ;
une étape d'énumération d'au moins une partie des combinaisons impliquant ladite transition opérante de référence, et au moins une des N transitions opérantes candidates, délivrant un ensemble de séquences ;
une étape de présélection, parmi ledit ensemble de séquences, d'au moins une séquence candidate, en fonction de paramètres de sélection prédéterminés, délivrant ledit ensemble de séquences de transitions candidates.
Selon un mode de réalisation particulier, ladite étape de présélection, parmi ledit ensemble de séquences, d'au moins une séquence candidate, comprend, pour une séquence courante dudit ensemble de séquences :
une étape de calcul des cumuls intermédiaires des transitions de la séquence courante, dits cumuls de transition ; une étape de calcul des cumuls intermédiaires des transitions non affectées de la courbe de charge en cours de désagrégation, selon un paramétrage donné, dits cumuls de charge ;
une étape de calcul de la somme totale des transitions opérantes de la séquence courante, dite somme des transitions.
une étape de sélection de ladite séquence courante lorsque lesdits cumuls de transitions sont positifs, lesdits cumuls de charge sont positifs ou nuls et ladite somme des transitions est inférieure en valeur absolue à un seuil S2 donné.
Les cumuls intermédiaires de transitions excluent le dernier cumul, celui qui comprend la dernière transition. En effet, ce cumul de toutes les transitions (y compris la dernière) représente exactement la somme totale qui est examinée par le troisième critère qui est différent du premier : norme du cumul inférieure à S2, au lieu de la positivité requise pour les cumuls de transition.
Selon un mode de réalisation particulier, ladite étape de sélection, en fonction d'au moins un critère de sélection, d'au moins une séquence parmi ledit ensemble de séquences et délivrant un linéament comprend :
une étape d'identification d'une pluralité de transitions susceptibles d'être incluses dans une des séquences dudit ensemble de séquence candidates et respectant des critères d'inclusion prédéterminés ; et
lorsqu'une telle pluralité de transitions est identifiée pour une séquence donnée dudit ensemble de séquence, une étape de regroupement de ladite pluralité de transitions non opérantes avec ladite séquence délivrant un linéament.
L'invention, dans un autre mode de réalisation, se rapporte également à un dispositif de création d'une structure de données représentative d'une consommation de fluide d'au moins un équipement. Un tel dispositif comprend :
des moyens d'obtention de données de consommation de fluide, comprenant une pluralité de données de consommations temporelles mesurées à une fréquence d'échantillonnage, dite courbe initiale ;
des moyens de découpage de ladite pluralité de données de consommations temporelles mesurées en fonction d'au moins un paramètre de découpage prédéterminé, délivrant un ensemble de segments de consommations unitaires, dit ensemble de linéaments, comprenant au moins un segment de consommation unitaire, dit linéament, chaque linéament comprenant un label d'identification et une liste de propriétés, comprenant au moins un horodatage et une durée et une quantité consommée ;
des moyens d'identification, au sein d'une base de données, d'au moins un équipement associé à un linéament dudit ensemble de linéaments.
Selon une implémentation préférée, les différentes étapes des procédés selon l'invention sont mises en œuvre par un ou plusieurs logiciels ou programmes d'ordinateur, comprenant des instructions logicielles destinées à être exécutées par un processeur de données d'un module relais selon l'invention et étant conçu pour commander l'exécution des différentes étapes des procédés.
En conséquence, l'invention vise aussi un programme informatique, susceptible d'être exécuté par un ordinateur ou par un processeur de données, ce programme comportant des instructions pour commander l'exécution des étapes d'un procédé tel que mentionné ci-dessus.
Ce programme peut utiliser n'importe quel langage de programmation, et être sous la forme de code source, code objet, ou de code intermédiaire entre code source et code objet, tel que dans une forme partiellement compilée, ou dans n'importe quelle autre forme souhaitable.
L'invention vise aussi un support d'informations lisible par un processeur de données, et comportant des instructions d'un programme tel que mentionnées ci-dessus.
Le support d'informations peut être n'importe quelle entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, par exemple un CD ROM ou une ROM de circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple une disquette (floppy dise), un disque dur, un SSD, etc.
D'autre part, le support d'information peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens. Le programme selon l'invention peut être en particulier téléchargé sur un réseau de type Internet.
Alternativement, le support d'information peut être un circuit intégré (type ASIC ou FPGA) dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question. Selon un mode de réalisation, l'invention est mise en œuvre au moyen de composants logiciels et/ou matériels. Dans cette optique, le terme "module" peut correspondre dans ce document aussi bien à un composant logiciel, qu'à un composant matériel ou à un ensemble de composants matériels et logiciels.
Un composant logiciel correspond à un ou plusieurs programmes d'ordinateur, un ou plusieurs sous-programmes d'un programme, ou de manière plus générale à tout élément d'un programme ou d'un logiciel apte à mettre en œuvre une fonction ou un ensemble de fonctions, selon ce qui est décrit ci-dessous pour le module concerné. Un tel composant logiciel est exécuté par un processeur de données d'une entité physique (terminal, serveur, passerelle, routeur, etc.) et est susceptible d'accéder aux ressources matérielles de cette entité physique (mémoires, supports d'enregistrement, bus de communication, cartes électroniques d'entrées/sorties, interfaces utilisateur, etc.).
De la même manière, un composant matériel correspond à tout élément d'un ensemble matériel (ou hardware) apte à mettre en œuvre une fonction ou un ensemble de fonctions, selon ce qui est décrit ci-dessous pour le module concerné. Il peut s'agir d'un composant matériel programmable ou avec processeur intégré pour l'exécution de logiciel, par exemple un circuit intégré, une carte à puce, une carte à mémoire, une carte électronique pour l'exécution d'un micrologiciel (firmware), etc.
4. Figures
D'autres caractéristiques et avantages de l'invention apparaîtront plus clairement à la lecture de la description suivante d'un mode de réalisation préférentiel, donné à titre de simple exemple illustratif et non limitatif, et des dessins annexés, parmi lesquels :
la figure 1 présente un synoptique de la technique proposée pour le traitement des données de consommation de fluide ;
- la figure 2 présente un dispositif de mise en œuvre de la méthode proposée.
5. Description
5.1. Rappel du principe
Le principe général de la technique décrite consiste à appliquer, sur une courbe de consommation (comme par exemple une courbe de consommation électrique, également appelée courbe de charge), une méthode de désagrégation (i.e. de découpage) spécifique qui peut ne pas travailler en mode probabiliste. Pour mettre en œuvre la technique décrite on utilise une « courbe de consommation » ou une dérivée première d'une telle courbe de consommation par rapport au temps. Il s'agit d'une série temporelle échantillonnée régulièrement ou non. Elle peut avoir été mesurée d irectement ou reconstituée à partir de mesures physiq ues d'u ne autre grandeur par un traitement préalable (comme par exemple Γ horodatage des Wh au compteur). Plus particulièrement, u ne courbe de consommation est fournie en entrée de la méthode proposée, en bloc ou en flux, Le. par tronçons successifs. Il s'agit éventuellement d'une courbe de consommation nettoyée des scories ou données parasites issues du ou des capteurs utilisés. Cette courbe de consommation se présente habituellement sous la forme d'u ne série temporelle mais elle peut avoir été codée afin de compression et/ou de détection et correction d'erreurs de transmission.
Cette courbe de consommation comprend un ensemble de points de mesure. En fonction de la provenance de la courbe de consommation, l'échantillonnage n'est pas nécessairement régulier, ni commun à tous les sites ou à tous les fluides visés. Par exemple, dans le cas d'une courbe de consommation électrique, l'échantillonnage peut correspondre à une valeur tous les dixièmes de Hertz ou à un horodatage effectué tous les Ampère-heure par exemple, auquel cas la fréquence d'échantillonnage n'est évidemment pas régulière dans le temps. Pour d'autres types de consommation (par exemple gaz, eau courante), l'échantillonnage de la courbe de consommation peut être de l'ordre de la seconde.
D'une manière générale, décrite en relation avec la figure 1, la méthode proposée permet de créer une structure de données, qui comprend un découpage de consommation en éléments distincts à partir de la courbe de consommation fournie. Ce découpage est mise en œuvre de manière itérative, voire récursive, de sorte que l'on cherche à identifier, dans la courbe de consommation, les éléments distincts qui la compose à partir de transitions, montantes ou descendantes, que l'on repère dans la courbe en question. La méthode comprend :
une étape d'obtention (E-10) d'une structure de données représentative d 'une consommation de fluide, ladite structure de données comprenant une pluralité de données de consommations temporelles mesurées à un échantillonnage régulièrement espacé dans le temps, régulièrement espacé en unité de consommation (Wh dans le cas de l'électricité), ou encore irrégulier mais associant alors une mesure de la consommation de ressource avec une mesure d u temps, dite courbe initiale (Cbelnit) ; une étape de découpage (E-20) de ladite pluralité de données de consommations temporelles mesurées en fonction d'au moins un paramètre de découpage prédéterminé, délivrant un ensemble de segments de consommations unitaires, dit ensemble de linéaments (ELIN), comprenant au moins un segment de consommation unitaire, dit linéament (LIN), chaque linéament (LIN) comprenant un vecteur de caractérisation pouvant inclure entre autre un horodatage, correspondant par exemple à une heure de début et à une heure de fin, une durée ou une quantité consommée ;
une étape d'identification (E-30), au sein d'une base de données, d'au moins un équipement associé à un linéament (LIN) dudit ensemble de linéaments (LIN).
L'étape de découpage (E-20) est celle qui permet d'obtenir les segments de consommation distincts qui sont appelés linéaments. Ces segments sont plus particulièrement obtenus en identifiant et en réunissant au moins deux transitions (à la hausse et à la baisse), dans la courbe de consommation : c'est-à-dire des modifications du flux de consommation qui excèdent (en valeur absolue) un paramètre seuil 'SI' dont la valeur peut évoluer au long du processus de découpage. Pour toute transition de ce type au sein de la courbe de consommation, non encore affectée à un linéament, et s'effectuant à la hausse, la méthode proposée la considère comme Γ « embryon » d'un linéament qu'elle va tenter de compléter et recherche dans ce but d'autres transitions excédant elles-aussi le seuil 'SI', et qui pourraient être associées à cette transition. Lorsque la somme (signée) d'une liste de transitions du voisinage annule suffisamment (cf. seuil 'S2') la transition embryon, l'ensemble embryon + liste apparaît susceptible d'être retenu et complété. Dans ce deuxième temps, toutes les transitions non déjà affectée mais intermédiaires, viz. situées entre la première et la dernière des transitions excédant le seuil, voire un peu au-delà, deviennent alors elles-aussi successivement candidates à la constitution du linéament en formation. Si l'inclusion de certaines de ces transitions intermédiaires fait passer la somme cumulée sous un seuil 'S3' (typiquement plus sévère que le seuil 'S2'), l'ensemble de toutes les transitions -désormais qualifié de linéament- est retiré de la courbe de consommation, à l'exception d'un faible résidu qui reste affectées à cette dernière. Le processus se poursuit alors de façon itérative et/ou récursive sur la courbe de consommation (de laquelle on a extrait ce linéament et qui s'en trouve ainsi simplifiée) afin d'identifier d'autres linéaments tout en autorisant leur recouvrement temporel potentiel. Une caractéristique complémentaire importante de la technique proposée consiste à doter chaque linéament d'une liste de paramètres le caractérisant et comprenant typiquement au moins un numéro ou code unique d'identité, un horodatage, une durée, et une quantité consommée. Les paramètres de cette liste sont généralement scalaires, mais ils peuvent être de nature quantitative ou catégorielle. Cette liste, qui peut être calculée juste après la construction du linéament, ou alternativement en différé, permet de classifier celui-ci, par exemple en analysant l'espace multi dimensionnel où il est possible de la plonger. Elle comprend également, en sus des paramètres déjà mentionnés, un certain nombre d'autres paramètres modélisant le candidat linéament, tels que son nombre de transitions, un ou plusieurs facteurs rendant compte de la morphologie globale du linéament et/ou de la morphologie des transitoires le composant, etc. À l'aide de cette liste, la technique proposée recherche, au sein d'une ou plusieurs bases de données, bases de connaissance ou ontologie (locales/individuelles, régionales, et/ou nationales), un ou plusieurs équipements -ou catégories d'équipements- susceptibles de correspondre à ce linéament. Cette étape peut faire partie intégrante du processus de découpage, pouvant contribuer à l'acceptation du linéament en construction ou au contraire à son rejet, menant dans le cas du rejet à la construction ultérieure d'un autre linéament composé d'un ensemble similaire ou non des transitions encore disponibles. Elle peut aussi en être indépendante, ce qui a lieu lors de la phase de génération initiale et supervisée des ontologies.
En définitive, le processus itératif de la technique proposée est beaucoup plus simple et efficace que les processus basés sur les chaînes de Markov cachées.
Ainsi la technique proposée est plus simple à mettre en œuvre que les techniques décrites antérieurement. Par ailleurs, la technique proposée permet d'obtenir une précision accrue de la désagrégation de la courbe de charge. En effet, par comparaison avec la méthode décrite dans [Kolter and Jaakkola (2012)], la technique proposée ne suppose pas la présence de paliers pendant lesquels la puissance consommée doive pouvoir être considérée comme constante. A l'inverse, à l'aide de la technique proposée, le profil temporel de consommation peut prendre des formes quelconques. Il peut en particulier manifester des transitions complexes et des rampes croissantes ou décroissantes, dont les caractéristiques peuvent d'ailleurs jouer un rôle de signature morphologique de la consommation. Ces signatures morphologiques participent d'ailleurs à l'étape de reconnaissance/assignation de ceux-ci à un appareil ou à une catégorie d'équipements, ce qui permet de rendre celle-ci plus précise. De plus, les signatures ne nécessitent pas d'être modélisables par une machine à états discrets, et la méthode proposée est donc dispensée de la difficile inversion correspondante.
La technique proposée présente l'avantage supplémentaire de ne pas dépendre d'un apprentissage supervisé (manuel et fastidieux) qui serait effectué pour chaque local ou habitation de manière individuelle. Au contraire, l'apprentissage débute à l'aide de certaines connaissances sur l'équipement du local et sur les usages qu'il en a, puis il se précise en continu à partir des mesures réalisées dans le logement considéré. Car en effet par ailleurs, des connaissances antérieures ont été collectées au travers d'un questionnaire normalisé et formalisées sous forme d'informations a priori permettant d'appliquer une approche bayésienne. Une supervision peut permettre de maximiser les performances mais elle reste optionnelle.
Pour valoriser au mieux le flux de données acquises, la chaîne de traitement analyse celui- ci en temps quasi réel (en anglais « Near real time » ou NRT) dès le commencement de l'acquisition. Au début de la mise en œuvre de la technique, les résultats obtenus reflètent uniquement les règles a priori évoquées ci-dessus, mais progressivement, ces règles s'adaptent et les performances s'améliorent. De plus, les enseignements tirés de chaque nouveau local ou habitation peuvent être remontés vers des bases de connaissances a priori centralisées (des usages du foyer considéré et des foyers en général, des signatures des équipements du foyer et des équipements en général), et les enrichissent de manière non-paramétrique.
Par ailleurs, la capacité de la technique proposée à extraire des linéaments dès après leur réalisation, avant même de les avoir affecté à un équipement, représente un avantage qui favorise une implémentation en flux. De plus, et indépendamment, la capacité de la méthode proposée à labelliser les linéaments dès les premières extractions dans un nouveau local (avant même que l'apprentissage s'y soit graduellement adapté) constitue un second avantage favorisant des opérations et services en quasi temps-réel.
Ainsi, la technique proposée offre des solutions simples à des problématiques complexes. En effet, Il est à noter qu'une telle reconstitution des consommations individuelles par équipement ouvre la voie à un ensemble d'applications et de services : les résultats de la mise en œuvre de la technique proposée permettent de communiquer aux acteurs impliqués des informations d'anticipation géographique de la consommation ainsi que de mettre en œuvre d'éventuelles stratégies économiques supplémentaires. En parallèle, pour chaque particulier, il devient possible d'estimer puis d'extrapoler ses divers postes de consommation, de prévoir plus précisément le montant de ses prochaines factures et de lui livrer des analyses pertinentes de son profil de consommation, voire des alertes relatives à un écart à un objectif, à une défaillance de l'un ou plusieurs de ses équipements, et à d'autres enjeux encore tels que la concomitance de son absence et d'une consommation excessive de chauffage ou d'air conditionné, etc.
5.2. Description d'un mode de réalisation
On décrit, dans un mode de réalisation, une application de la technique proposée à une analyse et à un découpage d'une courbe de charge électrique. L'objet de cette mise en œuvre est d'obtenir, à partir d'une courbe de consommation électrique d'un logement ou d'un local, une information représentative des équipements électriques qui ont contribué à la courbe de charge.
Dans ce mode de réalisation, l'étape de découpage de la courbe de consommation comprend :
une étape d'imputation des valeurs erronées ;
une étape d'estimation des paramètres de découpage / extraction ;
une étape de prétraitement de série temporelle ;
- une étape itérative d'extraction et d'adaptation, au cours de laquelle les linéaments sont obtenus et les paramètres d'extraction recalculés si nécessaire.
L'identification, au sein de la base de données, d'au moins un équipement associé à un linéament dudit ensemble de linéaments comprend quant à elle une mise en correspondance au cours de laquelle les linéaments sont affectés à un type d'équipement (voire à un équipement bien précis). Cette identification peut être opérée pendant l'étape d'extraction ou après.
Ces différentes phases sont décrites par la suite.
5.2.1. Imputation des valeurs réputées erronées
Dans ce mode de réalisation, la technique consiste à consolider la série temporelle correspondant à la courbe de charge en marquant comme incertaines les périodes pouvant résulter d'éventuelles défaillances provenant du capteur ou de la chaîne de transmission de l'information. L'exploitation d'à priori permet de distinguer entre des défauts et des possibles aberrations telles que des suspensions réelles de la consommation. Un indice de confiance est utilisé pour rendre compte de cette distinction.
5.2.2. Découpage en linéaments
L'étape suivante consiste à découper (décomposer) la courbe de charge en tronçons de profils temporels atomiques (c'est-à-dire élémentaires), éventuellement superposés les uns aux autres, et qui sont appelés linéaments. Ce découpage est réalisé par une technique itérative. Plus particulièrement, il s'agit d'une opération qui effectue plusieurs itérations par intervalle temporel considéré. Les itérations peuvent s'opérer indifféremment vers le futur ou vers le passé. On les dira rétroactives dans ce second cas et c'est le mode utilisé lorsque l'opération est menée en flux, (c'est-à-dire en temps quasi réel). Une nuance existe cependant, car « en flux » accentue le fait que de nouvelles données apparaissent au cours du découpage. Ceci se produit obligatoirement lors d'opérations NRT, mais pourrait théoriquement être simulé en différé.
Cependant, préalablement à la mise en œuvre des itérations, des initialisations et des transformations peuvent être réalisées. Elles visent à, par exemple, adapter les bornes et le pas d'évolution des paramètres variables des itérations et à pré-conditionner la série temporelle. Il s'agit par exemple de l'estimation des paramètres nécessaires à l'itération et d'un prétraitement de la série temporelle.
5.2.2.1. Estimation des paramètres de l'itération
Dans un mode de réalisation, l'histogramme de la série temporelle différentielle est calculé sur une période 'P' suffisamment longue pour être représentative, et avec une taille de classe valant typiquement 1 Watt (ou toute autre résolution et unité pertinentes). On calcule l'équation de la fonction puissance (droite en représentation Log-Log) passant par les deux premières classes pour lesquels l'histogramme n'est pas nul. On calcule alors l'abscisse de la première classe pour laquelle (a) l'histogramme n'est pas nul et (b) passe sous cette fonction puissance. Cette abscisse est utilisée comme estimation du bruit et initialise un paramètre 'S3', utilisé postérieurement. Plus précisément, si 'T_i' représente la valeur absolue caractéristique des transitions rangées dans une classe labellisée Ί', et si 'H_i' renseigne le nombre de transitions constatées comme appartenant à cette classe 'i' au cours de la période temporelle 'P', alors 'S3' est calculé comme étant la valeur du niveau de transition TJ, associé à la classe ']' la plus petite et pour laquelle l'inégalité suivante est vérifiée :
H
'f ' est un nombre pris entre 0 et 1. Une valeur utilisable de f = 0.9.
Les valeurs initiale SU et finale SI/ du paramètre SI sont estimées de manière adaptative par une analyse du même histogramme. Par défaut, ces valeurs sont fixées à respectivement 100 W et 0,5W, ce qui couvre les cas de figures habituels d'un foyer résidentiel. 5.2.2.2. Prétraitements de la série temporelle
Selon la cadence d'acquisition, particulièrement lorsqu'elle est élevée, il peut être utile de cumuler les transitions successives de même signe en les rassemblant sous la forme d'une « méta- transition ». Ce prétraitement permet d'extraire les « rampes » de manière plus efficace (les rampes sont des signaux présentant une évolution relativement longue et monotone (croissante ou décroissante). En effet, ce prétraitement augmente l'horizon de la combinatoire ce qui est intéressant pour la suite des traitements d'extraction. La construction de linéaments est en effet entamée à partir uniquement des transitions, ou le cas échéant des méta-transitions, du voisinage temporel suivant la transition montante embryon (TOME), et dépassant le seuil 'SI' courant. Dans un intervalle temporel donné, les méta-transitions sont évidemment moins nombreuses et d'amplitudes plus grandes que les transitions de même signe qui les constituent. Or, pour une transition embryon donnée, l'algorithme examine toutes (ou au moins un grand nombre parmi toutes) les combinaisons des transitions voisines de l'embryon. La combinatoire augmentant très vite avec le nombre de transitions opérantes considérées, celui-ci est donc limité à un nombre 'N', appelé horizon, qui inclue des méta transitions plus lointaines car leur densité se trouve réduite et/ou leur amplitude augmentée en comparaison de celle des simples transition par l'effet du cumul engendrant les méta-transitions.
Un inconvénient associé à ce prétraitement pourrait venir du risque de rendre indistinctes des transitions qui seraient en réalité indépendantes, quoique proches dans le temps, puisqu'en effet le processus consiste à cumuler toute nouvelle transition « physique » à la « méta- transition » en cours de construction, à la condition :
qu'elles aient toutes deux le même signe (+ ou -) ; et
que la transition courante n'ait été précédée que de 'Np' transitions d'amplitude nulle.
Np est un paramètre positif ou nul, valant typiquement 0 ou 1. Il doit être fixé en fonction de la cadence d'acquisition. Le potentiel effet indésirable mentionné ci-dessus augmente avec Np, mais il est en pratique négligeable dans les cas utilisant Np = 1 ou 2 et f=0.2 Hz (fréquence d'acquisition des données) dans la mesure où la commutation de deux appareils à quelques secondes d'intervalle n'est guère plus fréquente que leur commutation simultanée. Il est d'autre part envisageable de revenir à un découpage sur base des simples transitions après avoir extrait des linéaments sur base des méta-transitions, ou encore d'alterner ces deux modes. On stocke avec la méta-transition les indices (et/ou les horodatages) des transitions simples la constituant car il est nécessaire d'en disposer au moment de caractériser e.g. l'énergie totale ou les transitoires du linéament. Dans la suite, le terme transition inclue généralement aussi les méta-transitions, sauf lorsque la distinction de vocabulaire est faite explicitement.
5.2.2.3. Description d'une itération donnée (parmi la pluralité d'itérations)
La technique de découpage itérative consiste à considérer les (méta-) transitions dont la norme de l'amplitude (positive ou négative) dépasse un premier seuil de tolérance SI, passé en argument. Ces transitions sont alors dites « opérantes » (TO) et elles sont considérées comme étant des transitions de référence et sont regroupées dans un ensemble de transitions montantes (ETM)
Pour chaque transition opérante montante (TOM) de référence non encore affectée à un linéament, l'algorithme identifie (ou recherche), les N transitions opérantes qui lui succèdent (en allant donc vers le passé dans le mode rétroactif). Il énumère ensuite tout ou partie des combinaisons impliquant la TOM embryon (TOME), qui est la transition opérante de référence, et l'une ou plus des N transitions opérantes identifiées au-delà de la TOME. 'N' prend ses valeurs entre 1 et 12, typiquement. Il existe M = 2ΛΝ - 1 combinaisons (ou séquence S) qui soient telle.
On note une explosion combinatoire liée à la valeur de ce cardinal M. Pour lutter contre cette difficulté, lors de l'énumération des combinaisons candidates, il peut être efficace de n'en autoriser qu'un nombre plus restreint, en limitant la quantité de TOs pouvant être qualifiées d'intrus, c'est-à-dire non candidate à la construction du linéament initié par la TOME courante. En effet, dans un schéma ordinaire 'N' augmente au fil des itérations et certaines combinaisons ont déjà été considérées lors des passes antérieures, en particulier celles incluant les TOs proches de la TOME. Schématiquement, à l'issue de cette recherche, on obtient un ensemble de séquences de transitions (EST) comprenant les séquences candidates.
Pour chaque séquence S, on considère sa combinaison complémentaire notée S'. Il s'agit de toutes les TO vérifiant le critère de voisinage défini par l'horizon N, mais n'appartenant pas à S.
Toute séquence S (constituée de la TOME et d'au moins une autre TO) est présélectionnée si :
1. les cumuls intermédiaires des transitions de la séquence S, prises l'une après l'autre, commençant par la TOME mais excluant la dernière, restent positifs. Il s'agit des cumuls de transitions suivants : Τθξ > 0, Vi e [1: K - 1], où S = {Τθξ, k E [0: K]}
k=0
et avec TOME = TO$ > 0,
les cumuls intermédiaires de la valeur V de la courbe de charge intégrée en cours de désagrégation à l'instant de la TOME et des transitions TOs de la séquence complémentaire S', prises l'une après l'autre, sont restés positifs. Il s'agit des cumuls suivants :
V + ^ Τθ ' ) > 0, Vi e [0: K], où S' = [τθξ' , k E [0: tf]}, et où
k=0 /
V =∑, =1 Τθ , où R est l'ensemble des r transitions en amont de TOME non encore affectées à des linéaments au moment de l'itération considérée, la somme totale des TOs de la séquence 5 est inférieure en valeur absolue, à un deuxième seuil 52 (il s'agit de la somme de toutes les transitions de la séquence S).
Ce seuil S2 peut être par exemple calculé comme étant la plus grande valeur parmi (a) une fraction (e.g., 20%) de l'amplitude absolue de la plus grande transition participant à la séquence S, et (b) un seuil 53 qui prend par exemple la valeur du bruit (cf. supra).
Plusieurs séquences 5 peuvent répondre aux trois critères précédents. Elles sont dites présélectionnées et l'on cherche alors à identifier la meilleure d'entre elles. Une définition possible pour qualifier cette meilleure séquence est qu'elle minimise (en valeur absolue) la somme totale des TOs utilisée dans la troisième condition. Des critères de brièveté ou de simplicité pourraient aussi être utilisés.
On tente alors d'adjoindre à cette meilleure séquence certaines des transitions non- opérantes (TNOs, viz. d'amplitudes inférieures à 51) -ou même opérantes- s'étant éventuellement produites entre la TOME (ou juste en amont de celle-ci) et la dernière TO appartenant à la séquence 5 (ou juste en aval de celle-là). Ces adjonctions sont réalisées successivement et elles forment des séquences ordonnées de TOs et de TNOs, appelées L. Chaque adjonction doit respecter les trois critères ci-dessus (en y définissant désormais la complémentarité par rapport à une séquence L et non plus à la séquence 5, et en prenant toutes les transitions de l'intervalle qui précèdent la tentative d'adjonction en cours) à défaut de quoi la transition considérée n'est pas adjointe à la séquence L, et l'on fait subir les tests à la transition suivante. Cette étape de construction par adjonction est simple et rapide car les transitions sont ordonnées et leur liste possède un cardinal fini qui est généralement de l'ordre de quelques dizaines et ne dépasse que rarement la centaine.
Enfin, s'il existe, le plus tardif des ensembles des séquences L ainsi formés respectant de surcroît un critère équivalent à la troisième condition -mais en plus sévère, utilisant par exemple 53 seul en place de 52- est baptisé linéament. Notons que cette étape peut échouer ; aucune transition n'est alors retirée de la courbe de charge en cours de découpage et l'algorithme itère en partant de la TOME suivante. Des stratégies plus poussées et/ou plus astucieuses pourront être imaginées pour adjoindre à 5 la meilleure combinaison de transitions qui lui sont voisines et recevables.
En cas de succès, la séquence résultante L est soustraite de la série temporelle communiquée en entrée de l'itération (entraînant ainsi une simplification de la série d'entrée). S'il n'est pas nul, le cumul résiduel, c'est à dire la somme de toutes les transitions incorporée à la séquence L (valeur qui est inférieure à 53 en norme) est par exemple affecté à la (méta-) transition appartenant à 5 et manifestant la plus grande amplitude en norme.
En d'autres termes, au début d'une itération, on identifie d'abord les transitions dont l'amplitude, c'est-à-dire la valeur absolue, dépasse le seuil SI. Celles retenues ainsi sont alors appelées opérantes (TOs) dont on crée une liste valide pour le temps de l'itération courante caractérisée par des paramètres N, SI, S2, fixés. Ensuite, au sein de cette itération, on considère successivement les TOMs (transitions opérantes montantes), c'est-à-dire celles qui sont positives parmi les TOs précédemment identifiées pour la durée de l'itération. Pendant qu'on examine une TOM donnée, on l'appelle TOME (« transition opérante montante embryon » il s'agit d'une transition de référence) et c'est alors que peut s'effectuer une présélection d'autres TOs (en aval et dans l'horizon, mais toujours issues de la même liste des TOs). Puis -en cas de succès de la présélection (cf. les trois critères et le seuil S2)- s'effectue l'ajout séquentiel de transitions qui peuvent être quelconques du moment qu'elles appartiennent au voisinage de la présélection. Ces ajouts et rejets représentent la sélection (cf. les trois critères adaptés et le seuil S3) qui -en cas de succès- produit un linéament.
5.2.2.4. Gestion des paramètres La courbe de charge résultant des soustractions précédentes est réinjectée récursivement dans le processus jusqu'à ce qu'il soit nécessaire d'augmenter l'horizon N ou l'un des seuils. Un scénario fonctionnel est décrit ci-après à titre illustratif.
La valeur initiale de l'horizon N vaut Ni, typiquement fixé à 1. Les valeurs initiales de 51 et 53 ont été discutées plus haut. Le pourcentage déterminant le seuil 52 n'évolue pas au long des itérations. Il vaut par exemple 20% (52 est ici interprété en relatif de la plus grande transition)
L'analyse successive des TOMs non encore affectées est effectuée sur des tronçons appelés 'lumps'. La longueur des lumps est déterminée de manière adaptative pour qu'il y ait 'Nt' (fixé à 4) transitions supérieures à 51/ par lump en moyenne dans la série.
Les paramètres SI, 52 et 53 sont maintenus constants jusqu'à ce que toute la série temporelle ait été traitée au moins une fois sous ces conditions. Si aucune extraction n'est constatée à la fin d'un tel balayage, 51 est divisé par un facteur constant Fl (fixé ici à 2), ce qui augmente la densité de TOM et réduit l'intervalle temporel associé à l'horizon 'N', et les itérations reprennent.
Lorsque 51 atteint Slf, l'horizon N est incrémenté et 51 est réinitialisé à 51/'.
Lorsque N atteint une valeur maximale Nf, conditionnée par la puissance de calcul (fixée à 11 par exemple pour un ordinateur de puissance moyenne) et par la complexité des linéaments attendus, N est réinitialisé à Ni ainsi que 51 à 51/'.
Lorsque qu'un cycle allant de Ni à Nf n'a produit aucun linéament, tous les linéaments ont été extraits et la courbe de charge résiduelle atteint essentiellement le niveau de veille car celui-ci n'offre pas de transitions opérantes s'éliminant mutuellement à l'échelle des plus longs horizons atteignables. Il s'agit du niveau de veille non constant de la courbe de consommation considérée, qui est un indicateur intéressant pour évaluer les « pertes ».
5.2.2.5. Regroupement et affectation
En plus d'un label permettant de l'identifier de manière unique, chaque linéament peut être caractérisé par une liste de plusieurs scalaires susceptibles de le caractériser puis de le classifier : (1) sa durée, (2) le nombre de transitions et/ou de méta-transitions qu'il implique, (3-6) les premiers moments de l'histogramme des amplitudes de celles-ci, (7) sa puissance intégrée (en Wh), (8) son amplitude maximale (en W), (9) sa variation totale TV (pour 'total variation' ; en W), et (10) l'horaire et (11) le jour de la semaine où il a été constaté. Sa concomitance avec les linéaments brefs et faibles (BF, cf. infra) est aussi caractérisée par (12) le nombre, (13) l'énergie intégrée et par (14) la TV des linéaments classés comme BF et inclus à l'intérieur de son étendue temporelle. Les linéaments que leur brièveté et leur faible amplitude rendent indéterminables sont appelés « brefs et faibles » (BF). La liste peut encore contenir d'autres informations telles que la température extérieure au logement, la vitesse du vent, ou encore l'état du régime heure pleine - heure creuse.
L'ensemble de ces paramètres peut être porté dans un espace multidimensionnel possédant par exemple 14 dimensions. Toutefois, pour éviter une « malédiction de la dimensionnalité », un regroupement (clusterisation) est effectué. Il peut être diffus, basé sur la densité et hiérarchique, ce qui lui confère de bonnes propriétés de robustesse et ne requière pas de recevoir en entrée le nombre attendu de clusters.
À noter que l'affectation bayésienne du linéament peut se faire au moment de son extraction, permettant ainsi de guider finement le processus d'extraction : la « classabilité » des linéaments peut guider leur extraction, limitant les erreurs de désagrégation qui menacent d'autant plus le processus qu'elles interviennent précocement.
Les linéaments se regroupent ainsi en familles dont les propriétés peuvent être confrontées en comparant pour chacun d'eux la probabilité d'avoir été généré par un type d'équipement spécifique (probabilité dite d'émission, construite à partir de Y a priori bayésien). Plus spécifiquement, le ménage complète initialement et peut mettre à jour un formulaire simple, établissant la liste de tous les appareils électriques susceptibles de parfois fonctionner. Si tous ne sont pas listés, les plus consommateurs et les plus fréquents le sont préférablement. Le formulaire permet d'autre part de portraiturer schématiquement les usages qui sont habituellement faits de ces appareils. Partant, une base de données locale, contenant la liste, les horaires d'usage, et les caractéristiques morphologiques des linéaments des appareils attendus, est bâtie à partir des réponses au questionnaire et d'une base de données homologue, décrivant globalement tous les ménages et tous les appareils électriques courants.
Il est dès lors possible d'affecter à chaque cluster le label associé au type d'équipement maximisant cette probabilité d'émission.
5.2.2.6. Cas des successions de linéaments
Un linéament peut ne représenter qu'un événement isolé d'une succession de linéaments s'enchaînant ordinairement. Ceci ne pose pas de difficulté dans la mesure où le linéament, ainsi que la puissance et l'énergie associées, reste affectable sui generis à l'appareil et à l'usage qui les ont générés. Néanmoins, les linéaments qui apparaissent fréquemment sont soumis à l'algorithme ci-dessous, dans le but de caractériser plus finement le fonctionnement de l'appareil concerné. La distribution des intervalles de temps séparant les représentants d'u n cluster des représentants d'un autre cluster est établie par l'histogramme des différences temporelles. En priorité, ces deux clusters seront en fait confondus, et nous étudions en ce cas la distribution des durées séparant les linéaments d'une même famille, typiquement celle d'un équipement de chaud ou de froid. Lorsque N occurrences ont été comptées, N valant environ 100, ce qui demande plus ou moins de temps selon la durée moyenne de la période de répétition, nous calculons /fiG^ = (qo.9-qo.i)/qo.s, qx désignant la durée du xeme q uantile (ici les 2eme, 9eme déciles, et la médiane, c'est à dire, le 5eme décile). /RG^ donne une mesure de l'irrégu larité associée à la signature globale de l'ensemble des N linéaments supposés quasi périodiques. Un autre scalaire IRG2 est calculé de façon semblable ; il estime quant à lui le caractère irrégulier des durées des linéaments considérés. L'évolution de ces deux paramètres peut traduire une défaillance ou un incident impliquant l'appareil.
5.2.2.7. Rétroaction vers les bases de données locales et globales
Finalement, les propriétés détectées (usage, morphologie) sont réinjectées dans les ontologies/bases de données locale (celle caractérisant les usages et les équipements du ménage à l'origine de la courbe de charge étud iée) et globales (celles caractérisant les usages de la population et la morphologie des linéaments). Cette rétroaction utilise une méthode à noyau, non paramétrique, permettant de flouter adéquatement les observations. Cette opération enrichit les bases de données et augmente le taux de succès ultérieurs, que ce soit pour le foyer étudié ou les autres.
Les propriétés détectées sont supervisées dans la durée et les éventuelles dérives donnent lieu aux alertes annoncées plus haut (e.g. dysfonctionnement des équipements de chaud et de froid, réglages inappropriés en période d'absence, etc. ).
5.3. Dispositif de mise en œuvre
On décrit, en relation avec la figure 2, un d ispositif mis en œuvre pour identifier, au sein d'une courbe de consommation, un ou plusieurs équipements responsables de la consommation, selon le procédé décrit préalablement. Par exemple, le dispositif comprend une mémoire 21 constituée d'une mémoire tampon, une u nité de traitement 22, équ ipée par exemple d'un microprocesseur, et pilotée par le programme d'ordinateur 23, mettant en œuvre un procédé de création de structure de données de consommation.
À l'initialisation, les instructions de code du programme d'ordinateur 23 sont par exemple chargées dans une mémoire avant d'être exécutées par le processeur de l'unité de traitement 22. L'unité de traitement 22 reçoit en entrée des données représentative de consommation, sous la forme d'une série temporelle, de fréquence constante ou variable. Le microprocesseur de l'unité de traitement 22 met en œuvre les étapes du procédé création selon les instructions du programme d'ordinateur 23 pour décomposer cette courbe de consommation en linéament et associer ces linéaments à des équipements prédéterminés.
Pour cela, le dispositif comprend, outre la mémoire tampon 21, des moyens de communications, tels que des modules de communication réseau, des moyens de transmission de donnée et éventuellement un processeur de chiffrement.
Ces moyens peuvent se présenter sous la forme d'un processeur particulier implémenté au sein du dispositif, ledit processeur étant un processeur sécurisé. Selon un mode de réalisation particulier, ce dispositif met en œuvre une application particulière qui est en charge des calculs.
Ces moyens se présentent également comme des interfaces de communications permettant d'échanger des données sur des réseaux de communication, des moyens d'interrogations et de mise à jour de base de données, ...

Claims

REVENDICATIONS
Procédé de création d'une structure de données représentative d'une consommation de fluide d'au moins un équipement (DatFldOut), procédé caractérisé en ce qu'il comprend: une étape d'obtention (E-10) de données de consommation de fluide (DatFldln), comprenant une pluralité de données de consommations temporelles mesurées à une fréquence d'échantillonnage, dite courbe initiale (Cbelnit) ;
une étape de découpage (E-20) de ladite pluralité de données de consommations temporelles mesurées en fonction d'au moins un paramètre de découpage prédéterminé (SI, S2, S3,...), délivrant un ensemble de segments de consommations unitaires (ELIN), dit ensemble de linéaments, comprenant au moins un segment de consommation unitaire (LIN), dit linéament, chaque linéament comprenant un label d'identification et une liste de propriétés, comprenant au moins un horodatage et une durée et une quantité consommée ladite étape comprenant au moins une itération des étapes suivantes :
une étape d'identification (E-21) au sein de la courbe initiale (Cbelnit), d'au moins une transition entre deux points de mesure et dont l'amplitude excède une valeur de tolérance SI prédéterminée, délivrant un ensemble de transitions montantes (ETM) de référence ;
pour une transition de référence dudit ensemble, une étape de recherche (E-22) d'au plus un nombre N prédéterminé de transitions dite opérantes, dont l'amplitude excède en valeur absolue une valeur de tolérance (SI, S2, S3,...), associables à ladite transition opérante de référence, délivrant un ensemble de séquences de transitions (EST) comprenant les séquences candidates ;
une étape de sélection (E-23), en fonction d'au moins un critère de sélection, d'au moins une séquence parmi ledit ensemble de séquences délivrant un linéament ; une étape de déduction (E-24) dudit linéament de ladite courbe ;
une étape d'identification (E-30), au sein d'une base de données (Bdd), d'au moins un équipement (Eqpt) associé à un linéament dudit ensemble de linéaments. Procédé de création, selon la revendication 1, caractérisé en ce que ladite étape de recherche d'au plus un nombre N prédéterminé de transitions opérantes associables à ladite transition opérante de référence comprend :
une étape d'identification, au sein de ladite courbe initiale (Cbelnit), de N transitions opérantes succédant à ladite transition opérante de référence, délivrant un ensemble de N transitions opérantes candidates ;
une étape d'énumération d'au moins une partie des combinaisons impliquant ladite transition opérante de référence, et au moins une des N transitions opérantes candidates, délivrant un ensemble de séquences ;
une étape de présélection, parmi ledit ensemble de séquences, d'au moins une séquence candidate, en fonction de paramètres de sélection prédéterminés, délivrant ledit ensemble de séquences de transitions (EST) candidates.
Procédé selon la revendication 2, caractérisé en ce que ladite étape de présélection, parmi ledit ensemble de séquences, d'au moins une séquence candidate, comprend, pour une séquence courante dudit ensemble de séquences :
une étape de calcul des cumuls intermédiaires des transitions de la séquence courante, dits cumuls de transition ;
une étape de calcul des cumuls intermédiaires des transitions non affectées de la courbe de charge en cours de désagrégation, selon un paramétrage donné, dits cumuls de charge ;
une étape de calcul de la somme totale des transitions opérantes de la séquence courante, dite somme des transitions.
une étape de sélection de ladite séquence courante lorsque lesdits cumuls de transitions sont positifs, lesdits cumuls de charge sont positifs ou nuls et ladite somme des transitions est inférieure en valeur absolue à un seuil S2 donné.
4. Procédé selon la revendication 1, caractérisé en ce que ladite étape de sélection, en fonction d'au moins un critère de sélection, d'au moins une séquence parmi ledit ensemble de séquences et délivrant un linéament comprend : une étape d'identification d'une pluralité de transitions susceptibles d'être incluses dans une des séquences dudit ensemble de séquence candidates et respectant des critères d'inclusion prédéterminés ; et
lorsqu'une telle pluralité de transitions est identifiée pour une séquence donnée dudit ensemble de séquence, une étape de regroupement de ladite pluralité de transitions non opérantes avec ladite séquence délivrant un linéament.
Dispositif de création d'une structure de données représentative d'une consommation de fluide d'au moins un équipement, dispositif caractérisé en ce qu'il comprend:
des moyens d'obtention de données de consommation de fluide (DatFidIn), comprenant une pluralité de données de consommations temporelles mesurées à une fréquence d'échantillonnage, dite courbe initiale (Cbelnit) ;
des moyens de découpage de ladite pluralité de données de consommations temporelles mesurées en fonction d'au moins un paramètre de découpage prédéterminé (SI, S2, S3,...), délivrant un ensemble de segments de consommations unitaires (ELIN), dit ensemble de linéaments, comprenant au moins un segment de consommation unitaire (LIN), dit linéament, chaque linéament comprenant un label d'identification et une liste de propriétés, comprenant au moins un horodatage et une durée et une quantité consommée , ces moyens de découpage comprenant :
des moyens d'identification au sein de la courbe initiale (Cbelnit), d'au moins une transition entre deux points de mesure et dont l'amplitude excède une valeur de tolérance SI prédéterminée, délivrant un ensemble de transitions montantes (ETM) de référence ;
des moyens de recherche d'au plus un nombre N prédéterminé de transitions dite opérantes, dont l'amplitude excède en valeur absolue une valeur de tolérance (SI, S2, S3,...), associables à une transition opérante de référence d'un ensemble de transitions de référence, délivrant un ensemble de séquences de transitions (EST) comprenant les séquences candidates ;
des moyens de sélection, en fonction d'au moins un critère de sélection, d'au moins une séquence parmi ledit ensemble de séquences délivrant un linéament ; des moyens de déduction dudit linéament de ladite courbe ; des moyens d'identification, au sein d'une base de données (Bdd), d'au moins un équipement (Eqpt) associé à un linéament dudit ensemble de linéaments.
Produit programme d'ordinateur téléchargeable depuis un réseau de communication et/ou stocké sur un support lisible par ordinateur et/ou exécutable par un microprocesseur, caractérisé en ce qu'il comprend des instructions de code de programme pour l'exécution d'un procédé de création selon la revendication 1, lorsqu'il est exécuté par un processeur.
EP15732196.9A 2014-06-20 2015-06-19 Procede de creation d'une structure de donnees representative d'une consommation de fluide d'au moins un equipement, dispositif et programme correspondant Withdrawn EP3158512A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1455749A FR3022658B1 (fr) 2014-06-20 2014-06-20 Procede de creation d'une structure de donnees representative d'une consommation de fluide d'au moins un equipement, dispositif et programme correspondant.
PCT/EP2015/063885 WO2015193502A1 (fr) 2014-06-20 2015-06-19 Procede de creation d'une structure de donnees representative d'une consommation de fluide d'au moins un equipement, dispositif et programme correspondant

Publications (1)

Publication Number Publication Date
EP3158512A1 true EP3158512A1 (fr) 2017-04-26

Family

ID=52016658

Family Applications (1)

Application Number Title Priority Date Filing Date
EP15732196.9A Withdrawn EP3158512A1 (fr) 2014-06-20 2015-06-19 Procede de creation d'une structure de donnees representative d'une consommation de fluide d'au moins un equipement, dispositif et programme correspondant

Country Status (3)

Country Link
EP (1) EP3158512A1 (fr)
FR (1) FR3022658B1 (fr)
WO (1) WO2015193502A1 (fr)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9104189B2 (en) * 2009-07-01 2015-08-11 Mario E. Berges Gonzalez Methods and apparatuses for monitoring energy consumption and related operations
EP2290328B1 (fr) * 2009-08-24 2015-03-04 Accenture Global Services Limited Système de gestion des services publics
EP2671178B1 (fr) * 2011-02-04 2018-10-17 Bidgely Inc. Systèmes et procédés d'amélioration de la précision de désagrégation de niveau appareil dans techniques de surveillance de charge d'appareil non intrusives
WO2012160062A1 (fr) * 2011-05-23 2012-11-29 Universite Libre De Bruxelles Procédé de détection de transition pour contrôle de charge d'appareil électrique à réglage automatique et non intrusif

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
None *
See also references of WO2015193502A1 *

Also Published As

Publication number Publication date
WO2015193502A1 (fr) 2015-12-23
FR3022658A1 (fr) 2015-12-25
FR3022658B1 (fr) 2016-07-29

Similar Documents

Publication Publication Date Title
EP3172548B1 (fr) Procédé pour détecter des anomalies dans un réseau de distribution, en particulier d'eau potable
EP2409167B1 (fr) Procédé et dispositif de filtrage de courbes de consommation électrique et d'allocation de consommation à des classes d'appareils
EP3059682B1 (fr) Systeme de traitement de donnees et de modelisation pour l'analyse de la consommation energetique d'un site
US20170286845A1 (en) Automatic extraction of user mobility behaviors and interaction preferences using spatio-temporal data
EP2000780B1 (fr) Procédé et système de détection et d'estimation de la consommation des usages électriques des installations d'un souscripteur
FR3098938A1 (fr) Procédé et dispositif de détermination d’une valeur d’indice de performance de prédiction d’anomalies dans une infrastructure informatique à partir de valeurs d’indicateurs de performance
EP3767558B1 (fr) Procede et dispositif de determination d'une duree estimee avant un incident technique dans une infrastructure informatique a partir de valeurs d'indicateurs de performance
EP2422301A2 (fr) Systeme et methode pour detecter des evenements audio anormaux
WO2001086473A2 (fr) Procede de simulation stochastique centralisee
EP3846087A1 (fr) Procede et systeme de selection d'un modele d'apprentissage au sein d'une pluralite de modeles d'apprentissage
GB2543321A (en) Method and system for determining energy consumption of a property
FR3098940A1 (fr) Procédé et dispositif de détermination d’une valeur de risque d’incident technique dans une infrastructure informatique à partir de valeurs d’indicateurs de performance
EP3489831A1 (fr) Procédé et dispositif de surveillance d'un processus générateur de données d'une métrique pour la prédiction d'anomalies
Alippi et al. On-line reconstruction of missing data in sensor/actuator networks by exploiting temporal and spatial redundancy
EP3588301B1 (fr) Determination automatique et auto-optimisee des parametres d'execution d'une application logicielle sur une plateforme de traitement de l'information
CN118552253A (zh) 模型训练方法、点击率预测方法、设备、介质和产品
EP3158512A1 (fr) Procede de creation d'une structure de donnees representative d'une consommation de fluide d'au moins un equipement, dispositif et programme correspondant
FR3098961A1 (fr) Procédé d’identification de données aberrantes dans d’un jeu de données d’entrée acquises par au moins un capteur
WO2022022059A1 (fr) Détection d'anomalie sensible au contexte
FR3131988A1 (fr) Prévision bayésienne de consommation individuelle et équilibrage d'un réseau électrique
Plachouras et al. Assessing the coverage of data collection campaigns on Twitter: A case study
FR3036524A1 (fr) Procede d'identification d'une structure de donnees representative d'une consommation de fluide, dispositif et programme d'ordinateur correspondant
EP3646255B1 (fr) Système et procédé de gestion de risques dans un processus
WO2023241896A1 (fr) Détection d'anomalies pour la maintenance applicative de dispositifs
EP2921867A1 (fr) Méthode pour extraire des signaux de puissance électrique d'un signal mélangé alimentant une pluralité d'appareils électriques distincts

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20170119

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20171016

RIN1 Information on inventor provided before grant (corrected)

Inventor name: LEFEBVRE-NARE, FREDERIC

Inventor name: BENASSI, ROMAIN

Inventor name: HOCHEDEZ, JEAN-FRANCOIS

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: WATTGO

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: WATTGO

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20190716