FR3139918A1

FR3139918A1 - Procédé de classification par apprentissage supervisé d’évènements de consommation fluidique par un bâtiment à surveiller parmi plusieurs classes d’éléments consommateurs

Info

Publication number: FR3139918A1
Application number: FR2209520A
Authority: FR
Inventors: Ivan DEIROS QUINTANILLA
Original assignee: Smart And Blue
Current assignee: Smart And Blue
Priority date: 2022-09-20
Filing date: 2022-09-20
Publication date: 2024-03-22
Also published as: WO2024061868A1

Abstract

L’invention porte sur un procédé de classification, par apprentissage supervisé, d’évènements de consommation fluidique, par un bâtiment à surveiller, parmi plusieurs classes d’éléments consommateurs. La classification est effectuée à partir d’un modèle de prédiction ayant été paramétré à partir d’une base de données. Celle-ci comporte, pour chacun des évènements fluidiques identifiés : des paramètres d’évènement PEv(i), des paramètres de temporalité PT(i), et la classe LEV(i) correspondante d’élément consommateur EC. Figure pour l’abrégé : Fig. 1B

Description

Procédé de classification par apprentissage supervisé d’évènements de consommation fluidique par un bâtiment à surveiller parmi plusieurs classes d’éléments consommateurs

Le domaine de l’invention est celui de la consommation fluidique d’un bâtiment à surveiller, par exemple celui de la consommation d’eau liquide par une maison d’habitation, un immeuble, une école, un hôpital, une usine, etc…

L’invention porte plus précisément sur la classification, par apprentissage supervisé, des évènements de consommation fluidique, présents dans un signal de mesure représentatif de l’évolution temporelle du débit global de consommation du fluide d’intérêt par le bâtiment à surveiller, et en particulier par différents éléments consommateurs, comme par exemple des robinets, des douches, des chasses d’eau dans le cas d’une maison d’habitation.

La classification revient à déterminer la classe (étiquette, catégorie, oulabelen anglais) d’élément consommateur qui est à associer à chacun des évènements fluidiques. L’invention permet notamment de détecter une consommation excessive des éléments consommateurs de l’une ou l’autre des classes prédéfinies, et permet alors d’indiquer à l’utilisateur si des éléments consommateurs sont trop utilisés ou présentent un débit au-dessus d’une référence prédéfinie.

ÉTAT DE LA TECHNIQUE ANTÉRIEURE

Un bâtiment à surveiller peut être une maison, un immeuble, une école, un hôpital, une usine, un hôtel d’entreprise, etc… Le fluide d’intérêt peut être, en fonction du type de bâtiment à surveiller, un gaz ou un liquide comme de l’eau, de l’hydrogène, de l’oxygène, de l’azote etc…

Le bâtiment à surveiller comporte plusieurs dispositifs raccordés par un circuit fluidique à une source fluidique et qui consomment le fluide d’intérêt. On nommera ici ces dispositifs des « éléments consommateurs ». Les éléments consommateurs peuvent être classés en différentes classes prédéfinies. A titre d’exemple, dans le cas d’une maison d’habitation où le fluide d’intérêt est de l’eau liquide, les éléments consommateurs peuvent relever de la classe des robinets, de celle des douches, de celle des chasses d’eau de toilettes, de celle des lave-vaisselles, voire encore de celle des lave-linges.

Le bâtiment à surveiller est habituellement équipé d’un capteur de débit adapté à mesurer un signal représentatif de l’évolution temporelle du débit global de la consommation du fluide d’intérêt par le bâtiment à surveiller, et plus précisément par ses éléments consommateurs. Ce signal de mesure comporte des évènements de consommation fluidique, lesquels sont définis comme étant des moments à débit non nul.

Il existe alors un besoin d’être en mesure de déterminer avec une précision améliorée la classe d’éléments consommateurs à associer à chacun des évènements fluidiques liés à la consommation du fluide d’intérêt par le bâtiment à surveiller. Cela permet alors de surveiller la consommation du fluide d’intérêt par le bâtiment à surveiller, et d’être en mesure de faciliter la détection par exemple d’une consommation fluidique excessive de telle ou telle classe d’éléments consommateurs.

L’invention a pour objectif de proposer un procédé qui permette de classifier avec une précision améliorée les évènements fluidiques liés à la consommation du fluide d’intérêt par les éléments consommateurs du bâtiment à surveiller, c’est-à-dire de déterminer la classe d’éléments consommateurs à associer à chacun des évènements fluidiques.

Pour cela, l’objet de l’invention est un procédé de classification par ordinateur d’évènements fluidiques de consommation d’un fluide d’intérêt par des éléments consommateurs EC d’un bâtiment à surveiller BS, parmi plusieurs classes prédéfinies d’éléments consommateurs EC, le procédé comportant les phases suivantes.

Tout d’abord, une phase de génération d’au moins une base de données (BD1, BD2), comportant les étapes suivantes :

acquérir des signaux de mesure représentatifs du débit de consommation de chacun des éléments consommateurs EC de N bâtiments réels de référence {Bref_(n)}_{n=1 ;N}, avec N>1, les signaux de mesure étant alors dits classifiés, les éléments consommateurs EC étant de mêmes classes que celles du bâtiment à surveiller BS ;
définir des profils de consommation de M bâtiments dits simulés {Bsim_(m)}_{m=1 ;M}, avec M>N, à partir des signaux de mesure classifiés acquis, chaque bâtiment simulé comportant des éléments consommateurs EC de mêmes classes que celles du bâtiment à surveiller BS ;
générer, par simulation numérique, des signaux simulés représentatifs du débit de consommation de chacun des éléments consommateurs EC des bâtiments simulés {Bsim_(m)}_{m=1 ;M}ayant les profils de consommation définis, les signaux simulés générés étant alors dits classifiés ;
déterminer, pour chacun des évènements fluidiques {Ev_(i)}_{i=1 ;NA}identifiés dans les signaux simulés classifiés générés : des paramètres dit d’évènement {P_Ev(i)}_{i=1 ;NA}, représentatifs d’une durée et d’un volume écoulé de chacun des évènements fluidiques ; et des paramètres dit de temporalité {P_T(i)}_{i=1 ;NA}, représentatifs d’un nombre d’évènements fluidiques dits similaires, présentant un débit sensiblement identique à celui de l’évènement fluidique considéré et situés dans des créneaux temporels successifs prédéfinis situés avant et après l’évènement fluidique considéré ;
générer la base de données comportant, pour chacun des évènements fluidiques {Ev_(i)}_{i=1 ;NA}identifiés : les paramètres d’évènement {P_Ev(i)}_{i=1 ;NA}, les paramètres de temporalité {P_T(i)}_{i=1 ;NA}, et la classe {L_EV(i)}_{i=1 ;NA}correspondante d’élément consommateur EC.

Puis, une phase de paramétrage d’au moins un modèle de prédiction par apprentissage automatique supervisé à partir de la base de données.

Enfin, une phase de classification, comportant les étapes suivantes :

acquérir un signal de mesure représentatif du débit de consommation du bâtiment à surveiller ;
déterminer, pour chacun des évènements fluidiques { }_{j=1 ;NP}identifiés dans le signal de mesure acquis, des paramètres d’évènement { }_{j=1 ;NP}et des paramètres de temporalité { }_{j=1 ;NP}correspondants ;
prédire, par le modèle de prédiction, pour chacun des évènements fluidiques { }_{j=1 ;NP}dont les paramètres d’évènement { }_{j=1 ;NP}et les paramètres de temporalité { }_{j=1 ;NP}forment des données d’entrée au modèle de prédiction, la classe correspondante { }_{j=1 ;NP}d’élément consommateur EC.

Certains aspects préférés mais non limitatifs de ce procédé de classification sont les suivants.

Les paramètres de temporalité P_T(i)et peuvent comporter également, pour chacun des créneaux temporels, le volume cumulé du fluide d’intérêt écoulé et la durée d’écoulement.

Les paramètres d’évènements P_Ev(i)et peuvent comporter, pour chaque évènement fluidique, l’instant initial de l’évènement fluidique, la durée d’écoulement, le volume écoulé et/ou le débit moyen.

La base de données et les données d’entrée du modèle de prédiction peuvent comporter des paramètres dits de comparaison, notés respectivement P_Ev|Bsim(i)et ), et définis, pour chaque évènement fluidique Ev_(i), , comme le rapport d’un débit moyen de l’évènement fluidique considéré sur un débit global moyen de tous les évènements fluidiques Ev_(i), du bâtiment considéré.

La phase de classification peut être réitérée, les signaux de mesure du bâtiment à surveiller étant alors acquis sur des durées de surveillance prédéfinies successives.

Dans les paramètres de comparaison présents dans les données d’entrée du modèle de prédiction, le débit global moyen de tous les évènements fluidiques peut tenir compte du débit global moyen des itérations précédentes.

La phase de génération peut comporter les étapes suivantes :

détermination d’une première base de données où chaque évènement fluidique est défini par au moins lesdits paramètres d’évènement et par lesdits paramètres de temporalité ;
détermination d’une deuxième base de données où chaque évènement fluidique est défini par au moins lesdits paramètres d’évènement, par lesdits paramètres de temporalité, et par des paramètres dit de comparaison par classe définis, pour chaque évènement fluidique d’au moins une classe considérée, comme le rapport d’un débit moyen de l’évènement fluidique considéré sur un débit global moyen de tous les évènements fluidiques de la classe considérée.

La phase de paramétrique peut alors comporter les étapes suivantes :

paramétrage d’un premier mode de prédiction par apprentissage automatique supervisé à partir de la première base de données ;
paramétrage d’un deuxième mode de prédiction par apprentissage automatique supervisé à partir de la deuxième base de données ;

La phase de classification peut alors comporter les étapes suivantes :

détermination, pour des évènements fluidiques présents dans le signal de mesure , des paramètres d’évènement et des paramètres de temporalité correspondants ; puis
prédiction par le premier modèle de prédiction, pour chacun des évènements fluidiques, lesquels sont définis par les paramètres d’évènement et les paramètres de temporalité qui forment des données d’entrée du premier modèle de prédiction, de la classe d’élément consommateur correspondante ; puis
détermination, à partir des classes prédites préalablement, de paramètres de comparaison par classe correspondants ; puis
prédiction par le deuxième modèle de prédiction, pour chacun des évènements fluidiques, lesquels sont définis par les paramètres d’évènement, les paramètres de temporalité, et les paramètres de comparaison par classe qui forment des données d’entrée du deuxième modèle de prédiction, de la classe d’élément consommateur correspondante.

Lors de l’étape d’acquisition des signaux de mesure , les N bâtiments réels de référence peuvent être raccordés à un dispositif de détermination d’au moins un modèle de prédiction, comportant des capteurs de mesure fluidique adaptés à acquérir les signaux de mesure pour chacun des éléments consommateurs du bâtiment réel de référence considéré, et un ordinateur connecté aux capteurs de mesure fluidique du bâtiment de référence considéré et adapté à effectuer la phase de paramétrage.

Lors de l’étape d’acquisition du signal de mesure du bâtiment à surveiller, celui-ci peut être raccordé à un dispositif de classification comportant un capteur de mesure fluidique adapté à acquérir le signal de mesure , et un ordinateur connecté au capteur de mesure fluidique du bâtiment à surveiller et adapté à effectuer la phase de classification.

A la suite de la phase de classification, les étapes suivantes peuvent être effectuées :

identification d’une classe d’éléments consommateurs pour laquelle les évènements fluidiques présentent une valeur d’un paramètre dit de suivi supérieure à une valeur seuil prédéfinie ; puis
alerte de l’utilisateur lui indiquant la classe d’éléments consommateurs en question ; puis
correction par l’utilisateur de sorte que les éléments consommateurs de la classe en question présentent ensuite une valeur du paramètre de suivi inférieure à la valeur seuil prédéfinie.

D'autres aspects, buts, avantages et caractéristiques de l’invention apparaîtront mieux à la lecture de la description détaillée suivante de formes de réalisation préférées de celle-ci, donnée à titre d'exemple non limitatif, et faite en référence aux dessins annexés sur lesquels :

la illustre de manière schématique un exemple de bâtiment à surveiller, ici une maison d’habitation, équipé d’un dispositif de classification des évènements fluidiques liés à la consommation du fluide d’intérêt par le bâtiment à surveiller ;

la illustre un exemple de signal de mesure représentatif de l’évolution temporelle du débit global de consommation du fluide d’intérêt par le bâtiment à surveiller de la ;

la illustre un organigramme d’un procédé de classification des évènements fluidiques liés à la consommation du fluide d’intérêt par le bâtiment à surveiller, selon un mode de réalisation ;

la illustre de manière schématique un exemple de bâtiment réel de référence, ici une maison d’habitation, équipée d’un dispositif de détermination d’un modèle de prédiction par apprentissage supervisé ;

la illustre des exemples de signaux de mesure représentatifs du débit local de consommation par chacun des éléments consommateurs EC du bâtiment réel de référence de la ;

la illustre des créneaux temporels situés avant et après l’instant initial d’un évènement fluidique, permettant de définir des paramètres dits de temporalité représentatifs de chacun des évènements fluidiques ;

la illustre des étapes mises en œuvre lors de la phase de génération de la base de données, à partir de signaux simulés pour des bâtiments dits simulés ;

la illustre un organigramme d’un procédé de classification des évènements fluidiques liés à la consommation du fluide d’intérêt par le bâtiment à surveiller, selon un autre mode de réalisation qui met en œuvre deux modèles de prédiction ;

les figures 6A à 6C illustrent des exemples de distributions cumulées du débit, de la durée d’écoulement et du volume écoulé, associées aux évènements fluidiques issus de signaux simulés pour un bâtiment simulé, et comparées à ceux issus d’un bâtiment réel ;

les figures 7A à 7C illustrent respectivement un exemple du taux de précision, de rappel et de F1-score, associés à la classification des évènements fluidiques d’un bâtiment à surveiller effectuée par des procédés de classification selon différents modes de réalisation.

EXPOSÉ DÉTAILLÉ DE MODES DE RÉALISATION PARTICULIERS

Sur les figures et dans la suite de la description, les mêmes références représentent les éléments identiques ou similaires. De plus, les différents éléments ne sont pas représentés à l’échelle de manière à privilégier la clarté des figures. Par ailleurs, les différents modes de réalisation et variantes ne sont pas exclusifs les uns des autres et peuvent être combinés entre eux. Sauf indication contraire, les termes « sensiblement », « environ », « de l’ordre de » signifient à 10% près, et de préférence à 5% près. Par ailleurs, les termes « compris entre … et … » et équivalents signifient que les bornes sont incluses, sauf mention contraire.

L’invention porte sur la surveillance de la consommation fluidique au sein d’un bâtiment qui consomme d’un fluide d’intérêt par le biais d’éléments consommateurs EC de différentes classes L_Ev. Elle concerne plus précisément la détermination de la classe L_Ev(étiquette oulabel) d’éléments consommateurs EC qui est à associer à chacun des évènements fluidiques Ev liés à la consommation du fluide d’intérêt par les éléments consommateurs EC du bâtiment à surveiller BS.

Le procédé de classification est effectué à l’aide d’un ordinateur (unité de traitement) qui intègre au moins un modèle de prédiction f1, f2 par apprentissage automatique supervisé. Le modèle de prédiction f1, f2 peut être un modèle à arbre de décision, àboostingde classifieurs faibles, à analyse discriminante linéaire ou quadratique, à forêt d’arbres décisionnels, à méthode des k plus proches voisins, entre autres.

Comme détaillé par la suite, pour obtenir des performances de prédiction améliorées, le procédé de classification comporte une phase d’apprentissage du modèle de prédiction f1, f2 qui est effectuée à partir d’au moins une base de données BD1, BD2 prétraitée d’une manière particulière.

Cette base de données BD1, BD2 n’est pas formée, comme elle pourrait l’être selon une approche naturelle, par des signaux de mesure de débit classifiés (étiquetés) et provenant de chacun des éléments consommateurs EC de plusieurs bâtiments réels de référence Bref. En effet, cette approche ne peut être pas suffisamment représentative de la diversité de la consommation fluidique effective dans les bâtiments réels. Au contraire, selon l’invention, la base de données est formée à partir de signaux simulés et classifiés, représentatifs du débit de chacun des éléments consommateurs EC de bâtiments simulés Bsim, et de préférence d’un nombre M de bâtiments simulés Bsim très supérieur au nombre N des bâtiments réels de référence Bref. Les profils de consommation Pstat^Bsimdes bâtiments simulés, à partir desquels la simulation numérique a été effectuée, ont été déterminés à partir des signaux de mesure de débit classifiés provenant des bâtiments réels de référence, de sorte que les signaux simulés restent cohérents avec la consommation effective des bâtiments réels. Ainsi, il apparaît que la qualité de prédiction est grandement améliorée.

De plus, la base de données est formée à partir des différents évènements fluidiques Ev de la consommation fluidique des éléments consommateurs EC des bâtiments simulés. Plus précisément, elle est formée de leurs paramètres représentatifs, dont :

des paramètres dits d’évènements P_Ev, représentatifs de l’évènement en lui-même (durée d’écoulement, volume écoulé ou équivalent (débit moyen par ex.), voire également instant initial…), et
des paramètres dits de temporalité P_Tqui indiquent, pour chacun des évènements fluidiques Ev, le nombre d’évènements fluidiques similaires (en termes notamment de débit moyen, voire également de durée d’écoulement), compris dans des créneaux temporels prédéfinis et situés avant et après l’évènement fluidique considéré.

Il apparaît que l’apprentissage du modèle de prédiction à partir d’une telle base de données améliore les performances de prédiction, notamment sa précision, son rappel (recallen anglais), et donc également son F1-score (moyenne harmonique de la précision et du rappel).

La figure 1A illustre un exemple d’un bâtiment à surveiller BS comportant plusieurs éléments consommateurs EC de différentes classes, et équipé d’un dispositif de classification adapté à classifier les évènements fluidiques liés à la consommation du fluide d’intérêt par les éléments consommateurs EC, c’est-à-dire adapté à déterminer la classe de chacun des évènements fluidiques de consommation par le bâtiment à surveiller BS.

Le bâtiment à surveiller BS est une ou plusieurs structures qui consomment un fluide d’intérêt par le biais de ses éléments consommateurs EC, et dont il s’agit de surveiller la consommation pour notamment détecter d’éventuelles anomalies comme une consommation excessive par les éléments consommateurs EC d’une certaine classe. Ainsi, l’utilisateur est en mesure de connaître la consommation de chaque classe des éléments consommateurs EC, et peut ainsi savoir, par exemple, si le débit moyen d’une classe d’éléments consommateurs EC est supérieur à une valeur prédéfinie. Par consommation, on entend que le bâtiment à surveiller BS reçoit le fluide d’intérêt à partir d’une source fluidique SF, et l’utilise (le « consomme ») selon différentes utilisations, qui peuvent être d’ordre personnel et/ou professionnel. Un tel bâtiment à surveiller BS peut être, par exemple, une maison, un appartement, un immeuble comportant plusieurs appartements, une école, une usine, un hôpital, un camping, ou autre, et d’une manière générale, est tout type de structure ou ensemble à usage personnel et/ou professionnel. Le bâtiment à surveiller BS peut comporter plusieurs bâtiments distincts, comme par exemple dans le cas d’une usine.

Le fluide d’intérêt peut être un liquide ou un gaz, tel que de l’eau, de l’hydrogène, de l’oxygène, de l’azote, de l’hélium, etc… Ainsi, le bâtiment à surveiller BS peut être une usine qui consomme par exemple de l’hydrogène, de l’oxygène ou de l’azote, en phase liquide ou gazeuse. Il peut également être un bâtiment de formation (école) qui utilise de l’eau liquide. Dans la suite de la description, le bâtiment à surveiller BS est une maison d’habitation, et le fluide d’intérêt est de l’eau liquide.

Le bâtiment à surveiller BS comporte plusieurs éléments consommateurs EC qui assurent la consommation effective du fluide d’intérêt. Les éléments consommateurs EC sont de différentes classes L, par exemple une classe R pour les robinets (toilettes, cuisine, salle de bain…), une classe D pour les douches, une classe C pour les chasses d’eau de toilettes, une autre classe LV pour les lave-vaisselles, et une autre classe LL pour les lave-linges. Dans cet exemple, les classes sont notées : L = {R, D, C, LV, LL}.

Le bâtiment à surveiller BS comporte également un circuit fluidique qui assure la distribution du fluide d’intérêt à partir de la source fluidique SF jusqu’aux éléments consommateurs EC. Il s’agit de conduits de distribution, éventuellement munis de vannes. La source fluidique SF du fluide d’intérêt peut être un réseau d’approvisionnement, par exemple de la ville, un réservoir, ou autre.

Le bâtiment à surveiller BS est équipé d’un dispositif de classification, qui comporte un capteur de mesure fluidique CM pour acquérir un signal de mesure représentatif de l’évolution temporelle du débit global, en entrée du bâtiment à surveiller BS. Le dispositif de classification comporte également une unité de traitement UT (ordinateur) pour déterminer les classes des évènements fluidiques liés à la consommation du fluide d’intérêt par les éléments consommateurs EC et présents dans le signal de mesure . L’unité de traitement UT intègre au moins un modèle de prédiction f1 par classification dont le paramétrage a été effectué par apprentissage automatique supervisé à partir d’une base de données BD1 prédéfinie.

Notons que le dispositif de classification n’est pas en mesure de connaître l’évolution temporelle du débit de chacun des éléments consommateurs EC, mais seulement de connaître le débit global à l’entrée du bâtiment à surveiller BS. C’est du fait de cette absence de capteurs dédiés à chacun des éléments consommateurs EC, et donc au fait que seule l’information de débit global est accessible, que l’invention prévoit d’avoir recours à un modèle de prédiction, ici par apprentissage supervisé, pour estimer la classe d’élément consommateur EC qui est à associer à tel et tel évènement fluidique de débit global.

Le capteur de mesure fluidique CM est raccordé au circuit fluidique, et est situé entre la source fluidique SF et les éléments consommateurs EC. Il est adapté à mesurer un signal de mesure représentatif du débit global de consommation du fluide d’intérêt par le bâtiment à surveiller BS. Ce capteur de mesure fluidique CM peut être un compteur d’eau à débitmètre, un compteur d’eau à impulsions, entre autres.

Dans la suite de la description, on considère que le capteur de mesure fluidique CM est un compteur d’eau à débitmètre à turbine, qui acquiert un signal de mesure , dont les données sont représentatives des différents évènements fluidiques . Un évènement fluidique est défini comme étant une durée d’écoulement non nul délimité temporellement par des durées d’écoulement nul.

La figure 1B illustre un exemple de signal de mesure , ici sous la forme d’une évolution temporelle du débit global lié à la consommation d’eau d’une maison à surveiller BS. Le signal de mesure présente plusieurs évènements fluidiques , où j est un incrément qui va de 1 à NP, avec NP le nombre total d’évènements fluidiques sur une durée de surveillance Δt_s(par exemple 1 journée). Le signal de mesure peut se présenter comme une succession de messages électroniques relatifs à chacun des évènements fluidiques : . Chaque évènement fluidique est caractérisé ici par des paramètres dits d’évènement , par exemple ici son instant de début d’écoulement t_e(j), la durée d’écoulement Δt_e(j), et le débit moyen, voire le volume écoulé V_(i): . Ces paramètres sont indiqués ici à titre d’exemple, et d’autres paramètres sont envisageables. Les informations mesurées peuvent être transmises en temps réel à l’unité de traitement, par exemple à une fréquence prédéfinie ou dès qu’un évènement fluidique est terminé, sous la forme d’un ou plusieurs messages électroniques contenant chacun les paramètres de l’évènement fluidique considéré.

En variante, le signal de mesure peut être un vecteur dont les valeurs correspondent au débit mesuré à fréquence régulière. Dans le cas d’un compteur d’eau à impulsions, le signal de mesure peut être un vecteur comportant seulement l’instant où une impulsion est émise. Cette impulsion est émise lorsqu’un volume prédéfini du fluide d’intérêt s’est écoulé (par ex. 1 impulsion par litre).

L’unité de traitement UT est connectée au capteur de mesure fluidique CM de manière filaire ou non filaire. Il peut être disposé dans le bâtiment à surveiller BS ou peut être situé à distance de celui-ci. Il s’agit d’un ordinateur qui comporte un calculateur et au moins une mémoire. Il permet la mise en œuvre des opérations du procédé de classification permettant de déterminer la classe des évènements fluidiques présents dans le signal de mesure . Le calculateur comporte un processeur programmable apte à exécuter des instructions enregistrées sur un support d’enregistrement d’informations. La mémoire contient des instructions pour la mise en œuvre du procédé de classification. Elle est également adaptée à stocker les informations reçues par le capteur de mesure fluidique CM, et comporte ici au moins un modèle de prédiction f1 (ou f1, f2) ayant été paramétré lors d’une phase d’apprentissage supervisé à partir d’au moins une base de données BD1 (ou BD1, BD2).

La figure 2 est un organigramme d’un procédé de classification, selon un mode de réalisation, des classes d’éléments consommateurs EC à associer à chacun des évènements fluidiques présents dans le signal de mesure . Le procédé comporte une phase 100 de génération d’une base de données BD1, une phase de 200 d’apprentissage, suivie d’une phase 300 de prédiction.

Dans cet exemple, le bâtiment à surveiller BS est une maison d’habitation ayant plusieurs habitants. Le procédé de classification n’est évidemment pas limité à cet exemple. Le bâtiment à surveiller BS comporte des éléments consommateurs EC de différentes classes L connues, à savoir ici des classes : R (robinets), C (chasses d’eau), D (douches), LL (lave-linges) et LV (lave-vaisselles).

Phase 100 : Génération de la base de données BD1.

La base de données BD1 est générée sur la base de signaux de mesure représentatifs du débit réel (i.e. du débit mesuré et non simulé) de chacun des éléments consommateurs EC de N bâtiments réels de référence Bref_(n), avec n allant de 1 à N>1. Il s’agit donc de signaux de mesure classifiés (i.e. étiquetés), étant donné que l’on a un signal de mesure pour chacun des éléments consommateurs EC. Le bâtiment réel de référence Bref_(n)est identique ou similaire au bâtiment à surveiller BS, dans le sens où il présente le même usage (ici une maison d’habitation) et comporte des éléments consommateurs EC de même classe L (ici : robinet R, douche D, chasse d’eau C, lave-linge LL, et lave-vaisselle LV).

La phase 100 de génération de la base de données BD1 est illustrée plus en détail sur la . Cette phase 100 comporte les étapes suivantes :

une étape 110 d’acquisition, par mesure expérimentale, de signaux de mesure , représentatifs du débit réel de chacun des éléments consommateurs EC des N maisons réelles de référence Bref_(n);
une étape 120 de détermination de profils, dits statistiques, de consommation de chaque bâtiment simulé Bsim_(m), avec m allant de 1 à M>N ;
une étape 130 de génération, par simulation numérique, de signaux simulés , représentatifs du débit de chacun des éléments consommateurs EC des M maisons simulées Bsim_(m);
une étape 140 de détermination, pour chacun des évènements fluidiques Ev identifiés dans les signaux simulés, d’au moins les paramètres d’évènement P_EVet les paramètres de temporalité P_T;
une étape 150 de génération de la base de données BD1.

Lors de l’étape 110, on acquiert des signaux de mesure représentatifs du débit réel de chacun des éléments consommateurs EC des N maisons réelles de référence Bref_(n), sur au moins une durée de surveillance Δt_s(ici au moins une journée). Le nombre N peut être égal, par exemple, à quelques unités, voire à une dizaine. Il se distingue du nombre M de maisons simulées qui peut être égal à quelques centaines, milliers, dizaines de milliers voire davantage.

La illustre de manière schématique et partielle une maison réelle de référence Bref identique ou similaire à la maison à surveiller BS (ici une maison d’habitation). La maison de référence est dite réelle dans la mesure où elle est occupée par des utilisateurs réels, et n’est donc pas une maison simulée. Elle comporte des éléments consommateurs EC dont les classes sont L = { R, C, D, LL, LV }. Il s’agit ici des classes de robinets R, de chasses d’eau C, de douches D, de lave-linges LL, et de lave-vaisselles LV. La maison de référence Bref peut avoir un nombre d’habitants identique ou non à celui de la maison à surveiller BS.

Les N maisons réelles de référence Bref_(n)sont raccordées, directement ou indirectement, à un dispositif de détermination d’au moins un modèle de prédiction f1, f2. Ce dispositif comporte des capteurs de mesure fluidique CM et une unité de traitement UT. Dans cet exemple, les capteurs de mesure fluidique CM acquièrent des signaux de mesure qui correspondent à l’évolution temporelle du débit de chacun des éléments consommateurs EC des N maisons réelles de référence, et les transmettent à l’unité de traitement UT. Autrement dit, chaque élément consommateur EC est équipé d’un capteur de mesure fluidique CM. Les signaux de mesure sont ici des vecteurs indiquant la valeur du débit mesuré à une fréquence prédéfinie, par exemple toutes les secondes. Ils sont notés : = { ; ; ; ; }. Ils peuvent évidemment présenter d’autres formats, comme notamment une succession de messages électroniques relatifs à chacun des évènements fluidiques mesurés.

La illustre des exemples de signaux de mesure d’un robinet Dmes_R(t), d’une douche Dmes_D(t), d’une chasse d’eau Dmes_C(t), d’un lave-linge Dmes_LL(t), et d’un lave-vaisselle Dmes_LV(t). On remarque qu’il est possible d’en extraire les évènements fluidiques Ev et les paramètres d’évènement P_Evcorrespondants, qui portent notamment sur l’instant initial t_e, la durée d’écoulement Δt_e, le volume écoulé V, le débit moyen, etc… On peut également déterminer un profil statistique de consommation associé à chaque maison de référence Bref_(n), le débit maximal…, mais également le nombre d’utilisations, la fréquence moyenne et l’écart-type d’utilisations, etc…

Ensuite, lors de l’étape 120, on détermine des profils statistiques de consommation des M maisons simulées, à partir d’informations issues des signaux de mesure acquis , et plus précisément, à partir de profils statistiques de consommation associés aux N maisons de référence qui sont déterminés à partir des signaux de mesure acquis.

Ainsi, un profil statistique d’un bâtiment regroupe des informations liées à ce bâtiment et à ses occupants/utilisateurs, comme le nombre d’occupants, le nombre et la classe des différents éléments consommateurs EC. Il comporte également des informations statistiques liées aux habitudes de consommation fluidique de chacun des occupants, comme les horaires typiques d’utilisation des différents éléments consommateurs EC, les durées d’écoulement, les pauses entre chaque évènement fluidique (en particulier pour les douches). Il comporte enfin des informations statistiques liées aux éléments consommateurs EC eux-mêmes : débit maximal, débit moyen, etc… Ces informations de consommation sont dites statistiques dans la mesure où elles peuvent comporter une valeur moyenne et une variabilité (écart-type) associées à une distribution donnée (normale, log-normale, exponentielle, bimodale…).

Ainsi, pour chaque maison de référence Bref_(n), on obtient les informations liées à la maison et à ses occupants. De plus, à partir des signaux de mesure acquis pour chacun des éléments consommateurs EC, on détermine les informations statistiques de consommation. On définit ainsi le profil statistique de consommation correspondant .

On détermine ensuite les profils statistiques de consommation pour chacune des M maisons simulées Bsim_(m), à partir des profils statistiques de consommation des maisons de référence Bref_(n). Comme indiqué précédemment, le nombre M peut être très élevé comparé au nombre N, par exemple être de 100000 environ alors que N serait de 10 environ. Les profils statistiques de consommation sont déterminés en faisant varier les différents paramètres du profil. Cela permettra d’éviter de paramétrer ensuite le modèle de prédiction f1 avec une base de données BD1 dont les valeurs ne seraient pas suffisamment représentatives de la variabilité effective possible de la consommation fluidique des maisons réelles, et donc de la maison à surveiller BS.

Ainsi, concernant les paramètres liés à la maison et à ses occupants, on génère des maisons en faisant varier le nombre d’occupants, le nombre d’éléments consommateurs de chaque classe, le nombre de classes présents (ainsi certaines maisons peuvent ne pas avoir de lave-linge ou de lave-vaisselle). On fait également varier les paramètres statistiques liés aux habitudes de consommation de chacun des occupants, par exemple les horaires typiques et la fréquence d’utilisation des différents éléments consommateurs EC. Ainsi, par exemple, pour certains occupants, la douche est prise le matin, pour d’autres le soir. Pour certains, la durée d’écoulement de la douche sera longue, pour d’autres courtes, etc… Enfin, on fait varier les paramètres liés aux éléments consommateurs EC eux-mêmes en termes de débit moyen, de débit maximal, d’écart-type etc…. On obtient ainsi les profils statistiques de consommation des M maisons simulées.

Ensuite, lors d’une étape 130, on génère les signaux dits simulés représentatifs du débit de consommation de chacun des éléments consommateurs EC des M bâtiments simulés, à partir des profils statistiques de consommation correspondants. Ces signaux simulés sont dits classifiés dans la mesure où une classe d’élément consommateur est associée à chacun des signaux.

Ainsi, pour chaque maison simulée (et pour chaque occupant), et compte tenu des paramètres du profil statistique de consommation correspondant, on simule l’évolution temporelle du débit de chaque douche au cours d’une durée de surveillance Δt_s(ici au moins une journée), ainsi que celle de chaque chasse d’eau et celle de chaque robinet. On peut également simuler celle des lave-linges et celle des lave-vaisselles. Bien entendu, des filtres sont présents pour éviter que des signaux simulés de la classe D 'douche’, pour plusieurs occupants d’une même maison simulée, ne présentent des évènements fluidiques Ev_Dsimultanés… alors que la maison simulée Bsim_(m)ne comporte qu’une seule douche.

Chaque signal simulé comporte un ou plusieurs évènements fluidiques. Il présente par exemple le format d’un vecteur indiquant la valeur du débit à une fréquence par exemple d’une seconde sur une durée d’une journée, et de préférence sur une durée de plusieurs jours, voire semaines. Les signaux simulés peuvent ainsi prendre la forme des signaux illustrés sur la .

Ainsi, on obtient un grand nombre de signaux réalistes qui sont représentatifs du débit effectif des éléments consommateurs EC dans les maisons réelles, ce qui permettra de générer une base de données BD1 réaliste de grande dimension. Cette grande diversité des signaux simulés permettra d’éviter les biais de prédiction qui pourraient être induits par une base de données qui ne serait pas suffisamment représentative de la diversité effective possible des habitudes de consommation dans les maisons réelles.

Ensuite, lors d’une étape 140, on détermine des paramètres associés à chaque évènement fluidique associés à la consommation fluidique des maisons simulés Bsim_(m), et plus précisément des paramètres d’évènement P_Evet des paramètres de temporalité P_T.

Pour cela, on détermine des signaux simulés de débit global Ssim^Bsim(m)(t), qui sont chacun représentatifs du débit global de la maison simulée Bsim_(m)correspondante, à partir des signaux simulés . Il s’agit évidemment de signaux classifiés (étiquetés), dans la mesure où leur sont associés un signal L^Bsim(m)(t) indiquant la classe correspondante. Cela revient à obtenir, pour chaque maison simulée Bsim_(m)un signal dont le format est identique au signal de mesure de la maison à surveiller BS. Dans cet exemple, le signal de mesure est formé d’une succession d’évènements fluidiques et plus précisément d’une succession de paramètres représentatifs des évènements fluidiques.

Pour cela, on somme tous les signaux simulés , , , et relatifs à une même maison simulée Bsim_(m). On obtient ainsi, pour chaque maison simulée Bsim_(m), le signal simulé de débit global Ssim^Bsim(m)(t) accompagné du signal de classe L^Bsim(m)(t) correspondant.

Ainsi, pour chacun des signaux simulés de débit global Ssim^Bsim(m)(t), on identifie les évènements fluidiques Ev^Bsim(m)présents et on leur associe la classe correspondante . Rappelons que les évènements fluidiques sont des évènements à débit non nul encadrés avant et après par une période à débit nul.

Cependant, un évènement fluidique Ev^Bsim(m)du signal simulé de débit global Ssim^Bsim(m)(t) peut être issu de la juxtaposition au moins partielle de plusieurs évènements fluidiques issus des signaux simulés . Aussi, on peut attribuer la nouvelle classe ‘mixte’ ou ‘mélange’, notée M, à chaque évènement fluidique Ev d’un même signal simulé de débit global Ssim^Bsim(m)(t) et issu d’au moins deux éléments consommateurs.

Ensuite, on caractérise chacun des évènements fluidiques Ev d’un même signal simulé de débit global Ssim^Bsim(m)(t) par des paramètres d’évènements P_Ev, à savoir par exemple l’instant de début t_e, la durée d’écoulement Δt_eet le volume écoulé V ou équivalent (débit moyen…). On obtient ainsi un signal simulé de débit global Ssim^Bsim(m)(t) comportant une succession d’évènements fluidiques et de leurs paramètres caractéristiques P_EV, avec les classes correspondantes L_EV: { P_Ev; L_Ev}.

Ainsi, on détermine des paramètres dits de temporalité P_Tpour chacun des évènements fluidiques des signaux simulés de débit global Ssim^Bsim(m)(t). Il s’agit d’enrichir les informations associées aux évènements fluidiques Ev de chaque signal simulé de débit global Ssim^Bsim(m)(t), avec des informations de corrélation avec les évènements fluidiques similaires situés avant et après chacun des évènements fluidiques considérés. En effet, il apparaît que le fait d’enrichir la base de données avec de tels paramètres de temporalité permet d’améliorer les performances de prédiction du modèle.

Comme l’illustre la , on définit une pluralité de créneaux temporels C situés avant et après l’instant initial t_ed’un évènement fluidique Ev. On peut ainsi définir NC_avcréneaux temporels situés avant l’instant initial t_eet NC_apcréneaux temporels situés après l’instant initial t_e. Dans cet exemple, NC_avet NC_apsont identiques mais ils pourraient être différents l’un de l’autre, et sont ici égaux chacun à 5. De plus, les créneaux temporels amont C_avet aval C_apprésentent une même durée deux à deux, mais ils pourraient présenter des durées différentes. On peut ainsi avoir :

deux créneaux C_(-1)et C₍₊₁₎allant de [-t_nc1; t_e] et de [t_e; +t_nc1], par exemple allant de t_eà plus ou moins 7min;
deux créneaux C_(-2)et C₍₊₂₎allant de [-t_nc2; -t_nc1] et de [+t_nc1; +t_nc2], par exemple allant -30min à -7min, et allant de +7min à +30min;
deux créneaux C_(-3)et C₍₊₃₎allant de [-t_nc3; -t_nc2] et de [+t_nc2; +t_nc3], par exemple allant -60min à -30min, et allant de +30min à +60min;
deux créneaux C_(-4)et C₍₊₄₎allant de [-t_nc4; -t_nc3] et de [+t_nc3; +t_nc4], par exemple allant -120min à -60min, et allant de +60min à +120min;
deux créneaux C_(-5)et C₍₊₅₎allant de [-t_nc5; -t_nc4] et de [+t_nc4; +t_nc5], par exemple allant -240min à -120min, et allant de +120min à +240min;

On détermine ensuite le nombre d’évènements fluidiques { N_C(p)}_{p=-NCav ;+NCap}similaires à celui considéré en termes de débit (par exemple, même débit moyen plus ou moins une tolérance prédéfinie, par exemple égale à 1L/min), dont l’instant initial est situé dans l’un ou l’autre des créneaux temporels. Cela permet d’établir la corrélation entre les évènements fluidiques d’une même classe. En effet, il apparaît que l’utilisation d’un élément consommateur, par exemple d’un robinet ou d’une douche, peut présenter une succession d’évènements fluidiques de même débit, voire, en outre, de même durée d’écoulement. Ce peut être le cas lors de l’utilisation de la douche, du robinet pour la vaisselle, du programme de nettoyage d’un lave-linge et d’un lave-vaisselle, etc… Les créneaux temporels les plus proches permettent par exemple d’identifier les douches, alors que les créneaux temporels les plus éloignés concernent davantage les lave-linges et lave-vaisselles. En revanche, certains éléments consommateurs peuvent ne pas présenter une telle corrélation temporelle entre évènements fluidiques.

Notons que l’on peut également identifier les évènements fluidiques similaires « longs » par exemple ayant une durée d’écoulement supérieure à une valeur prédéfinie, comme par exemple 30 secondes, et/ou les évènements fluidiques similaires « courts » par exemple ayant une durée d’écoulement inférieure à une valeur prédéfinie, comme par exemple 10 secondes. On peut également calculer, pour chacun des créneaux temporels, le volume cumulé de tous les évènements fluidiques identifiés dans le créneau temporel en question.

Ainsi, chacun des signaux simulés de débit global Ssim^Bsim(m)comporte, par évènement fluidique Ev, des paramètres d’évènement P_EVreprésentatifs de l’évènement fluidique en question (instant initial, durée d’écoulement, etc…) ainsi que des paramètres de temporalité P_T.

Par ailleurs, il peut être avantageux de déterminer, pour chacun des signaux simulés de débit global Ssim^Bsim(m), des paramètres supplémentaires dits de comparaison P_Ev|Bsim, où un débit (débit moyen par ex.) de chacun des évènements fluidiques est comparé à un débit global (débit moyen) de la maison simulée Bsim_(m). On peut ainsi calculer, pour chaque évènement fluidique, un débit normalisé défini comme étant égal au rapport du débit moyen de l’évènement fluidique sur le débit global moyen de la maison simulée Bsim_(m).

Enfin, on génère la base de données BD1 comme étant le rassemblement de tous les évènements fluidiques de tous les signaux simulés de débit global Ssim^Bsim(m), et plus précisément des paramètres d’évènement P_Ev, des paramètres de temporalité P_T, et ici des paramètres de comparaison P_Ev|Bsim. Pour chaque évènement, on a également la classe L_Evcorrespondante.

Ainsi, on obtient un ensemble de NA évènements fluidiques Ev_(i)avec i allant de 1 à NA, chaque évènement fluidique Ev_(i)étant défini par les paramètres d’évènement P_EV(i), les paramètres de temporalité P_T(i)et les paramètres de comparaison P_EV|BR(i), et par la classe L_Ev(i)correspondante. Cet ensemble forme alors la base de données BD1. Le nombre NA peut ainsi être très élevé, d’autant qu’il est issu du grand nombre M de maisons simulées Bsim_(m).

Notons ici que les évènements fluidiques Ev_(i)sont mélangés, dans le sens où ils ne sont plus associés à telle ou telle maison simulées Bsim_(m)ni à telle et telle journée de mesure. En revanche, des informations de corrélation temporelle sont présentes via les paramètres de temporalité P_T, ce qui permet d’améliorer les performances de prédiction du modèle.

Phase 200 : Paramétrisation du modèle de prédiction.

La phase 200 consiste ensuite à effectuer l’apprentissage du modèle de prédiction à partir de la base de données BD1, c’est-à-dire à paramétrer le modèle de prédiction de manière automatique de sorte qu’à partir des données d’entrée que sont ici les paramètres { P_Ev(i); P_T(i); P_Ev|Bsim(i)}_{i=1 ;NA}, il détermine les données de sortie que sont les classes correspondantes { L_Ev(i)}_{i=1 ;NA}. Ainsi on note : L_ev(i)= f1( P_Ev(i); P_T(i); P_EV|BR(i)), où f1 est le modèle de prédiction paramétré.

Comme indiqué précédemment, différents algorithmes de modèle de prédiction peuvent être utilisés, mais les inventeurs ont constaté que l’algorithme basé sur les arbres de décision de typeboosting, et plus précisément de typegradient boostingprésente de bonnes performances.

Phase 300 : Classification.

La phase 300 consiste à effectuer la prédiction de la classe (classification) des évènements fluidiques présents dans un signal de mesure représentatif du débit global de la maison à surveiller BS, ce signal ayant été acquis par le capteur de mesure fluidique CM (cf. fig.1A). Il s’agit plus précisément d’estimer la classe de chacun des évènements fluidiques .

Aussi, lors d’une étape 310, on acquiert le signal de mesure par le capteur de mesure fluidique CM. Il correspond à une succession de paramètres d’évènement représentatifs des évènements fluidiques qu’il contient : . Les paramètres d’évènements sont identiques aux paramètres d’évènements P_Evde la base de données BD1, et comportent dans cet exemple, l’instant initial de l’évènement fluidique, sa durée d’écoulement et le volume écoulé. Le signal de mesure est acquis par le capteur de mesure fluidique CM sur une durée de surveillance Δt_s(k), par exemple sur une journée. Lorsque la durée de surveillance k est terminée, le capteur de mesure fluidique acquiert un nouveau signal de mesure sur la durée de surveillance suivante Δt_s(k+1), et ainsi de suite.

Ensuite, lors d’une étape 320, on détermine les paramètres supplémentaires, ici les paramètres de temporalité et les paramètres de comparaison , de sorte que le signal de mesure forme des données d’entrée pour le modèle de prédiction f1 ayant les mêmes paramètres (mêmes dimensions) que lors de la phase d’apprentissage 200.

On détermine les paramètres de temporalité de la même manière que celle décrite précédemment, en identifiant le nombre d’évènements fluidiques similaires à celui considéré et situés dans les créneaux temporels amont et aval.

Le cas échéant, on détermine les paramètres de comparaison de la même manière que celle décrite précédemment, en calculant le débit normalisé de chaque évènement fluidique , i.e. le rapport du débit moyen de chaque évènement fluidique sur le débit global moyen de consommation fluidique de la maison à surveiller BS. Notons que le débit global moyen de la maison à surveiller BS est avantageusement le débit global moyen de tous les signaux de mesure ayant été acquis préalablement, à partir de l’acquisition initiale (indice ki). Ainsi, le débit global moyen de la maison à surveiller BS sera plus précis à mesure que les acquisitions du signal de mesure se succéderont.

Enfin, lors d’une étape 330, on procède à la prédiction des classes (classification) des évènements fluidiques présents dans un signal de mesure . Les données d’entrées fournies au modèle de prédiction f1 sont , et les données de sortie sont les classes estimées pour chaque évènement fluidique , de sorte que l’on a : . Lorsque la prédiction est effectuée pour le signal de mesure de la durée de surveillance d’indice k, on réitère la phase 300 pour un nouveau signal de mesure acquis sur la durée de surveillance d’indice k+1.

Ainsi, le procédé de classification est en mesure de déterminer la classe d’élément consommateur pour chaque évènement fluidique présent dans le signal de mesure représentatif du débit global de consommation du fluide d’intérêt du bâtiment à surveiller BS. Par le fait que les données d’entrée comportent les paramètres de temporalité , il apparaît que le modèle de prédiction présente une précision améliorée.

Notons que l’étape de prédiction 330 peut comporter des contraintes qui bloquent l’attribution de l’une ou l’autre des classes à certains évènements fluidiques et attribuent une classe dite ‘Autre’ lorsque la classe estimée est interdite. Ainsi, les évènements de chaque classe respectent des conditions, par exemple, sur la durée d’écoulement, le débit moyen, le nombre d’évènements fluidiques successifs similaires, etc. Aussi, par exemple la classe ‘Douche’ ne pourrait pas être attribuée à un évènement fluidique dont la durée d’écoulement serait inférieure à 5 secondes ou supérieure à 900 secondes.

Notons enfin que le procédé de classification peut permettre de détecter une consommation excessive des éléments consommateurs de l’une ou l’autre des classes prédéfinies, et peut alors permettre d’indiquer à l’utilisateur si des éléments consommateurs sont trop utilisés ou présentent un débit au-dessus d’une référence prédéfinie.

A ce titre, le procédé peut comporter une étape supplémentaire dans laquelle on compare un paramètre de suivi prédéfini (débit moyen, durée d’écoulement moyen…) des éléments consommateurs de chaque classe, avec une valeur seuil prédéfinie. Puis, on identifie la classe dont les éléments consommateurs présentent une valeur du paramètre de suivi supérieure à la valeur seuil. Il est alors possible d’identifier des éléments consommateurs d’une même classe qui présentent une utilisation trop importante, ou un débit supérieur à un seuil prédéfini. Le procédé peut alors comporter une étape d’alerte de l’utilisateur lui indiquant la classe en question, puis une étape de correction par l’utilisateur de sorte que les éléments consommateurs de la classe en question présentent ensuite une valeur de paramètre de suivi inférieur à la valeur seuil prédéfinie. A titre d’exemple, cela peut se traduire par un remplacement des pommeaux de douche, voire par un remplacement des éléments consommateurs en question par des éléments moins consommateurs.

La illustre un organigramme d’un procédé de classification selon un autre mode de réalisation, qui se distingue du procédé de la essentiellement en ce qu’il utilise deux modèles de prédiction f1 et f2 de manière successive. Le principe est d’utiliser le premier modèle de prédiction f1 pour effectuer un premier niveau de classification, et ainsi en déduire des paramètres supplémentaires, lesquels seront ensuite ajoutés aux données d’entrée du deuxième modèle de prédiction f2 qui effectuera alors un deuxième niveau de classification. Cela permet d’améliorer encore les performances du procédé de classification.

Le procédé de classification comporte une phase 100 de génération de deux bases de données BD1 et BD2, puis une phase 200 d’apprentissage des deux modèles de prédiction f1 et f2, et enfin une phase 300 de prédiction à deux niveaux.

Lors de la phase 100 de génération des bases de données BD1 et BD2, les étapes 110 à 140 sont identiques ou similaires à celles décrites précédemment et ne sont pas décrites à nouveau ici.

L’étape 150 consiste à déterminer (sous-étape 151) les paramètres d’évènements P_Ev, les paramètres de temporalité P_T(et ici les paramètres de comparaison P_Ev|Bsim) pour obtenir la première base de données BD1. Ici, on opère de manière identique ou similaire au procédé de la . La base de données BD1 comporte donc ces paramètres P_Ev, P_Tet ici P_Ev|Bsim, ainsi que les classes L_EVattribuées à chaque évènement fluidique Ev.

L’étape 150 consiste également à déterminer (sous-étape 152) des paramètres supplémentaires P_Ev|Ldits de ‘comparaison par classe’ (alors que les paramètres P_Ev|Bsimsont des paramètres de comparaison par rapport à la maison simulée Bsim), et ensuite d’obtenir la deuxième base de données BD2. Ainsi, la base de données BD2 comporte les paramètres d’évènement P_Ev, les paramètres de temporalité P_T, les paramètres de comparaison P_Ev|Bsim, et les paramètres de comparaison par classe P_Ev|L. Elle comporte également les classes L_Evattribuées à chaque évènement fluidique Ev.

Ainsi, pour chacun des signaux simulés de débit global Ssim^Bsim(m), on détermine les paramètres supplémentaires P_Ev|L, où le débit moyen de chacun des évènements fluidiques est comparé au débit global moyen des évènements fluidiques de chacune des classes. On peut ainsi calculer, pour chaque évènement fluidique, le débit normalisé de classe défini comme étant égal au rapport du débit moyen de l’évènement fluidique sur le débit global moyen des évènements fluidiques de même classe, pour la maison simulée considérée.

Ensuite, lors de la phase 200, on paramétrise les deux modèles de prédiction f1 et f2 par apprentissage automatique supervisé. Plus précisément, lors de l’étape 201, le modèle de prédiction f1 est paramétrisé à partir de la base de données BD1, et lors de l’étape 202, le modèle de prédiction f2 est paramétrisé à partir de la base de données BD2.

Enfin, lors de la phase 300, on effectue les étapes d’acquisition 310 et de prétraitement 320 du signal de mesure de manière identique ou similaire aux étapes décrites en lien avec la .

Ensuite, lors d’une étape 331, on procède à un premier niveau de prédiction des évènements fluidiques présents dans un signal de mesure , à l’aide du premier modèle f1. Les données d’entrées fournies au modèle f1 sont , et les données de sortie sont les classes estimées pour chaque évènement fluidique , de sorte que l’on a : .

Ensuite, lors d’une étape 332, on détermine les paramètres de comparaison par classe . Cette étape est possible dans la mesure où les évènements fluidiques précédents ont été classifiés pendant les itérations précédentes, soit par le modèle f1 soit par le modèle f2. Il est alors possible de déterminer le débit caractéristique (par ex. débit moyen, médian…) de chaque classe d’éléments consommateurs de la maison à surveiller BS, et ensuite de comparer le débit déterminé de l’événement fluidique à classifier à la valeur caractéristique de chaque classe (rapport du débit moyen de l’évènement fluidique considéré sur le débit moyen (ou médian) de tous les évènements fluidiques qui relèvent de la classe considérée). Et ainsi de suite pour toutes les classes. Bien entendu, il est possible de déterminer les paramètres de comparaison par classe pour chacune des classes, ou pour seulement l’une ou l’autre d’entre elles. On pourrait ainsi se limiter à ne considérer que la classe des chasses d’eau.

Enfin, lors de l’étape 333, on procède au deuxième niveau de prédiction des évènements fluidiques présents dans un signal de mesure , à l’aide du deuxième modèle f2. Les données d’entrées fournies au modèle f2 sont , et les données de sortie sont les classes estimées pour chaque évènement fluidique , de sorte que l’on a : . Il apparaît que le procédé de classification selon ce mode de réalisation présente des performances améliorées.

A ce titre, la figure 6A, la figure 6B, et la figure 6C illustrent des évolutions de la fonction de répartition (également appelée fonction de distribution cumulative, ouCumulative Distribution Functionen anglais) du débit (fig. 6A), de la durée d’écoulement (fig. 6B) et du volume écoulé (fig. 6C) pour les évènements fluidiques issus du signal simulé de débit global Ssim^BSimdont le profil statistique de consommation est identique au profil d’une maison réelle de référence. Ces courbes sont comparées à celles issues de la maison réelle considérée.

Notons ici que la fonction de répartition de débit CDF_D(d) correspond à la probabilité d’obtenir une valeur du débit moyen inférieure ou égale à d : CDF_D(d) = P(D≤d). Cette probabilité P(D≤d) est égale à la proportion %Δt_s|Dde la durée d’écoulement cumulée Δt_ec|Dau cours de la durée de surveillance Δt_s(ici la journée) pour laquelle le débit moyen D est non nul et au plus égal à d. La fonction de répartition CDF_D(d) est comprise entre 0% et 100%, et le débit moyen D varie entre zéro et le débit maximal mesuré par les signaux de mesure Dmes_EC(t).

Ainsi, il apparaît que les signaux simulés Dsim_EC(t), générés lors de l’étape 130 décrite précédemment, présentent une très bonne correspondance avec les signaux de mesure Dmes_EC(t). Il en résulte que le signal simulé de débit global Ssim(t), généré à partir des signaux simulés Dsim_EC(t), est particulièrement réaliste. C’est donc le cas également de la base de données.

Enfin, la , la , et la illustrent les performances de prédiction pour différents procédés de classification, et ici respectivement la précision, le rappel et le F1-score. La précision est définie comme étant égale au rapport du nombre d’évènements fluidiques correctement classifiés dans une classe donnée sur le nombre total d’évènements fluidiques classifiés dans la classe en question. Le rappel est défini comme étant égal au rapport du nombre d’évènements fluidiques correctement classifiés dans une classe donnée sur le nombre total d’évènements fluidiques appartenant effectivement à la classe en question. Enfin, le F1-score correspond à la moyenne harmonique de la précision et du rappel.

On considère ici les résultats d’un modèle f0 qui aurait été paramétré par les seuls paramètres d’évènement P_EVet non pas également par les paramètres de temporalité P_Tni par les paramètres P_Ev|Bsim. On considère également les résultats du modèle f1 décrit en référence à la , et ceux du modèle à deux niveaux f1 et f2 décrit en référence à la . Les classes considérées sont ici celles des chasses d’eau C, celle des douches D, celle des lave-linges LL, celles des lave-vaisselles LV, et enfin celle des éléments consommateurs R* qu’il n’est pas possible de distinguer des autres (ici essentiellement les robinets R et la classe ‘mixte’ M avec d’autres éléments consommateurs). Il apparaît que les performances des modèles f1 et f1+f2 sont effectivement meilleures que celles du modèle f0.

Des modes de réalisation particuliers viennent d’être décrits. Différentes variantes et modifications apparaîtront à l’homme du métier.

Claims

Procédé de classification par ordinateur d’évènements fluidiques de consommation d’un fluide d’intérêt par des éléments consommateurs EC d’un bâtiment à surveiller BS, parmi plusieurs classes prédéfinies d’éléments consommateurs EC, le procédé comportant les phases suivantes :
une phase de génération (100) d’au moins une base de données (BD1, BD2), comportant les étapes suivantes :

acquérir (110) des signaux de mesure représentatifs du débit de consommation de chacun des éléments consommateurs EC de N bâtiments réels de référence {Bref_(n)}_{n=1 ;N}, avec N>1, les signaux de mesure étant alors dits classifiés, les éléments consommateurs EC étant de mêmes classes que celles du bâtiment à surveiller BS ;

définir (120) des profils de consommation de M bâtiments dits simulés {Bsim_(m)}_{m=1 ;M}, avec M>N, à partir des signaux de mesure classifiés acquis, chaque bâtiment simulé comportant des éléments consommateurs EC de mêmes classes que celles du bâtiment à surveiller BS ;

générer (130), par simulation numérique, des signaux simulés représentatifs du débit de consommation de chacun des éléments consommateurs EC des bâtiments simulés {Bsim_(m)}_{m=1 ;M}ayant les profils de consommation définis, les signaux simulés générés étant alors dits classifiés ;

déterminer (140), pour chacun des évènements fluidiques {Ev_(i)}_{i=1 ;NA}identifiés dans les signaux simulés classifiés générés :

des paramètres dit d’évènement {P_Ev(i)}_{i=1 ;NA}, représentatifs d’une durée et d’un volume écoulé de chacun des évènements fluidiques ; et

des paramètres dit de temporalité {P_T(i)}_{i=1 ;NA}, représentatifs d’un nombre d’évènements fluidiques dits similaires, présentant un débit sensiblement identique à celui de l’évènement fluidique considéré et situés dans des créneaux temporels successifs prédéfinis situés avant et après l’évènement fluidique considéré ;

générer (150) la base de données (BD1 ; BD2) comportant, pour chacun des évènements fluidiques {Ev_(i)}_{i=1 ;NA}identifiés : les paramètres d’évènement {P_Ev(i)}_{i=1 ;NA}, les paramètres de temporalité {P_T(i)}_{i=1 ;NA}, et la classe {L_EV(i)}_{i=1 ;NA}correspondante d’élément consommateur EC ;

une phase de paramétrage (200) d’au moins un modèle de prédiction (f1, f2) par apprentissage automatique supervisé à partir de la base de données (BD1 ; BD2) ;

une phase de classification (300), comportant les étapes suivantes :

acquérir (310) un signal de mesure représentatif du débit de consommation du bâtiment à surveiller (BS) ;

déterminer (320), pour chacun des évènements fluidiques { }_{j=1 ;NP}identifiés dans le signal de mesure acquis, des paramètres d’évènement { }_{j=1 ;NP}et des paramètres de temporalité { }_{j=1 ;NP}correspondants ;

prédire (330), par le modèle de prédiction (f1 ; f2), pour chacun des évènements fluidiques { }_{j=1 ;NP}dont les paramètres d’évènement { }_{j=1 ;NP}et les paramètres de temporalité { }_{j=1 ;NP}forment des données d’entrée au modèle de prédiction, la classe correspondante { }_{j=1 ;NP}d’élément consommateur EC.
Procédé de classification selon la revendication 1, dans lequel les paramètres de temporalité P_T(i)et comportent également, pour chacun des créneaux temporels, le volume cumulé du fluide d’intérêt écoulé et la durée d’écoulement.
Procédé de classification selon la revendication 1 ou 2, dans lequel les paramètres d’évènements P_Ev(i)et comportent, pour chaque évènement fluidique, l’instant initial de l’évènement fluidique, la durée d’écoulement, le volume écoulé et/ou le débit moyen.
Procédé de classification selon l’une quelconque des revendications 1 à 3, dans lequel la base de données et les données d’entrée du modèle de prédiction comportent des paramètres dits de comparaison, notés respectivement P_Ev|Bsim(i)et ), et définis, pour chaque évènement fluidique Ev_(i), , comme le rapport d’un débit moyen de l’évènement fluidique considéré sur un débit global moyen de tous les évènements fluidiques Ev_(i), du bâtiment considéré.
Procédé de classification selon l’une quelconque des revendications 1 à 4, dans lequel la phase de classification (300) est réitérée, les signaux de mesure du bâtiment à surveiller (BS) étant alors acquis sur des durées de surveillance prédéfinies successives.
Procédé de classification selon les revendications 4 et 5, dans lequel, dans les paramètres de comparaison présents dans les données d’entrée du modèle de prédiction, le débit global moyen de tous les évènements fluidiques tient compte du débit global moyen des itérations précédentes.
Procédé de classification selon l’une quelconque des revendications 1 à 6, dans lequel :
la phase de génération (100) comporte les étapes suivantes :

détermination (151) d’une première base de données (BD1) où chaque évènement fluidique (Ev_(i)) est défini par au moins lesdits paramètres d’évènement (P_EV(i)) et par lesdits paramètres de temporalité (P_T(i)) ;

détermination (152) d’une deuxième base de données (BD2) où chaque évènement fluidique (Ev_(i)) est défini par au moins lesdits paramètres d’évènement (P_EV(i)), par lesdits paramètres de temporalité (P_T(i)), et par des paramètres dit de comparaison par classe (P_EV|L(i)) définis, pour chaque évènement fluidique (Ev_(i)) d’au moins une classe considérée, comme le rapport d’un débit moyen de l’évènement fluidique considéré sur un débit global moyen de tous les évènements fluidiques de la classe considérée (Ev_(i)) ;

la phase de paramétrique (200) comporte les étapes suivantes :

paramétrage (201) d’un premier mode de prédiction (f1) par apprentissage automatique supervisé à partir de la première base de données (BD1) ;

paramétrage (202) d’un deuxième mode de prédiction (f2) par apprentissage automatique supervisé à partir de la deuxième base de données (BD2) ;

la phase de classification (300) comporte les étapes suivantes :

détermination (320), pour des évènements fluidiques ( ) présents dans le signal de mesure , des paramètres d’évènement ( ) et des paramètres de temporalité ( ) correspondants ; puis

prédiction (331) par le premier modèle de prédiction (f1), pour chacun des évènements fluidiques ( ), lesquels sont définis par les paramètres d’évènement ( ) et les paramètres de temporalité ( ) qui forment des données d’entrée du premier modèle de prédiction (f1), de la classe ( ) d’élément consommateur (EC) correspondante ; puis

détermination, à partir des classes prédites préalablement, de paramètres de comparaison par classe ( ) correspondants ; puis

prédiction (331) par le deuxième modèle de prédiction (f2), pour chacun des évènements fluidiques ( ), lesquels sont définis par les paramètres d’évènement ( ), les paramètres de temporalité ( ), et les paramètres de comparaison par classe ( ) qui forment des données d’entrée du deuxième modèle de prédiction (f2), de la classe ( ) d’élément consommateur (EC) correspondante.
Procédé de classification selon l’une quelconque des revendications 1 à 7, dans lequel, lors de l’étape d’acquisition (110) des signaux de mesure , les N bâtiments réels de référence sont raccordés à un dispositif de détermination d’au moins un modèle de prédiction, comportant des capteurs de mesure fluidique (CM) adaptés à acquérir les signaux de mesure pour chacun des éléments consommateurs (EC) du bâtiment réel de référence considéré (BR), et un ordinateur connecté aux capteurs de mesure fluidique du bâtiment de référence considéré (BR) et adapté à effectuer la phase de paramétrage (200).
Procédé de classification selon l’une quelconque des revendications 1 à 8, dans lequel, lors de l’étape d’acquisition (310) du signal de mesure du bâtiment à surveiller (BS), celui-ci est raccordé à un dispositif de classification comportant un capteur de mesure fluidique adapté à acquérir le signal de mesure , et un ordinateur connecté au capteur de mesure fluidique du bâtiment à surveiller (BS) et adapté à effectuer la phase de classification (300).
Procédé de classification selon l’une quelconque des revendications 1 à 9, comportant, à la suite de la phase de classification (300), les étapes suivantes :
identification d’une classe d’éléments consommateurs pour laquelle les évènements fluidiques présentent une valeur d’un paramètre dit de suivi supérieure à une valeur seuil prédéfinie ; puis

alerte de l’utilisateur lui indiquant la classe d’éléments consommateurs en question ; puis

correction par l’utilisateur de sorte que les éléments consommateurs de la classe en question présentent ensuite une valeur du paramètre de suivi inférieure à la valeur seuil prédéfinie.