WO2015092286A1 - Procédé de détection d'une anomalie dans un signal de mesure - Google Patents

Procédé de détection d'une anomalie dans un signal de mesure Download PDF

Info

Publication number
WO2015092286A1
WO2015092286A1 PCT/FR2014/053405 FR2014053405W WO2015092286A1 WO 2015092286 A1 WO2015092286 A1 WO 2015092286A1 FR 2014053405 W FR2014053405 W FR 2014053405W WO 2015092286 A1 WO2015092286 A1 WO 2015092286A1
Authority
WO
WIPO (PCT)
Prior art keywords
function
value
measurement signal
variable
jit
Prior art date
Application number
PCT/FR2014/053405
Other languages
English (en)
Inventor
Raphaël NEDELLEC
Yannig GOUDE
Original Assignee
Electricite De France
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 Electricite De France filed Critical Electricite De France
Publication of WO2015092286A1 publication Critical patent/WO2015092286A1/fr

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01DMEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D4/00Tariff metering apparatus
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01DMEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00Indicating or recording apparatus with provision for the special purposes referred to in the subgroups

Definitions

  • the invention relates to the field of anomaly detection techniques in a measurement signal.
  • the invention relates more particularly to the field of anomaly detection techniques in a measurement signal from an observed node Y of a network.
  • the network concerned may comprise a tree structure, as illustrated by way of example in FIG.
  • this tree structure comprises a plurality of unobserved nodes Z 1 , Z 2 , ... Z p .
  • Each non-observed node is connected to the observed node Y; a non-observed node may subsequently be called a "particle" of the observed node.
  • the measurement signal y from the observed node Y is assumed to be a sum of sub-signals zi, z 2 , z P which would be derived from the particles Zi, Z 2 , Z p of the observed node Y, if these particles were observed.
  • the node observed is considered to be, as illustrated in Figure 1, located upstream of the tree structure with respect to its particles.
  • the presently proposed solution is not limited to an application to the electric power distribution network, but can instead be extended to any network having a tree structure as illustrated in FIG. gas or water for example, the problems related to the detection of anomalies in this type of structure are explained below in the particularly illustrative context of the electrical energy distribution networks.
  • “simple” anomaly detection methods consist in measuring the difference between an observed value of the measurement signal and the nominal value that the measurement signal should have (EP 0049235 A1: “Method for detecting disturbances of an alternating voltage causing switching of the use to another source of current ").
  • methods for detecting anomalies on compressed measurement signals consist essentially in the use of statistical methods (EP 1 122646 B1: “Method for detecting anomalies in a signal”).
  • the present invention aims to provide a reliable and robust method for detecting an anomaly in a measurement signal from an observed node Y of a tree structure, the anomaly being likely to occur at a non-standard level. -observed from the tree structure.
  • a method for detecting an anomaly in a measurement signal from an observed node Y of a network the network further comprising a plurality of unobserved nodes and the measurement signal being a sum of sub-signals originating from the non-observed nodes of the network, the method being essentially such that it comprises:
  • each function value f jit being taken at a given value Xj of the corresponding variable Xj, each function f jit determining an expected behavior at the instant t of the measurement signal,
  • the method thus advantageously makes it possible to detect an anomaly such as an unacceptable change in behavior of at least one component of the measurement signal, each component ⁇ being estimated as a function of a variable Xj exogenous to the measurement signal, for a detection of anomalies more reliable and more robust than anomaly detection on the measurement signal itself.
  • the network is a tree structure
  • the anomaly is likely to occur at a non-observed level of the tree structure
  • the set of variables (Xi, Xj, XN) comprises at least one variable relating to a state of the unobserved level of the tree structure.
  • the method thus advantageously makes it possible to detect an anomaly correlatively to a particular architecture of the network.
  • said at least one function f jit is further adapted to a value Xj of the variable Xj at time t + ⁇ .
  • the method thus advantageously makes it possible to take into account a possible variation of the links of the signal to the different variables between two observations of the measurement signal.
  • the method further comprises: replacing, in the expression of the value y t of the measurement signal y at a time t, each function f jit having been adapted by the corresponding function ⁇ + ⁇ corresponding, substituting the temporal index t + ⁇ by the temporal index t.
  • the method thus advantageously makes it possible to take advantage of previous adaptations of the behavior of each component of the measurement signal for subsequent detection.
  • at least one function f jit is learned, according to a learning model, from values of the measurement signal observed before the instant t.
  • the method thus advantageously makes it possible for each component of the measurement signal at time t to be significant of an earlier evolution of the measurement signal.
  • adapting said at least one function f jit comprises implementing the learning model.
  • the method thus advantageously makes it possible to integrate the adaptation of each component of the measurement signal to the learning of the evolution of the measurement signal.
  • a number of successive observations of the measurement signal is produced which is set independently for each function f jit as a function of a temporal variability of the corresponding variable Xj with respect to time interval ⁇ .
  • the method thus advantageously makes it possible to perform the adaptation of a component of the measurement signal only when it is likely to be significant, in particular to optimize the computing resources and the ability of calculations.
  • the unobserved level of the tree structure comprises a plurality of non-observed nodes (Z 1 , Z 2 , Z p ) connected to the observed node Y to form at least a part of the tree structure,
  • the measurement signal corresponds to a sum of sub-signals ( ⁇ i, z 2 , z p ) originating from the non-observed nodes (Zi, Z 2 , Z p ), and
  • At least one variable Xj relates to a state of at least one of the non-observed nodes (Zi, Z 2 , Z p ) of the tree structure.
  • the method thus advantageously makes it possible to correlate the detected anomaly with at least one non-observed node of the tree structure.
  • the tree structure is an electrical energy distribution network
  • the value y t of the measurement signal is chosen from an effective voltage, an effective intensity, an active energy drawn off, and an active or reactive power, instantaneous or average, per phase, total three-phase or quadrant, and
  • variables Xj are chosen from at least one profile of electrical energy consumption per consumer or group of consumers, data relating to a consumer or a group of consumers, historical consumption and / or energy production data. electricity per consumer or group of consumers, meteorological data and calendar data.
  • the method is thus advantageously applied to an electrical energy distribution network.
  • the value d (fj, t + ⁇ t, fj, t) of variation of the function f jit is computed as a sum, on a set l n comprising said instants anterior to the instant t , the instant t and the moment t + At, of power pairs of differences between the value of the function f jit and the value of the adapted function fj, t + At corresponding, each difference being taken to the value Xj of the variable explanatory Xj corresponding in the sum.
  • the method thus advantageously makes it possible to quantify the change in behavior of each component of the measurement signal over a plurality of recent observations of the corresponding variable Xj, for a more accurate quantification.
  • the value d (fj, t + At, fj, t) of variation of the function f jit is computed as a sum, over the set of values ⁇ xj ⁇ , of power pairs of differences between the value of the function f jit and the value of the adapted function fj , t + At corresponding, each difference being taken at a value Xj of the corresponding variable X j in the set and being weighted by the value of the weighting function W k in this value Xj of the variable X j .
  • the method thus advantageously makes it possible to quantify the change in behavior of each component of the measurement signal over a plurality of values of the corresponding variable X j , giving a preponderance to the values close to one of the last observed values of the variable X j , for a more accurate quantification.
  • the present invention also relates to a computer server for implementing the previously described method, the server comprising a processor capable of executing instructions, an input interface for obtaining measurement data from a measurement device, a data exchange interface with a database and an output interface for viewing sensing data on a display device.
  • the present invention further provides a computer program product including instructions for implementing the method described above, when this program is executed by a processor.
  • This program can use any programming language (for example, an object language or other), and be in the form of an interpretable source code, a partially compiled code or a fully compiled code.
  • Figure 2 described in detail below, can form the flowchart of the general algorithm of such a computer program product.
  • the advantages provided by the server and the computer program product, as succinctly set forth above, are at least the same as those mentioned above in connection with the method according to the first aspect of the invention.
  • FIG. 1 schematically represents at least a part of a tree structure in which an anomaly is likely to occur
  • FIG. 2 represents a flowchart of the method of the invention
  • FIG. 3 is a graph on which is represented a function f jit and a function adapted fj, t + At at a value y t + At of the measurement signal observed at time t + ⁇ ,
  • FIG. 4 represents the graph of FIG. 3 on which is illustrated a mode of quantification of the change of behavior of the measurement signal according to a variant of the method of the invention
  • FIG. 5 represents the graph of FIG. 3 on which is illustrated a mode of quantification of the change of behavior of the measurement signal according to another variant of the method of the invention
  • FIGS. 6a and 6b are two graphs on each of which are represented a function f jit the instant t and a function f jit + At adapted to a value yt + At of the measurement signal observed at time t + ⁇ for respectively two variables Xj different, the temperature (FIG 6a) and the erasure (FIG 6b), and
  • FIG. 7 represents a hardware architecture in which the method according to the invention can be implemented.
  • the invention is described below in its application to power distribution networks to consumers. It is not limited to such an application and can for example be applied to water or gas distribution networks, or to other types of network such as social networks.
  • the tree structure in the context of electric power distribution, includes an electrical power distribution network.
  • An observed node Y of the tree structure comprises for example an HTB / HTA transformer station (source station).
  • a non-observed level of the tree structure comprises for example a plurality of unobserved nodes Z 1 , Z 2 , Z p , such as electricity meters of individuals, businesses or communities, or equipment representative of small aggregates of consumption as a HTA / LV source station.
  • Each unobserved node is directly or indirectly connected to the observed node Y to form at least a portion of the tree structure.
  • the method aims in particular to detect an anomaly from a measurement signal, noted y, from the observed node Y of the electrical power distribution network.
  • the anomaly is likely to occur at the unobserved level of the network, in other words at the level of the observed node Y particles.
  • a measurement signal is generally defined as a signal sent to a system for the purpose of verifying its proper operation. It may be more particularly here a significant signal of the electrical energy transmitted, through the observed node Y, the particles of this node.
  • the measurement signal y observed in real time, can be chosen from:
  • the duration of integration of the instantaneous powers can take different values. For example, these powers can be integrated on 1, 2, 5, 10, 15, 30 and 60 seconds.
  • the integration time of the average powers can also take different values. These values may for example be 1, 5, 10, 30 or 60 minutes.
  • the periodicity of observations of the value of the measurement signal can increase to improve the accuracy of the calculations described below or on the contrary be reduced to accelerate these calculations.
  • This periodicity can be fixed or variable. If it is fixed, it can for example be monthly, weekly, daily, hourly or almost instantaneous (minutes, seconds, milliseconds). For example, a daily frequency for residential consumers and an hourly frequency for industrial consumers is conventional.
  • the measurement signal y may correspond to a sum of sub-signaux ⁇ i, ..., ⁇ z ,, P from the unobserved nodes Zi, Zi, Z P of the network.
  • the method according to the invention is intended to be implemented in a hardware architecture as illustrated in FIG. 7.
  • the architecture comprises:
  • the server 1 comprises a processor 10, an input interface 1 1 for obtaining measurement data from the measurement device 2, a data exchange interface 12 with the database 3 and an output interface 13 for the display of detection data on the display device 4.
  • the processor 10 is at least able to implement any calculation step of the method according to the invention.
  • the measuring device 2 makes it possible to observe the measurement signal y coming from the observed node Y by measuring its values over time.
  • the measuring device 2 may comprise a sensor or a set of sensors, each associated functionally or even structurally with an observed node of the tree structure.
  • the measuring device 2 may further comprise one or more meteorological stations distributed in a geographical area on which the tree structure is deployed.
  • the measuring device 2 can communicate with the database
  • the measuring device 2 can further communicate the measurement data directly to the server 1 via the input interface 11 of the latter.
  • the database 3 is further suitable for storing any information that may be useful for estimating or even forecasting the values of the measurement signal y.
  • the information stored in the database may include a profile of electrical energy consumption per consumer or group of consumers (type of contract between the consumer and the energy supplier, current tariff, etc.), data relating to to consumers (type of heating, type of dwelling, number of people in the dwelling), historical consumption data (consumption, billing statements) and / or electrical energy production (wind or photovoltaic) per consumer or group of consumers, meteorological data (sunshine, cloudiness, wind, temperature, etc.) and / or calendar data (type of day, time, dates of school holidays, holidays, etc.).
  • the database 3 is furthermore suitable for storing data representative of the electrical distribution network, such as the number of transformer stations on the network, the number of electric meters connected by transformer station, the geographical location of at least part of the transformer stations and electricity meters.
  • the database 3 is still suitable for storing prediction models and simulated or non-simulated data based on these models, such as temperature evolution scenarios and / or customer portfolio evolution scenarios.
  • the data stored in the database 3 can come from a plurality of data sources, such as the Internet, meteorological institutes, so-called smart meters, and so on. They can also be informed by the users of the method according to the invention.
  • the database 3 may allow centralized storage of the data.
  • the database or databases 3 are preferably located closer to the server or servers 1 implementing the method according to the invention. Servers 1 and databases 3 can be coupled in pairs and distributed over a given territory (regional, departmental, municipal, or other). Each measuring device 2 can be associated with a single server pair 1 - database 3.
  • the display device 4 enables the users of the detection method implemented by the server 1 to display the results of the method. For this purpose, it communicates with the server via the output interface 13 of the latter.
  • the display device 4 may comprise a graphic interface and a display device of at least one alert message generated and sent by the server 1 to at least alert users of the detection of an anomaly according to the method of the invention. 'invention.
  • the message can be of type text or email for example. Production and / or consumption management orders can also be transmitted to the users via the display device 4.
  • the display device 4 may also be able to communicate with the database 3 for storing the alert messages and information on the follow-up given to the detection of an anomaly, in particular in order to allow the analysis and the production of feedback, possibly for the recognition of patterns of occurrence of anomalies.
  • Communication between the different components of the architecture can be based on any type of protocol and physical communication medium, such as Wide Area Network (WAN) communication network, intermediate gateways or hubs. or a local area network (NAN), a local or remote telecommunication link (via line power lines or "CPLs", or via a local radio network or via a local radio network). mobile cellular network, or others).
  • WAN Wide Area Network
  • NAN local area network
  • CPLs line power lines or "CPLs”
  • mobile cellular network or others.
  • the communication between the different components of the architecture can still be based on any combination of the types of protocol and physical communication medium mentioned above.
  • the detection method illustrated in FIG. 2 is based on the assumption that any value y t of the measurement signal y at an instant t can be expressed as a sum of function values (fi, t , ..., ⁇ ,
  • each function f jit depends on a variable Xj included in a set of variables (Xi, Xj, XN) and is considered at a value x jit given at the instant t of the variable X j and where e t is a noise white Gaussian.
  • Each variable Xj can more specifically be specific to a consumer or a group of consumers and / or to a phenomenon having an impact on energy consumption; each variable of this type can be called 'explanatory variable' in the sense that it explains or indicates a certain operation or behavior of the measurement signal, or more particularly the behavior of a corresponding component j of the measurement signal.
  • Each variable Xj may also be an exogenous variable to the measurement signal, in that it is not related to the nature of the measurement signal or its values, but is defined according to considerations external to those relating to to the measurement signal.
  • these are weather variables (temperature, cloudiness, solar radiation, wind, etc.), calendar variables (type of day, time, dates of school holidays, holidays, etc.), price variables (supply consumers, tariff events such as erasures, etc.), socio-economic variables (type of housing, number of people in housing, economic growth, etc.), information on the electricity consumer (decentralized production, heat pump, etc.) or its uses.
  • the number N of these variables can therefore be relatively large (of the order of several tens).
  • the number of these variables may vary according to the measurement signal studied.
  • the values of these variables are for example collected and stored in the database 3.
  • the set of variables (Xi, Xj, XN) can comprise at least one variable relating to a state of the non-observed level of the tree structure or more particularly a variable relating to a state of at least one unobserved nodes Zi, ..., Z ,, Z P of the network.
  • Each variable Xj depends in a way that is specific to time; a temporal variability can be associated with it which depends on its nature. For example, the fact that the consumer does or does not benefit from a heat pump is practically invariant in time; on the other hand, the temperature can change from hour to hour.
  • Each variable Xj can be defined on a finite domain of values. This domain may comprise a finite set of discrete values; for example, when the variable Xj is specific to the type of day, it can take a different value per day or a value for working days and another value for holidays.
  • the values of the variable X j can also be defined continuously on the definition domain of the variable X j ; for example, the temperature can be set to a range of -80 ° C to + 80 ° C and can take any value in this area.
  • the domain of definition of each variable can be learned and itself be scalable according to the data collected over time and stored in the database 3.
  • Each function f jit determines an expected behavior at the instant t of the measurement signal or more particularly of the component j of this signal. Since this expected behavior can be assumed to be regular and evolutive, each function f jit can also be assumed to be regular and evolutive over the domain of definition of the variable X j on which it depends. Each function f jit can thus be defined as an adaptive function adapted to adapt in particular to the observation of a new value of the measurement signal y.
  • S30 be adapted to at least one function fjit to the observed value y t + At of the measurement signal, this adaptation making it possible to obtain a suitable function denoted fj, t + At-
  • FIG. 3 illustrates the functions fj, t and fjit + At estimated at times t and t + ⁇ following the observation of a new value of the measurement signal y t + At- Note that the values fj, t (Xj ) and fj, t + At (Xj) are not necessarily equal following the adaptation or update S30.
  • each adapted function fj, t + At is capable of determining an expected behavior of the measurement signal at time t + At.
  • Each adapted function fj, t + At is more particularly likely to better represent the expected behavior of the measurement signal, since this adapted function is empirically deduced from observation of the measurement signal, when the expression S10 of the value y t of the measurement signal at time t may be purely theoretical.
  • the said at least one function f jit can be further adapted to a value Xj of the variable X j at the instant t + ⁇ .
  • the method thus advantageously makes it possible to take into account a possible variation of the variables Xi, X j , XN between two observations of the measurement signal.
  • the temporal variability of the variable X j may also have an impact on whether it is relevant to adapt the function f jit to each observation of the measurement signal or if, on the contrary, it is more relevant to adapt the function f jit only after a certain number of observations of the measurement signal. It is therefore envisaged that, during the time interval ⁇ , a number of successive observations of the measurement signal can be realized which is fixed independently for each function f jit as a function of a temporal variability of the corresponding variable X j by ratio to the time interval ⁇ .
  • the method thus advantageously makes it possible to achieve the adaptation of a component of the measurement signal only when it is likely to be significant, to optimize computing resources and computing capacity.
  • the expression S10 of the value y t of the measurement signal at time t may not be purely theoretical, but, on the contrary, that at least one function f jit has learned, according to a determined learning model, based on values of the measurement signal observed before time t.
  • the method thus allows advantageously, at least one function f jit is significant of an earlier evolution of the measurement signal.
  • the learning model can impose on the function fj, t and its adaptive evolution regularity constraints on its definition domain and therefore makes it possible to set, for the function f jit concerned, a threshold value Mj corresponding to an acceptable limit of variation of the function f jit between the instants t and t + At.
  • the method provides for advantageously using each adapted function fj, t + At obtained to detect any anomaly such as a variation in the expected behavior of the measurement signal y, or more particularly of the component j of the measurement signal, between the instants t and t + At which would be greater than an acceptable limit of variation of said behavior.
  • the method teaches calculating S40 a value d (fj, t + ⁇ t, fj, t) of variation of the function f jit to quantify a variation of the expected behavior of the measurement signal y between the instants t and t + at.
  • the value d (fj, t + ⁇ t, fj, t) of variation of the function f jit can be calculated S40 d at least three different ways that are presented below.
  • the value d (fj, t + At, fj, t) of variation of the function f jit can be calculated according to a generalized Euclidean norm of the difference between the function f jit and the adapted function fj, t + At-
  • the value d (fj, t + ⁇ t, fj, t) of variation of the function f jit can be calculated as illustrated in FIG. 4.
  • the method thus advantageously makes it possible to quantify the change in behavior of at least one component j of the measurement signal over a plurality of recent observations of the corresponding variable Xj, for a more accurate quantification.
  • the value d (fj, t + ⁇ t, fj, t) of variation of the function fj.t can be calculated as illustrated in FIG.
  • each difference being taken at a value Xj of the corresponding variable Xj in the set and being weighted by the value of the weighting function W k in this value Xj of the variable Xj.
  • the method thus advantageously makes it possible to quantify the change in behavior of at least one component j of the measurement signal y over a plurality of values ⁇ xj ⁇ of the corresponding variable Xj, giving a preponderance to the values close to one of the last values collected. of the variable Xj, for a more accurate quantification.
  • a function k k of Gaussian kernel type implies that the function W k is defined at all the points where the variable Xj is defined, and that the integral of W k on its definition support is equal to 1 .
  • the "window" k defines, in a way, the width of the Gaussian in the framework of a Gaussian nucleus. The points distant from the point Xj on which the function W k is centered will consequently have a very low weight on the value d (fj, t + At, fj, t) of variation.
  • the value d (fj, t + ⁇ t, fj, t) of variation is, according to the method, compared S50 to a threshold value Mj preferably defined independently for each function f jit .
  • the method comprises the detection S60 of the anomaly, which then corresponds well to a variation of the expected behavior of the signal measurement y enters the instants t and t + At greater than an acceptable limit of variation of said behavior.
  • the method is looped in time by substituting the time index t for the time index t +.
  • each adapted function f 1, t + At is more likely to represent the expected behavior of the measurement signal. that the function ⁇ from which it has been deduced is advantageously exploited.
  • the method contemplates that each adapted function fj, t + At comes to replace S100, in the expression S10 of the value y t of the measurement signal y at time t, the function fj, t from which it has been deduced , the looping of the process being carried out by substitution the temporal index t + ⁇ by the temporal index t.
  • each function f jit has been adapted S30 and replaced S100.
  • the method thus advantageously makes it possible to take advantage of previous adaptations of the behavior of each component j of the measurement signal for subsequent detection.
  • FIGS. 6a and 6b illustrate how, in this case, the method according to the invention reacts for a measurement signal corresponding for example to the total instantaneous active power three-phase [in kW], denoted by P.
  • thermosensitive consumer his dwelling being for example equipped with electric heating, should have consumed a significant amount of electrical energy, but did nothing because of a failure of the heating system, and
  • the measurement signal decreases substantially because of the underconsumption of the first consumer that it does not increase because of the overconsumption of the second consumer, so that the value P t of the power P at time t is substantially equal to the value Pt + At of the power P at time t + At.
  • FIG. 6a shows, by two curves, the function f T °, t and the adapted function fr, t + At as a function of the temperature T °, each of these functions determining an expected behavior of the temperature component of the power P, at times t and t + At respectively.
  • a temperature T ° (t) is read at which corresponds a value f T ° (t) of the function f T °, t- At time t + At, a new temperature T ° (t + At) is read at which a value f T ° (t + At) of the function fr, t + At-.
  • These two values can be as illustrated in FIG. 6a very different from each other; therefore, the value d (fT °, t + At, fr, t) of variation of the function f T °, t to adapt to the value P t + At of the power P at time t + At can be assumed high enough for an anomaly to be detected.
  • FIG. 6b shows, by two curves, the function f E ff, t and the adapted function fEff, t + At as a function of the erasure instruction which, for purely illustrative purposes, can take here one of the values 0 and 1 and have the shape of a slot. These functions determine an expected behavior of the component of the power P relative to the erasure instruction, at times t and t + At respectively.
  • the underconsumption of the first consumer compensates for the overconsumption of the second consumer so that no anomaly can be detected by a measurement signal breaking analysis.
  • the method according to the present invention allows a component analysis of the measurement signal and, as illustrated in FIGS. 6a and 6b, a substantially zero variation of the value of the measurement signal between two observations may nevertheless lead to the justified detection of an anomaly.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

L'invention concerne le domaine des techniques de détection d'une anomalie dans un signal de mesure issu d'un nœud observé Y d'un réseau. Le réseau peut plus particulièrement comprendre une structure arborescente comprenant, outre le nœud observé Y, une pluralité de nœuds non-observés Z1, Z2,... Zp connecté au nœud observé. L'anomalie à détecter est plus particulièrement susceptible de survenir au niveau des nœuds non-observés. L'invention consiste à exprimer le signal de mesure comme une somme de fonctions adaptatives de variables explicatives, chaque fonction déterminant un comportement attendu du signal de mesure en fonction d'une des variables explicatives et pouvant être adaptée aux observations successives du signal de mesure, pour détecter toute anomalie comme une adaptation d'au moins une des fonctions allant au-delà d'une limite acceptable.

Description

Procédé de détection d'une anomalie dans un signal de mesure
L'invention concerne le domaine des techniques de détection d'anomalies dans un signal de mesure.
L'invention concerne plus particulièrement le domaine des techniques de détection d'anomalies dans un signal de mesure issu d'un nœud observé Y d'un réseau.
Le réseau concerné peut comprendre une structure arborescente, telle qu'illustrée à titre exemplatif sur la figure 1 . Outre le nœud observé Y, cette structure arborescente comprend une pluralité de nœuds non-observés Zi, Z2, ... Zp. Chaque nœud non-observé est connecté au nœud observé Y ; un nœud non-observé pourra par la suite être appelé « particule » du nœud observé. Le signal de mesure y issu du nœud observé Y est supposé être une somme de sous-signaux zi, z2, zP qui seraient issus des particules Zi, Z2, Zp du nœud observé Y, si ces particules étaient observées. En ce sens, le nœud observé est considéré être, comme illustré sur la figure 1 , situé en amont de la structure arborescente par rapport à ses particules. Dans ce contexte, il est avantageux de savoir détecter une anomalie susceptible de survenir au niveau des particules Zi, Z2, Zp d'un nœud observé Y de l'arborescence, autrement dit à un niveau aval non-observé de l'arborescence par rapport au nœud observé Y.
Bien que la solution présentement proposée ne soit pas limitée à une application au réseau de distribution d'énergie électrique, mais peut au contraire être étendue à tout réseau ayant une structure arborescente telle qu'illustrée sur la figure 1 , comme des réseaux de distribution de gaz ou d'eau par exemple, les problèmes liés à la détection d'anomalies dans ce type de structure sont explicités ci-dessous dans le contexte particulièrement illustratif des réseaux de distribution d'énergie électrique.
Des techniques de détection d'anomalies d'un réseau électrique qui reposent sur des principes de détection d'anomalies directement sur le signal de mesure ont d'ores et déjà été développées.
Parmi ces techniques, de nombreux algorithmes de détections d'anomalies prenant la forme de détection de ruptures du signal de mesure ont été proposés dans la littérature, que ce soit en traitement du signal, en traitement d'images ou en statistiques, et éventuellement en application dans les réseaux électriques.
Par exemple, des méthodes de détection d'anomalies "simples" consistent à mesurer l'écart entre une valeur observée du signal de mesure et la valeur nominale que le signal de mesure devrait avoir (EP 0049235 A1 : « Procédé de détection de perturbations d'une tension électrique alternative provoquant la commutation de l'utilisation vers une autre source de courant »). Par un autre exemple, des méthodes de détection d'anomalies sur des signaux de mesure compressés consistent essentiellement en l'utilisation de méthodes statistiques (EP 1 122646 B1 : « Procédé de détection d'anomalies dans un signal »).
Ces solutions présentent certains inconvénients. Par exemple, dès lors qu'est détectée une rupture du signal de mesure lui-même, deux anomalies se compensant l'une l'autre pour une variation sensiblement nulle du signal de mesure ne peuvent être détectées. En outre, la mise en œuvre de ces solutions peut nécessiter l'installation sur le réseau de dispositifs électrotechniques dédiés.
Par ailleurs, de nouveaux aléas viennent perturber les flux de distribution d'énergie électrique (essor de production d'énergies intermittentes, « effacement » de la consommation, évolution des comportements de consommation sous l'effet de dynamique commerciale et/ou environnementale, etc.). Il s'impose aux acteurs du réseau de distribution d'énergie électrique de savoir détecter ces aléas subis, de les localiser et le cas échéant de réagir suffisamment vite à leur survenance.
En ce sens, de nouveaux outils de mesures sont déployés, tels que les compteurs communicants (Linky® sur le réseau de distribution d'énergie électrique en France) dans le cadre des « Smart Grids » (pour réseau électrique de distribution « intelligent »), qui apportent de plus en plus d'informations à analyser et offrent la possibilité de réaliser des analyses plus complexes. En particulier, couplés à des techniques d'estimations statistiques avancées, ils permettent d'estimer des composantes de consommations individuelles (consommation liée au chauffage, « effacement » de consommation, etc.) alors qu'il est souvent impossible de réaliser des mesures directes de ces composantes.
Dans ce contexte, la présente invention vise à proposer un procédé fiable et robuste de détection d'une anomalie dans un signal de mesure issu d'un nœud observé Y d'une structure arborescente, l'anomalie étant susceptible de survenir à un niveau non-observé de la structure arborescente.
A cette fin, il est proposé un procédé de détection d'une anomalie dans un signal de mesure issu d'un nœud observé Y d'un réseau, le réseau comprenant en outre une pluralité de nœuds non-observés et le signal de mesure étant une somme de sous-signaux issus des nœuds non-observés du réseau, le procédé étant essentiellement tel qu'il comprend :
- exprimer une valeur yt du signal de mesure à un instant t comme une somme de valeurs de fonctions (fi ,t, fj,t,
Figure imgf000005_0001
chaque fonction fjit dépendant d'une variable Xj parmi un ensemble de variables (Xi, Xj,
XN) et chaque valeur de fonction fjit étant prise à une valeur Xj donnée de la variable Xj correspondante, chaque fonction fjit déterminant un comportement attendu à l'instant t du signal de mesure,
- à un instant t+Δί, observer la valeur yt+At du signal de mesure,
- adapter au moins une fonction fjit à la valeur yt+At observée du signal de mesure pour obtenir une fonction adaptée ί +Δΐ, chaque fonction adaptée fj,t+At étant susceptible de déterminer un comportement attendu à l'instant t+Δί du signal de mesure,
- à partir de chaque fonction adaptée fj, t+At obtenue, calculer une valeur d(fj,t+At,fj,t) de variation de la fonction fjit, cette valeur d(fj,t+At,fj,t) quantifiant une variation du comportement attendu du signal de mesure entre les instants t et t+Δί,
- comparer la valeur d(fj,t+At,fj,t) de variation de la fonction fjit à une valeur seuil Mj prédéterminée correspondant à une limite de variation de la fonction fjit entre les instants t et t+Δί, et
- si la valeur d(fj,t+At,fj,t) de variation de la fonction fjit est supérieure à ladite valeur seuil Mj, détecter l'anomalie comme une variation du comportement attendu du signal de mesure entre les instants t et t+Δί supérieure à une limite acceptable de variation dudit comportement.
Le procédé permet ainsi avantageusement de détecter une anomalie comme un changement de comportement jugé inacceptable d'au moins une composante du signal de mesure, chaque composante ί étant estimée en fonction d'une variable Xj exogène au signal de mesure, pour une détection d'anomalies plus fiable et plus robuste qu'une détection d'anomalies sur le signal de mesure lui-même.
Selon une particularité, le réseau est une structure arborescente, l'anomalie est susceptible de survenir à un niveau non-observé de la structure arborescente, et l'ensemble de variables (Xi, Xj, XN) comprend au moins une variable relative à un état du niveau non-observé de la structure arborescente.
Le procédé permet ainsi avantageusement de détecter une anomalie de façon corrélée à une architecture particulière du réseau.
Selon une particularité, ladite au moins une fonction fjit est en outre adaptée à une valeur Xj de la variable Xj à l'instant t+Δί.
Le procédé permet ainsi avantageusement de prendre en compte une éventuelle variation des liens du signal aux différentes variables entre deux observations du signal de mesure.
Selon une autre particularité, le procédé comprend en outre : remplacer, dans l'expression de la valeur yt du signal de mesure y à un instant t, chaque fonction fjit ayant été adaptée par la fonction adaptée ί +Δΐ correspondante, en substituant l'indice temporel t+Δί par l'indice temporel t.
Le procédé permet ainsi avantageusement de mettre à profit les adaptations antérieures du comportement de chaque composante du signal de mesure pour une détection ultérieure. Selon une autre particularité, au moins une fonction fjit est apprise, selon un modèle d'apprentissage, à partir de valeurs du signal de mesure observées antérieurement à l'instant t.
Le procédé permet ainsi avantageusement que chaque composante du signal de mesure à l'instant t soit significative d'une évolution antérieure du signal de mesure.
Selon une variante de la particularité précédente, adapter ladite au moins une fonction fjit comprend implémenter le modèle d'apprentissage.
Le procédé permet ainsi avantageusement d'intégrer l'adaptation de chaque composante du signal de mesure à l'apprentissage de l'évolution du signal de mesure.
Selon une autre particularité, pendant l'intervalle de temps Δί, un nombre d'observations successives du signal de mesure est réalisé qui est fixé indépendamment pour chaque fonction fjit en fonction d'une variabilité temporelle de la variable Xj correspondante par rapport à l'intervalle de temps Δί.
Le procédé permet ainsi avantageusement de ne réaliser l'adaptation d'une composante du signal de mesure que lorsque celle-ci est susceptible d'être significative, notamment pour optimiser les ressources informatiques et la capacité de calculs.
Selon une autre particularité,
- le niveau non-observé de la structure arborescente comprend une pluralité de nœuds non-observés (Zi, Z2, Zp) connectés au nœud observé Y pour former au moins une partie de la structure arborescente,
- le signal de mesure correspond à une somme de sous-signaux (∑i, z2, zp) issus des nœuds non-observés (Zi, Z2, Zp), et
- au moins une variable Xj est relative à un état d'au moins un des nœuds non-observés (Zi, Z2, Zp) de la structure arborescente.
Le procédé permet ainsi avantageusement de corréler l'anomalie détectée à au moins un nœud non-observé de la structure arborescente.
Selon une autre particularité :
- la structure arborescente est un réseau de distribution d'énergie électrique,
- la valeur yt du signal de mesure est choisie parmi une tension efficace, une intensité efficace, une énergie active soutirée, et une puissance active ou réactive, instantanée ou moyenne, par phase, totale triphasée ou par quadrant, et
- les variables Xj sont choisies parmi au moins un profil de consommation d'énergie électrique par consommateur ou groupe de consommateurs, des données relatives à un consommateur ou à un groupe de consommateurs, des données historiques de consommation et/ou de production d'énergie électrique par consommateur ou groupe de consommateurs, des données météorologiques et des données calendaires.
Le procédé est ainsi avantageusement appliqué à un réseau de distribution d'énergie électrique. Selon une variante, à partir d'un ensemble de valeurs {Xj} de la variable Xj à des instants antérieurs à l'instant t, de la valeur Xj de la variable Xj à l'instant t et de la valeur Xj de la variable Xj à l'instant t+At, la valeur d(fj,t+At,fj,t) de variation de la fonction fjit est calculée comme une somme, sur un ensemble ln comprenant lesdits instants antérieurs à l'instant t, l'instant t et l'instant t+At, de puissances paires de différences entre la valeur de la fonction fjit et la valeur de la fonction adaptée fj,t+At correspondante, chaque différence étant prise à la valeur Xj de la variable explicative Xj correspondante dans la somme.
Le procédé permet ainsi avantageusement de quantifier le changement de comportement de chaque composante du signal de mesure sur une pluralité d'observations récentes de la variable Xj correspondante, pour une quantification plus juste.
Selon une autre variante, à partir d'un ensemble de valeurs {Xj} de la variable Xj à des instants antérieurs à l'instant t, de la valeur Xj de la variable Xj à l'instant t et de la valeur Xj de la variable Xj à l'instant t+At, et à partir d'une fonction de pondération Wk de la variable Xj définie sur le support de Xj, Wk étant une fonction de type noyau Gaussien, la valeur d(fj,t+At,fj,t) de variation de la fonction fjit est calculée comme une somme, sur l'ensemble des valeurs {xj}, de puissances paires de différences entre la valeur de la fonction fjit et la valeur de la fonction adaptée fj,t+At correspondante, chaque différence étant prise à une valeur Xj de la variable Xj correspondante dans l'ensemble et étant pondérée par la valeur de la fonction de pondération Wk en cette valeur Xj de la variable Xj.
Le procédé permet ainsi avantageusement de quantifier le changement de comportement de chaque composante du signal de mesure sur une pluralité de valeurs de la variable Xj correspondante en donnant une prépondérance aux valeurs proches d'une des dernières valeurs observées de la variable Xj, pour une quantification plus juste.
La présente invention vise également un serveur informatique pour la mise en œuvre du procédé précédemment décrit, le serveur comportant un processeur propre à exécuter des instructions, une interface d'entrée pour l'obtention de données de mesures issues d'un dispositif de mesure, une interface d'échange de données avec une base de données et une interface de sortie pour la visualisation de données de détection sur un dispositif de visualisation.
La présente invention vise en outre un produit programme d'ordinateur comportant des instructions pour la mise en œuvre du procédé précédemment décrit, lorsque ce programme est exécuté par un processeur.
Ce programme peut utiliser un langage quelconque de programmation (par exemple, un langage objet ou autre), et être sous la forme d'un code source interprétable, d'un code partiellement compilé ou d'un code totalement compilé.
La figure 2, décrite en détails ci-après, peut former l'organigramme de l'algorithme général d'un tel produit programme d'ordinateur. Les avantages procurés par le serveur et le produit programme d'ordinateur, tels que succinctement exposés ci-dessus, sont au moins identiques à ceux mentionnés plus haut en liaison avec le procédé selon le premier aspect de l'invention.
D'autres caractéristiques et avantages de l'invention ressortiront clairement de la description qui en est faite ci-après, à titre indicatif et nullement limitatif, en référence aux dessins annexés, dans lesquels :
- la figure 1 représente schématiquement une partie au moins d'une structure arborescente dans laquelle une anomalie est susceptible de survenir,
- la figure 2 représente un organigramme du procédé de l'invention,
- la figure 3 est un graphique sur lequel est représenté une fonction fjit et une fonction adaptée fj,t+At à une valeur yt+At du signal de mesure observée à l'instant t+Δί,
- la figure 4 représente le graphique de la figure 3 sur lequel est illustré un mode de quantification du changement de comportement du signal de mesure selon une variante du procédé de l'invention,
- la figure 5 représente le graphique de la figure 3 sur lequel est illustré un mode de quantification du changement de comportement du signal de mesure selon une autre variante du procédé de l'invention,
- les figures 6a et 6b sont deux graphiques sur chacun desquels sont représentées une fonction fjit l'instant t et une fonction fjit+At adaptée à une valeur yt+At du signal de mesure observée à l'instant t+Δί pour respectivement deux variables Xj différentes, la température (FIG. 6a) et l'effacement (FIG. 6b), et
- la figure 7 représente une architecture matérielle dans laquelle peut être mis en œuvre le procédé selon l'invention.
L'invention est décrite ci-après dans son application aux réseaux de distribution d'énergie électrique à des consommateurs. Elle n'est pas limitée à une telle application et peut par exemple être appliquée aux réseaux de distribution d'eau ou de gaz, ou à d'autres types de réseau tels que les réseaux sociaux.
Dans le contexte de la distribution d'énergie électrique, la structure arborescente, dont au moins une partie est illustrée sur la figure 1 , comprend un réseau de distribution d'énergie électrique. Un nœud observé Y de la structure arborescente comprend par exemple un poste de transformation HTB/HTA (poste source). En outre, un niveau non-observé de la structure arborescente comprend par exemple une pluralité de nœuds non-observés Zi, Z2, Zp, tels que des compteurs électriques de particuliers, d'entreprises ou de collectivités, ou des équipements représentatifs de petits agrégats de consommation comme un poste source HTA/BT. Chaque nœud non-observé est directement ou indirectement connecté au nœud observé Y pour former au moins une partie de la structure arborescente.
Le procédé vise notamment à permettre de détecter une anomalie à partir d'un signal de mesure, noté y, issu du nœud observé Y du réseau de distribution d'énergie électrique.
L'anomalie est susceptible de survenir au niveau non-observé du réseau, autrement dit au niveau des particules du nœud observé Y.
Un signal de mesure est généralement défini comme un signal envoyé dans un système dans le but de vérifier son bon fonctionnement. Il peut s'agir plus particulièrement ici d'un signal significatif de l'énergie électrique transmise, à travers le nœud observé Y, aux particules de ce nœud.
Dans le contexte de la distribution d'énergie électrique, le signal de mesure y, observé en temps réel, peut être choisi parmi :
Puissance active instantanée par phase [en W],
Puissance active instantanée totale triphasée [en W],
Puissance réactive instantanée par phase [en « var », pour « volt- ampère, réactif »],
Puissance réactive instantanée totale triphasée [en var],
Puissance réactive instantanée par quadrant (Q1 , Q2, Q3 et Q4) [en var],
Puissance apparente instantanée par phase [en VA],
Puissance apparente instantanée totale triphasée [en VA],
Puissance active moyenne par phase [en W],
Puissance active moyenne totale triphasée [en W],
Puissance réactive moyenne par phase [en var], Puissance réactive moyenne totale triphasée [en var],
Puissance réactive moyenne par quadrant (Q1 , Q2, Q3 et Q4) [en var],
Puissance apparente moyenne par phase [en VA],
Puissance apparente moyenne totale triphasée [en VA],
Energie active soutirée (index 1 à N) [en Wh],
Facteur de puissance [sans unité],
Tensions efficaces (phases 1 , 2 et 3) [en V], et
Intensités efficaces (phases 1 , 2 et 3) [en A].
La durée d'intégration des puissances instantanées peut prendre différentes valeurs. Par exemple, ces puissances peuvent être intégrées sur 1 , 2, 5, 10, 15, 30 et 60 secondes. La durée d'intégration des puissances moyennes peut également prendre différentes valeurs. Ces valeurs peuvent par exemple être de 1 , 5, 10, 30 ou de 60 minutes.
Plus généralement, la périodicité des observations de la valeur du signal de mesure peut augmenter pour améliorer la précision des calculs décrits ci-dessous ou au contraire être réduite pour accélérer ces calculs. Cette périodicité peut être fixe ou variable. Si elle est fixe, elle peut par exemple être mensuelle, hebdomadaire, journalière, horaire ou encore quasi- instantanée (minutes, secondes, millisecondes). Par exemple, une périodicité journalière pour des consommateurs résidentiels et une périodicité horaire pour des consommateurs industriels est classique.
Tel qu'illustré sur la figure 1 , le signal de mesure y peut correspondre à une somme de sous-signaux∑i, ...,∑,, zP issus des nœuds non-observés Zi, Zi, ZP du réseau.
Le procédé selon l'invention est destiné à être mis en œuvre dans une architecture matérielle telle qu'illustrée sur la figure 7. L'architecture comprend :
- un serveur informatique 1 ,
- un dispositif de mesure 2,
- une base de données 3, et
- un dispositif de visualisation 4. Le serveur 1 comprend un processeur 10, une interface d'entrée 1 1 pour l'obtention de données de mesures issues du dispositif de mesure 2, une interface d'échange de données 12 avec la base de données 3 et une interface de sortie 13 pour la visualisation de données de détection sur le dispositif de visualisation 4. Le processeur 10 est au moins apte à implémenter toute étape de calcul du procédé selon l'invention.
Le dispositif de mesure 2 permet d'observer le signal de mesure y issu du nœud observé Y en mesurant ses valeurs au cours du temps. Le dispositif de mesure 2 peut comprendre un capteur ou un ensemble de capteurs, chacun associé fonctionnellement, voire structurellement, à un nœud observé de la structure arborescente.
Le dispositif de mesure 2 peut en outre comprendre une ou plusieurs stations météorologiques réparties dans une zone géographique sur laquelle est déployée la structure arborescente.
Le dispositif de mesure 2 peut communiquer avec la base de données
3 de sorte que les valeurs qu'il mesure puissent y être stockées. Le dispositif de mesure 2 peut en outre communiquer les données de mesure directement au serveur 1 via l'interface d'entrée 1 1 de ce dernier.
La base de données 3 est en outre propre à stocker toute information pouvant être utile à l'estimation, voire à la prévision, des valeurs du signal de mesure y. Les informations stockées sur la base de données peuvent comprendre un profil de consommation d'énergie électrique par consommateur ou groupe de consommateurs (type de contrat passé entre le consommateur et le fournisseur d'énergie, tarif en cours, etc.), des données relatives aux consommateurs (type de chauffage, type d'habitation, nombre de personnes dans l'habitation), des données historiques de consommation (relevés de consommation, de facturation) et/ou de production d'énergie électrique (éolienne ou photovoltaïque) par consommateur ou groupe de consommateurs, des données météorologiques (ensoleillement, nébulosité, vent, température, etc.) et/ou des données calendaires (type de jour, heure, dates des vacances scolaires, jours fériés, etc.). La base de données 3 est en outre propre à stocker des données représentatives du réseau de distribution électrique, telles que le nombre de postes de transformation sur le réseau, le nombre de compteurs électriques connectés par poste de transformation, la localisation géographique d'au moins une partie des postes de transformation et des compteurs électriques. La base de données 3 est encore propre à stocker des modèles de prévision et des données simulées ou non sur la base de ces modèles tels que des scénarii d'évolution de température et/ou des scénarii d'évolution de portefeuille clients.
Les données stockées dans la base de données 3 peuvent provenir d'une pluralité de sources de données, tels que l'Internet, des instituts météorologiques, les compteurs dits intelligents, etc. Elles peuvent également être renseignées par les utilisateurs du procédé selon l'invention.
Il existe potentiellement un grand nombre de dispositifs de mesure 2. En revanche, la base de données 3 peut permettre le stockage centralisé des données. La ou les bases de données 3 se situent préférentiellement au plus près du ou des serveurs 1 mettant en œuvre le procédé selon l'invention. Serveurs 1 et bases de données 3 peuvent être couplés deux à deux et répartis sur un territoire donné (régional, départemental, communal, ou autres). Chaque dispositif de mesure 2 peut être associé à un unique couple serveur 1 - base de données 3.
Le dispositif de visualisation 4 permet, aux utilisateurs du procédé de détection mis en œuvre par le serveur 1 , de visualiser les résultats du procédé. A cette fin, il communique avec le serveur via l'interface de sortie 13 de ce dernier. Le dispositif de visualisation 4 peut comprendre une interface graphique et un dispositif d'affichage d'au moins un message d'alerte généré et envoyé par le serveur 1 pour au moins alerter les utilisateurs de la détection d'une anomalie selon le procédé de l'invention. Le message peut être de type texto ou courriel par exemple. Des ordres de gestion de production et/ou de consommation peuvent également être transmis aux utilisateurs via le dispositif de visualisation 4. Le dispositif de visualisation 4 peut en outre être apte à communiquer avec la base de données 3 pour y stocker les messages d'alerte et des informations sur la suite donnée à la détection d'une anomalie, notamment afin de permettre l'analyse et la production de retours d'expérience, éventuellement pour la reconnaissance de schémas de survenance d'anomalies.
La communication entre les différents composants de l'architecture peut être basée sur tout type de protocole et de support physique de communication, tel qu'un réseau de communication WAN (« Wide-Area Network » pour réseau étendu), des passerelles ou concentrateurs intermédiaires ou encore un réseau de communication local NAN (« Neighborhood Area Network » pour réseau de voisinage), une liaison de télécommunication locale ou distante (via des courants porteurs en ligne ou « CPL », ou encore via un réseau de radiocommunication local ou via un réseau cellulaire de téléphonie mobile, ou autres). La communication entre les différents composants de l'architecture peut encore être basée sur toute combinaison des types de protocole et de support physique de communication susmentionnés.
Le procédé de détection illustré sur la figure 2 repose sur l'hypothèse selon laquelle toute valeur yt du signal de mesure y à un instant t peut s'exprimer S10 sous la forme d'une somme de valeurs de fonctions (fi,t, ..., ίμ,
Figure imgf000016_0001
où chaque fonction fjit dépend d'une variable Xj compris dans un ensemble de variables (Xi, Xj, XN) et est considérée à une valeur xjit donnée à l'instant t de la variable Xj et où et est un bruit blanc gaussien.
Chaque variable Xj peut plus particulièrement être spécifique à un consommateur ou à un groupe de consommateurs et/ou à un phénomène ayant un impact sur la consommation énergétique ; chaque variable de ce type peut être appelée 'variable explicative' en ce sens qu'elle explique ou indique un certain fonctionnement ou comportement du signal de mesure, ou plus particulièrement du comportement d'une composante j correspondante du signal de mesure. Chaque variable Xj peut en outre être une variable exogène au signal de mesure, en ce sens qu'elle n'est liée ni à la nature du signal de mesure, ni à ses valeurs, mais est définie en fonction de considérations extérieures à celles relatives au signal de mesure. Classiquement, il s'agit de variables météorologiques (température, nébulosité, rayonnement solaire, vent, etc.), de variables calendaires (type de jour, heure, dates des vacances scolaires, jours fériés, etc.), de variables tarifaires (offre tarifaire souscrite par le consommateur, événements tarifaires comme les effacements, etc.), de variables socio-économiques (type d'habitat, nombre de personnes dans le logement, croissance économique, etc.), d'information sur l'installation électrique du consommateur (production décentralisée, pompe à chaleur, etc.) ou ses usages. Le nombre N de ces variables peut donc être relativement grand (de l'ordre de plusieurs dizaines). Par ailleurs, le nombre de ces variables peut varier en fonction du signal de mesure étudié. Les valeurs de ces variables sont par exemple collectées et stockées dans la base de données 3.
Il apparaît dès lors que l'ensemble de variables (Xi, Xj, XN) peut comprendre au moins une variable relative à un état du niveau non-observé de la structure arborescente ou plus particulièrement une variable relative à un état d'au moins un des nœuds non-observés Zi, ..., Z,, ZP du réseau.
Chaque variable Xj dépend d'une manière qui lui est propre du temps ; une variabilité temporelle peut lui être associée qui dépend effectivement de sa nature. Par exemple, le fait que le consommateur bénéficie ou non d'une pompe à chaleur est pratiquement invariant dans le temps ; en revanche, la température peut évoluer d'heure en heure.
Chaque variable Xj peut être définie sur un domaine fini de valeurs. Ce domaine peut comprendre un ensemble fini de valeurs discrètes ; par exemple, lorsque la variable Xj est spécifique au type de jour, elle peut prendre une valeur différente par jour ou une valeur pour les jours ouvrés et une autre valeur pour les jours fériés. Les valeurs de la variable Xj peuvent également être définies de façon continue sur le domaine de définition de la variable Xj ; par exemple, la température peut être définie sur un domaine allant de -80°C à +80°C et peut prendre n'importe quelle valeur dans ce domaine. Le domaine de définition de chaque variable peut être appris et être lui-même évolutif en fonction des données collectées au cours du temps et stockées dans la base de données 3.
Chaque fonction fjit détermine un comportement attendu à l'instant t du signal de mesure ou plus particulièrement de la composante j de ce signal. Dès lors que ce comportement attendu peut être supposé régulier et évolutif, chaque fonction fjit peut également être supposée régulière et évolutive sur le domaine de définition de la variable Xj dont elle dépend. Chaque fonction fjit peut ainsi être définie comme une fonction adaptative propre à s'adapter notamment à l'observation d'une nouvelle valeur du signal de mesure y.
Le procédé met ces considérations à profit en prévoyant :
- que, à un instant t+Δί, soit observée S20 la valeur yt+At du signal de mesure y, et
- que soit adaptée S30 au moins une fonction fjit à la valeur yt+At observée du signal de mesure, cette adaptation permettant d'obtenir une fonction adaptée notée fj,t+At-
La figure 3 illustre les fonctions fj,t et fjit+At estimées aux instants t et t+Δί suite à l'observation d'une nouvelle valeur du signal de mesure yt+At- On remarque que les valeurs fj,t(Xj) et fj,t+At(Xj) ne sont pas forcément égales suite à l'adaptation ou mise à jour S30.
De la même façon que chaque fonction fjit détermine un comportement attendu du signal de mesure à l'instant t, chaque fonction adaptée fj,t+At est susceptible de déterminer un comportement attendu du signal de mesure à l'instant t+At. Chaque fonction adaptée fj,t+At est plus particulièrement susceptible de mieux représenter le comportement attendu du signal de mesure, puisque cette fonction adaptée est déduite empiriquement de l'observation du signal de mesure, lorsque l'expression S10 de la valeur yt du signal de mesure à l'instant t peut n'être que purement théorique.
Il a été décrit jusqu'à présent une adaptation de la fonction fjit en fonction de la seule valeur yt+At observée du signal de mesure. Toutefois, en fonction de la variabilité temporelle de la variable Xj relativement à l'intervalle de temps Δί, ladite au moins une fonction fjit peut en outre être adaptée à une valeur Xj de la variable Xj à l'instant t+Δί. Le procédé permet ainsi avantageusement de prendre en compte une éventuelle variation des variables Xi , Xj, XN entre deux observations du signal de mesure. Le pendant de cet avantage est que le procédé permet d'éviter d'avoir à récupérer systématiquement la valeur de la variable Xj à chaque adaptation S30, par exemple en imposant d'interroger systématiquement la base de données 3, lorsqu'il est su que cette valeur n'a pas variée pendant l'intervalle de temps Δί.
La variabilité temporelle de la variable Xj peut également avoir un impact sur la question de savoir s'il est pertinent d'adapter la fonction fjit à chaque observation du signal de mesure ou si, au contraire, il est plus pertinent de n'adapter la fonction fjit qu'après un certain nombre d'observations du signal de mesure. Il est donc envisagé que, pendant l'intervalle de temps Δί, un nombre d'observations successives du signal de mesure puisse être réalisé qui soit fixé indépendamment pour chaque fonction fjit en fonction d'une variabilité temporelle de la variable Xj correspondante par rapport à l'intervalle de temps Δί. Le procédé permet ainsi avantageusement de ne réaliser l'adaptation d'une composante du signal de mesure que lorsque celle-ci est susceptible d'être significative, pour optimiser les ressources informatiques et la capacité de calculs.
Par ailleurs, il est avantageux d'envisager que l'expression S10 de la valeur yt du signal de mesure à l'instant t puisse ne pas être purement théorique, mais, bien au contraire, qu'au moins une fonction fjit ait été apprise, selon un modèle d'apprentissage déterminé, sur la base de valeurs du signal de mesure observées antérieurement à l'instant t. Le procédé permet ainsi avantageusement qu'au moins une fonction fjit soit significative d'une évolution antérieure du signal de mesure.
Dans ce contexte, et notamment dès lors que le mode de réalisation du procédé illustré par la partie représentée en tirets longs de l'organigramme de la figure 2 est mis en œuvre, il est cohérent que l'adaptation S30 de chaque fonction fjit apprise comprenne l'implémentation du modèle d'apprentissage selon lequel cette fonction fjit a été apprise. Le procédé permet ainsi avantageusement d'intégrer l'adaptation S30 de chaque composante du signal de mesure à l'apprentissage de l'évolution du signal de mesure.
II est à noter que le modèle d'apprentissage peut imposer à la fonction fj,t et à son évolution adaptative des contraintes de régularité sur son domaine de définition et permet dès lors de fixer, pour la fonction fjit concernée, une valeur seuil Mj correspondant à une limite de variation acceptable de la fonction fjit entre les instants t et t+At.
Le procédé prévoit d'utiliser avantageusement chaque fonction adaptée fj,t+At obtenue pour détecter toute anomalie comme une variation du comportement attendu du signal de mesure y, ou plus particulièrement de la composante j du signal de mesure, entre les instants t et t+At qui serait supérieure à une limite acceptable de variation dudit comportement.
Pour ce faire, le procédé enseigne de calculer S40 une valeur d(fj,t+At,fj,t) de variation de la fonction fjit pour quantifier une variation du comportement attendu du signal de mesure y entre les instants t et t+At.
A partir de chaque fonction adaptée fj, t+At obtenue et de la fonction ί dont la fonction adaptée est déduite, la valeur d(fj,t+At,fj,t) de variation de la fonction fjit peut être calculée S40 d'au moins trois façons différentes qui sont présentées ci-dessous.
Tout d'abord, la valeur d(fj,t+At,fj,t) de variation de la fonction fjit peut être calculée selon une norme euclidienne généralisée de la différence entre la fonction fjit et la fonction adaptée fj,t+At- La valeur d(fj,t+At,fj,t) de variation peut alors être plus particulièrement exprimée de la façon suivante : d(/ ' y.t) = II ¾) - /y.t½)||p
où ||x ||p = (kilp + |x2 lp + ·" +
Figure imgf000021_0001
)1 p avec p > 1 et x = (x1, x2, - , xn de AT71.
Les deuxième et troisième façons de calculer la valeur d(fj,t+At,fj,t) de variation de la fonction fjit considèrent des normes qui dépendent de la répartition des observations du signal de mesure et de la robustesse des estimations des fonctions fj,t et fjit+At-
Selon une première variante, la valeur d(fj,t+At,fj,t) de variation de la fonction fjit peut être calculée de la façon illustrée sur la figure 4.
En considérant un ensemble de valeurs {Xj} de la variable Xj à des instants antérieurs à l'instant t, la valeur Xj de la variable Xj à l'instant t et la valeur Xj de la variable Xj à l'instant t+At,
la valeur d(fj,t+At,fj,t) de variation de la fonction fjit est calculée comme une somme,
sur un ensemble ln comprenant les instants antérieurs à l'instant t+Δί et l'instant t+At,
de puissances paires de différences entre la valeur de la fonction fj,t et la valeur de la fonction adaptée fj,t+At,
chaque différence étant prise à la valeur xj de la variable Xj correspondante dans la somme.
La valeur d(fj,t+At,fj,t) de variation peut alors être plus particulièrement exprimée de la façon suivante : d{fj,t+At> fj,t) = ^ (fj,t+At{xj,i) — fj,t{xj,i))
i≡In
où In = (t - nàt, t - ( - l)At, ... , t + At) avec n≥ l. Dans l'exemple illustré sur la figure 4, il apparaît que la différence fj,t+At(.x j,t-3At) - fj,t(.x j,t-3At) est nulle, les deux courbes étant confondues en l'abscisse x- t_3At, de sorte que seules les valeurs des courbes aux instants ultérieurs à l'instant t-3At influent réellement sur la valeur d(fj,t+At,fj,t) de variation. Le procédé permet ainsi avantageusement de quantifier le changement de comportement d'au moins une composante j du signal de mesure sur une pluralité d'observations récentes de la variable Xj correspondante, pour une quantification plus juste. Selon une seconde variante, la valeur d(fj,t+At,fj,t) de variation de la fonction fj.t peut être calculée de la façon illustrée sur la figure 5.
En considérant un ensemble de valeurs {Xj} de la variable Xj à des instants antérieurs à l'instant t, la valeur Xj de la variable Xj à l'instant t et la valeur Xj de la variable Xj à l'instant t+ Δί, et
à partir d'une fonction de pondération Wk de la variable Xj définie sur le support de Xj, Wk étant une fonction de type noyau Gaussien,
la valeur d(fj,t+At,fj,t) de variation de la fonction fjit est calculée comme une somme,
sur l'ensemble des valeurs {xj},
de puissances paires de différences entre la valeur de la fonction fj,t et la valeur de la fonction adaptée fj,t+At correspondante,
chaque différence étant prise à une valeur Xj de la variable Xj correspondante dans l'ensemble et étant pondérée par la valeur de la fonction de pondération Wk en cette valeur Xj de la variable Xj.
La valeur d(fj,t+At,fj,t) de variation peut alors être plus particulièrement exprimée de la façon suivante : d {fj,t+At, fj,t) = Wk (xj) (fj,t+At (Xj) - fj,t (Xj)) où {xj} est l'ensemble des valeurs de la variable Xj. Le procédé permet ainsi avantageusement de quantifier le changement de comportement d'au moins une composante j du signal de mesure y sur une pluralité de valeurs {xj} de la variable Xj correspondante en donnant une prépondérance aux valeurs proches d'une des dernières valeurs collectées de la variable Xj, pour une quantification plus juste. Il est à noter qu'une fonction Wk de type noyau Gaussien implique que la fonction Wk est définie en tous les points où la variable Xj est définie, et que l'intégrale de Wk sur son support de définition est égale à 1 . La « fenêtre » k définie, en quelque sorte, la largeur de la Gaussienne dans le cadre d'un noyau Gaussien. Les points éloignés du point Xj sur lequel la fonction Wk est centrée auront par conséquent un poids très faible sur la valeur d(fj,t+At,fj,t) de variation.
Une fois calculé S40, la valeur d(fj,t+At,fj,t) de variation est, selon le procédé, comparée S50 à une valeur seuil Mj préférentiellement définie indépendamment pour chaque fonction fjit.
Lorsqu'il existe une composante j du signal de mesure pour laquelle la valeur d(fj,t+At,fj,t) de variation de la fonction fjit est supérieure à ladite valeur seuil Mj,
3 j E l, ... , 7V tel que d(fJit+At, fJit)≥ M} le procédé comprend la détection S60 de l'anomalie, celle-ci correspondant bien alors à une variation du comportement attendu du signal de mesure y entre les instants t et t+At supérieure à une limite acceptable de variation dudit comportement.
Dans un mode de réalisation du procédé illustré par la partie représentée en tirets courts de l'organigramme de la figure 2, le procédé est bouclé en temps par substitution de l'indice temporel t+At par l'indice temporel t.
Dans un mode de réalisation alternatif du procédé illustré par la partie représentée en tirets longs-courts de l'organigramme de la figure 2, le fait que chaque fonction adaptée fj,t+At soit susceptible de représenter plus justement le comportement attendu du signal de mesure que ne le permet la fonction ί dont elle a été déduite est avantageusement exploité. Pour ce faire, le procédé envisage que chaque fonction adaptée fj,t+At vienne remplacer S100, dans l'expression S10 de la valeur yt du signal de mesure y à l'instant t, la fonction fj,t dont elle a été déduite, le bouclage du procédé étant réalisé par substitution de l'indice temporel t+Δί par l'indice temporel t. Dans l'exemple illustré par la partie représentée en tirets longs-courts de l'organigramme de la figure 2, il est plus particulièrement supposé que chaque fonction fjit a été adaptée S30 et remplacée S100. Le procédé permet ainsi avantageusement de mettre à profit les adaptations antérieures du comportement de chaque composante j du signal de mesure pour une détection ultérieure.
Pour illustrer l'apport du procédé selon l'invention par rapport aux procédés de détection de rupture du signal de mesure lui-même, considérons un cas observable dans lequel deux anomalies se compensent l'une l'autre pour résulter en une variation sensiblement nulle du signal observé. Considérons également les figures 6a et 6b qui illustrent comment réagit, dans ce cas, le procédé selon l'invention pour un signal de mesure correspondant par exemple à la puissance active instantanée totale triphasée [en kW], notée P.
A titre d'exemple, le cas considéré peut être observé, par exemple du fait d'une baisse de température, lorsque :
- un premier consommateur thermosensible, son habitation étant par exemple équipée de chauffage électrique, aurait dû consommer une quantité significative d'énergie électrique, mais n'en a rien fait du fait d'une défaillance du système de chauffage, et
- un deuxième consommateur n'a pas su respecter une consigne d'effacement Eff, selon laquelle il s'engageait à ne pas dépasser un niveau maximal de consommation, et a effectivement consommé plus d'énergie électrique qu'il ne s'était engagé à le faire,
le signal de mesure diminuant sensiblement d'autant du fait de la sous- consommation du premier consommateur qu'il n'augmente du fait de la surconsommation du deuxième consommateur, de sorte que la valeur Pt de la puissance P à l'instant t est sensiblement égale à la valeur Pt+At de la puissance P à l'instant t+At.
Sur la figure 6a sont représentées, par deux courbes, la fonction fT°,t et la fonction adaptée fr,t+At en fonction de la température T°, chacune de ces fonctions déterminant un comportement attendu de la composante en température de la puissance P, aux instants t et t+At respectivement.
A l'instant t, une température T°(t) est relevée à laquelle correspond une valeur fT°(t) de la fonction fT°,t- A l'instant t+At, une nouvelle température T°(t+At) est relevée à laquelle correspond une valeur fT°(t+At) de la fonction fr,t+At- Ces deux valeurs peuvent être comme illustrées sur la figure 6a bien différentes entre elles ; dès lors, la valeur d(fT°,t+At,fr,t) de variation de la fonction fT°,t pour s'adapter à la valeur Pt+At de la puissance P à l'instant t+At peut être supposée suffisamment élevée pour qu'une anomalie soit détectée.
Sur la figure 6b sont représentées, par deux courbes, la fonction fEff,t et la fonction adaptée fEff,t+At en fonction de la consigne d'effacement qui, à titre purement illustratif, peut prendre ici une des valeurs 0 et 1 et avoir la forme d'un créneau. Ces fonctions déterminent un comportement attendu de la composante de la puissance P relative à la consigne d'effacement, aux instants t et t+At respectivement.
A l'instant t, aucune consigne d'effacement n'était enregistrée, la valeur de la consigne d'effacement est nulle, et la valeur fEff(t) de la fonction fEff,t est conforme à cette valeur relevée de la consigne d'effacement. Selon la fonction fEff,t en créneau, il était prévu une consigne d'effacement non nulle au temps t+At. Toutefois, à l'instant t+At, il s'est avérée que la consigne d'effacement n'a pu être respectée, et la fonction fEff,t a été adaptée à la valeur Pt+At de la puissance P à l'instant t+At ; du fait de cette adaptation, la valeur fEff(t+At) de la fonction ΪΕΑ,Ι+ΔΙ est égale à la valeur fEff(t) de la fonction fEff,t à l'instant t. Dès lors, la valeur d(fEff,t+At,fEff,t) de variation de la fonction fEff,t pour s'adapter à la valeur Pt+At de la puissance P à l'instant t+At peut être supposée suffisamment élevée pour qu'une anomalie soit détectée.
Au niveau du signal de mesure, la sous-consommation du premier consommateur compense la surconsommation du deuxième consommateur de sorte qu'aucune anomalie ne peut être détectée par une analyse de rupture du signal de mesure. Au contraire, le procédé selon la présente invention permet une analyse par composante j du signal de mesure et, comme illustré sur les figures 6a et 6b, une variation sensiblement nulle de la valeur du signal de mesure entre deux observations peut néanmoins conduire à la détection justifiée d'une anomalie.

Claims

REVENDICATIONS
1 . Procédé de détection d'une anomalie dans un signal de mesure (y) issu d'un nœud observé Y d'un réseau, le réseau comprenant en outre une pluralité de nœuds non-observés (Zi, Z2, ... Zp) et le signal de mesure (y) est une somme de sous-signaux (∑i, z2, zP) issus des nœuds non-observés du réseau, le procédé comprenant :
- exprimer (S10) une valeur yt du signal de mesure (y) à un instant t comme une somme de valeurs de fonctions (fi ,t, fj,t,
Figure imgf000027_0001
chaque fonction fjit dépendant d'une variable Xj parmi un ensemble de variables (Xi, Xj, XN) et chaque valeur de fonction ί étant prise à une valeur Xj donnée de la variable Xj correspondante, chaque fonction fjit déterminant un comportement attendu à l'instant t du signal de mesure (y),
- à un instant t+At, observer (S20) la valeur yt+At du signal de mesure (y), - adapter (S30) au moins une fonction fjit à la valeur yt+At observée du signal de mesure pour obtenir une fonction adaptée ί +Δΐ, chaque fonction adaptée fj,t+At étant susceptible de déterminer un comportement attendu à l'instant t+At du signal de mesure (y),
- à partir de chaque fonction adaptée fj,t+At obtenue, calculer (S40) une valeur d(fj,t+At,fj,t) de variation de la fonction ί , cette valeur d(fj,t+At,fj,t) quantifiant une variation du comportement attendu du signal de mesure (y) entre les instants t et t+At,
- comparer (S50) la valeur d(fj,t+At,fj,t) de variation de la fonction ί à une valeur seuil Mj prédéterminée correspondant à une limite de variation de la fonction ίμ entre les instants t et t+At, et
- si la valeur d(fj,t+At,fj,t) de variation de la fonction ίμ est supérieure à ladite valeur seuil Mj, détecter (S60) l'anomalie comme une variation du comportement attendu du signal de mesure (y) entre les instants t et t+Δί supérieure à une limite acceptable de variation dudit comportement.
2. Procédé selon la revendication 1 , dans lequel le réseau est une structure arborescente, l'anomalie est susceptible de survenir à un niveau non- observé de la structure arborescente, et l'ensemble de variables (Xi , Xj, XN) comprend au moins une variable relative à un état du niveau non-observé de la structure arborescente.
3. Procédé selon l'une des revendications 1 à 2, dans lequel ladite au moins une fonction fjit est en outre adaptée à une valeur Xj de la variable Xj à l'instant t+Δί
4. Procédé selon l'une des revendications 1 à 3, comprenant remplacer (S100), dans l'expression (S10) de la valeur yt du signal de mesure y à un instant t, chaque fonction fjit ayant été adaptée par la fonction adaptée fj, t+At correspondante, en substituant l'indice temporel t+Δί par l'indice temporel t.
5. Procédé selon l'une des revendications 1 à 4, dans lequel au moins une fonction fjit est apprise, selon un modèle d'apprentissage, à partir de valeurs du signal de mesure (y) observées antérieurement à l'instant t.
6. Procédé selon la revendication 5, dans lequel adapter (S30) ladite au moins une fonction fjit comprend implémenter le modèle d'apprentissage.
7. Procédé selon l'une des revendications 1 à 6, dans lequel, pendant l'intervalle de temps Δί, un nombre d'observations successives du signal de mesure (y) est réalisé qui est fixé indépendamment pour chaque fonction fjit en fonction d'une variabilité temporelle de la variable Xj correspondante par rapport à l'intervalle de temps Δί.
8. Procédé selon l'une des revendications 1 à 7, dans lequel - le niveau non-observé de la structure arborescente comprend une pluralité de nœuds non-observés (Zi, Z2, Zp) connectés au nœud observé Y pour former au moins une partie de la structure arborescente, - le signal de mesure (y) correspond à une somme de sous-signaux (∑i, z2, zp) issus des nœuds non-observés (Zi, Z2, Zp), et
- au moins une variable Xj est relative à un état d'au moins un des nœuds non-observés (Zi, Z2, Zp) de la structure arborescente.
9. Procédé selon l'une des revendications 1 à 8, dans lequel : la structure arborescente est un réseau de distribution d'énergie électrique, la valeur yt du signal de mesure (y) est choisie parmi une tension efficace, une intensité efficace, une énergie active soutirée, et une puissance active ou réactive, instantanée ou moyenne, par phase, totale triphasée ou par quadrant, et les variables Xj sont choisies parmi au moins un profil de consommation d'énergie électrique par consommateur ou groupe de consommateurs, des données relatives à un consommateur ou à un groupe de consommateurs, des données historiques de consommation et/ou de production d'énergie électrique par consommateur ou groupe de consommateurs, des données météorologiques et des données calendaires.
10. Procédé selon l'une des revendications 1 à 9, dans lequel : à partir d'un ensemble de valeurs {Xj} de la variable Xj à des instants antérieurs à l'instant t, de la valeur Xj de la variable Xj à l'instant t et de la valeur Xj de la variable Xj à l'instant t+Δί, la valeur d(fj,t+At,fj,t) de variation de la fonction fjit est calculée comme une somme, sur un ensemble ln comprenant lesdits instants antérieurs à l'instant t, l'instant t et l'instant t+At, de puissances paires de différences entre la valeur de la fonction fjit et la valeur de la fonction adaptée fj,t+At correspondante, chaque différence étant prise à la valeur Xj de la variable explicative Xj correspondante dans la somme.
1 1 . Procédé selon l'une des revendications 1 à 9, dans lequel : à partir d'un ensemble de valeurs {Xj} de la variable Xj à des instants antérieurs à l'instant t, de la valeur Xj de la variable Xj à l'instant t et de la valeur Xj de la variable Xj à l'instant t+Δί, et à partir d'une fonction de pondération Wk de la variable Xj définie sur le support de Xj, Wk étant une fonction de type noyau Gaussien, la valeur d(fj,t+At,fj,t) de variation de la fonction fjit est calculée comme une somme, sur l'ensemble des valeurs {xj}, de puissances paires de différences entre la valeur de la fonction fjit et la valeur de la fonction adaptée fj,t+At correspondante, chaque différence étant prise à une valeur Xj de la variable Xj correspondante dans l'ensemble et étant pondérée par la valeur de la fonction de pondération Wk en cette valeur Xj de la variable Xj.
12. Serveur informatique (1 ) pour la mise en œuvre du procédé de détection selon l'une des revendications 1 à 1 1 , le serveur comportant un processeur (10), une interface d'entrée (1 1 ) pour l'obtention de données de mesures issues d'un dispositif de mesure (2), une interface d'échange de données (12) avec une base de données (3) et une interface de sortie (13) pour la visualisation de données de détection sur un dispositif de visualisation (4).
13. Produit programme d'ordinateur comportant des instructions pour la mise en œuvre du procédé selon l'une des revendications 1 à 1 1 , lorsque ce programme est exécuté par un processeur (10).
PCT/FR2014/053405 2013-12-20 2014-12-17 Procédé de détection d'une anomalie dans un signal de mesure WO2015092286A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1363359A FR3015717B1 (fr) 2013-12-20 2013-12-20 Procede de detection d'une anomalie dans un signal de mesure
FR1363359 2013-12-20

Publications (1)

Publication Number Publication Date
WO2015092286A1 true WO2015092286A1 (fr) 2015-06-25

Family

ID=50976701

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2014/053405 WO2015092286A1 (fr) 2013-12-20 2014-12-17 Procédé de détection d'une anomalie dans un signal de mesure

Country Status (2)

Country Link
FR (1) FR3015717B1 (fr)
WO (1) WO2015092286A1 (fr)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0049235A1 (fr) 1980-09-25 1982-04-07 CONSTRUCTIONS ELECTRIQUES ET ELECTRONIQUES en abrégé, C.E.T. Société Anonyme Procédé de détection de perturbations d'une tension électrique alternative provoquant la commutation de l'utilisation vers une autre source de courant
EP1122646B1 (fr) 2000-01-31 2003-04-23 Miriad technologies Procédé de détection d'anomalies dans un signal
US20060277977A1 (en) * 2004-05-07 2006-12-14 Sensicore, Inc. Multi-sensor system for fluid monitoring with selective exposure of sensors
US20070208519A1 (en) * 2006-02-03 2007-09-06 Michel Veillette Adaptive method and system of monitoring signals for detecting anomalies
AU2011101045B4 (en) * 2011-07-08 2012-04-12 Landis & Gyr Pty Ltd Method and apparatus for monitoring a condition of a meter

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0049235A1 (fr) 1980-09-25 1982-04-07 CONSTRUCTIONS ELECTRIQUES ET ELECTRONIQUES en abrégé, C.E.T. Société Anonyme Procédé de détection de perturbations d'une tension électrique alternative provoquant la commutation de l'utilisation vers une autre source de courant
EP1122646B1 (fr) 2000-01-31 2003-04-23 Miriad technologies Procédé de détection d'anomalies dans un signal
US20060277977A1 (en) * 2004-05-07 2006-12-14 Sensicore, Inc. Multi-sensor system for fluid monitoring with selective exposure of sensors
US20070208519A1 (en) * 2006-02-03 2007-09-06 Michel Veillette Adaptive method and system of monitoring signals for detecting anomalies
AU2011101045B4 (en) * 2011-07-08 2012-04-12 Landis & Gyr Pty Ltd Method and apparatus for monitoring a condition of a meter

Also Published As

Publication number Publication date
FR3015717B1 (fr) 2017-02-24
FR3015717A1 (fr) 2015-06-26

Similar Documents

Publication Publication Date Title
US10728083B2 (en) Methods for orientation and tilt identification of photovoltaic systems and solar irradiance sensors
Ventura et al. Utility scale photovoltaic plant indices and models for on-line monitoring and fault detection purposes
US10962576B2 (en) Estimation of shading losses for photovoltaic systems from measured and modeled inputs
EP4345704A2 (fr) Système et procédé de commande optimale de système de stockage d'énergie
Klingler et al. Impacts of a forecast-based operation strategy for grid-connected PV storage systems on profitability and the energy system
US10956629B2 (en) Estimation of soiling losses for photovoltaic systems from measured and modeled inputs
EP2000780B1 (fr) Procédé et système de détection et d'estimation de la consommation des usages électriques des installations d'un souscripteur
CN103377400A (zh) 发电站操作增强
US11631978B2 (en) Real-time estimation of contributions from classes of energy generators in residual load signals
WO2015086994A1 (fr) Prediction d'une consommation de fluide effacee
EP3648020B1 (fr) Sécurisation d'une intervention sur une branche basse tension d'un réseau de distribution électrique
EP3391240A1 (fr) Traitement des donnees de telerelevee pour l'analyse des modes de consommation
EP3240277A1 (fr) Procédé de contrôle des flux d'énergie électrique au sein d'un système d'accès radio à un réseau de communication et dispositif de contrôle associé
WO2015092279A1 (fr) Procédé de localisation d'une anomalie détectée dans une structure arborescente
WO2015092286A1 (fr) Procédé de détection d'une anomalie dans un signal de mesure
WO2022008552A1 (fr) Procédé de détection de défaillance d'un onduleur photovoltaïque
EP3989383A1 (fr) Procédé de caractérisation d'un système énergétique alimenté par au moins une source d'énergie renouvelable
FR3036005B1 (fr) Procede et dispositif de fourniture d'offre agregee d'energie electrique
Bu et al. Distributed unit commitment scheduling in the future smart grid with intermittent renewable energy resources and stochastic power demands
WO2020108911A1 (fr) Prévision de la puissance électrique transitant au niveau d'un poste de transformation électrique
CA3115353A1 (fr) Methode, systeme et produit logiciel permettant d'identifier des installations susceptibles de presenter une non-conformite electrique
Sinkovics et al. Co‐simulation framework for calculating balancing energy needs of a microgrid with renewable energy penetration
FR3046483A1 (fr) Procede d'optimisation de moyens de production d'energie
Parajuli et al. Impact analysis of short-term electrical demand factors using multivariate forecasting approach: A case of kathmandu valley
WO2017102732A1 (fr) Conception et pilotage d'un systeme de production energetique mixte

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14828236

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14828236

Country of ref document: EP

Kind code of ref document: A1