Livre Blanc Intelligence Artificielle Et Gestion Intelligente de Lenergie

ÉNERGIES
INTELLI
GENCEARTIFI
CIELL
EET
GESTIONINTELL
IGENTEDEL ’
ÉNERGI
E
ma
rs/2020
Réf. : BE6000 V1
Intelligence artificielle et
Date de publication :
10 octobre 2019
gestion intelligente de
l’énergie
Cet article est issu de : Énergies | Ressources énergétiques et stockage
par Moamar SAYED MOUCHAWEH
Mots-clés Résumé Cet article étudie le problème de la gestion intelligente de l'énergie dans le
Transition énergétique | contexte de la transition énergétique. Il présente la motivation, les impacts et les défis liés
gestion intelligente de l'énergie
| gestion de la demande | à ce sujet d’actualité. Ensuite, cet article se concentre sur l'utilisation des techniques et
surveillance de charge non des outils à base d'intelligence artificielle (IA) pour lever les défis liés à ce problème. Un
intrusive | optimisation
énergétique schéma global présentant le principe général de ces techniques est présenté. Ensuite,
ces techniques sont comparées selon un ensemble de critères afin de montrer leurs
avantages et inconvénients vis-à-vis des conditions et contraintes des applications de la
gestion intelligente de l’énergie dans le contexte de la transition énergétique. Plusieurs
exemples sont utilisés tout au long de l’article afin d’illustrer les concepts et méthodes
présentés.
Keywords Abstract This paper treats the problem of smart energy management within the context
energy transition | smart of energy transition. The paper starts by presenting the motivation, impacts, and
energy management | demand
side management | challenges of smart energy management within the context of energy transition. Then, it
non-intrusive load monitoring | focuses on the use of Artificial Intelligence (AI) techniques and tools to address these
energy optimisation
challenges. A scheme presenting the general principal of these techniques is provided.
Then, these techniques are compared according to some meaningful criteria in order to
show their advantages and drawbacks according to the conditions and constraints of the
smart energy management application within the context of energy transition. Several
examples are used in this paper to illustrate the methods and concepts presented.
Pour toute question :

Service Relation clientèle
Techniques de l’Ingénieur
Immeuble Pleyad 1 Document téléchargé le : 24/03/2020
39, boulevard Ornano
93288 Saint-Denis Cedex Pour le compte : 7200097598 - editions ti // marie LESAVRE // 195.25.183.157
Par mail :
[email protected]
Par téléphone :
00 33 (0)1 53 35 20 20 © Techniques de l'Ingénieur | tous droits réservés
Ce document a ete delivre pour le compte de 7200097598 - editions ti // marie LESAVRE // 195.25.183.157
Intelligence artificielle et gestion

intelligente de l’énergie

Professeur titulaire
Institute Mines-Telecom (IMT) Lille Douai, France
1. Transition énergétique........................................................................ BE 6 000 - 2

1.1 Définition, motivation et défis................................................................. — 2
1.2 Gestion intelligente de l’énergie............................................................. — 3
2. Intelligence artificielle pour une gestion intelligente
de l’énergie............................................................................................. — 5
2.1 Principes généraux des techniques d’intelligence artificielle
pour une gestion intelligente de l’énergie ............................................. — 5
2.2 Gestion intelligente de l’énergie basée sur la surveillance
de la charge .............................................................................................. — 8
3. Gestion intelligente de l’énergie basée sur la surveillance
non intrusive de la charge ................................................................. — 9
Parution : octobre 2019 - Ce document a ete delivre pour le compte de 7200097598 - editions ti // marie LESAVRE // 195.25.183.157
3.1 Extraction de caractéristiques................................................................. — 9

3.2 Inférence et apprentissage ...................................................................... — 10
3.2.1 Approches supervisées ................................................................. — 11
3.2.2 Approches non supervisées/semi-supervisées ........................... — 12
4. Conclusion et discussion ................................................................... — 13
5. Acronymes ............................................................................................. — 14
Pour en savoir plus ....................................................................................... Doc. BE 6 000
U n réseau électrique intelligent ( Smart grid – SG) comprend des compo-

sants de production, de transport, de distribution et de consommation
d’électricité hétérogènes et distribués. Il s’agit de la prochaine génération de
réseau électrique en mesure de gérer la demande en électricité (consommation/
production/distribution) de manière durable, fiable et économique en tenant
compte de la pénétration des énergies renouvelables (solaire, éolien, etc.). Par
conséquent, un réseau intelligent SG inclut également une couche intelligente
qui analyse les données fournies par les consommateurs ainsi que celles qui
sont recueillies du côté production afin d’optimiser la consommation et la pro-
duction en fonction des conditions météorologiques, du profil et des habitudes
du consommateur. En outre, ce système peut améliorer l’utilisation de
l’énergie verte grâce à la pénétration des énergies renouvelables et à la
réponse à la demande.
10 - 2019
Un réseau intelligent SG présente plusieurs problèmes et défis de recherche

qui doivent être résolus pour améliorer l’efficacité énergétique des producteurs
d’énergie traditionnelle/renouvelable grâce à la participation des utilisateurs,
pour faciliter la pénétration (intégration) des systèmes d’énergie renouvelable
distribués/centralisés dans les réseaux électriques afin de réduire la charge de
pointe par l’utilisation de stratégies efficaces de réponse à la demande, équili-
BE 6 000
brer et optimiser la production ainsi que la consommation, renforcer la

protection du réseau (résilience du réseau, diagnostic et pronostic des défail-
lances, auto-dépannage et restauration du réseau, etc.) et la cybersécurité (en
respectant la protection des données personnelles), etc.
Cet article traite du problème de la gestion intelligente de l’énergie dans le
contexte de la transition énergétique (gestion de la demande, surveillance de la
Copyright © – Techniques de l’Ingénieur – Tous droits réservés BE 6 000 – 1
tiwekacontentpdf_be6000 v1 Ce document a ete delivre pour le compte de 7200097598 - editions ti // marie LESAVRE // 195.25.183.157
INTELLIGENCE ARTIFICIELLE ET GESTION INTELLIGENTE DE L’ÉNERGIE ________________________________________________________________________
charge, microréseaux, conseil en énergie aux résidents et services publics, éco-

nomie d’énergie, gestion des revenus par tarification dynamique, compteurs
intelligents). Il présente les motivations, impacts et défis liés à ce sujet d’actualité.
Il se concentre ensuite sur l’utilisation des techniques et outils de l’intelligence arti-
ficielle (IA) pour relever les défis liés à la gestion intelligente de l’énergie. Un
schéma global (acquisition et traitement de données, extraction de caractéris-
tiques, apprentissage, inférence, visualisation, etc.) présentant les principes
généraux de ces techniques est fourni. Ces techniques sont ensuite comparées en
fonction de critères significatifs comme les caractéristiques de consommation
d’énergie, les statistiques d’évolution dans le temps, les caractéristiques des habi-
tations ou des bâtiments, etc., le type de données (consommation active,
puissance réactive, facteur de puissance, etc.) et le niveau d’intrusion. L’objectif
est de comparer ces techniques en montrant leurs avantages et leurs inconvé-
nients en fonction des conditions et contraintes d’application dans le contexte de
la transition énergétique. Plusieurs exemples sont utilisés dans cet article afin
d’illustrer les méthodes et les concepts présentés.
1. Transition énergétique Cependant, la transition énergétique est confrontée à plusieurs

défis qui doivent être résolus afin de passer à un système de pro-
duction, de distribution et de consommation d’énergie durable :
– comment la stabilité du réseau (équilibre entre l’offre et la
1.1 Définition, motivation et défis demande) peut-elle être assurée avec une large pénétration des
ressources en énergies renouvelables dans ledit réseau ?
Pour faire face au problème du changement climatique plané-
taire et à la pénurie de ressources fossiles, comme le pétrole, il est – comment le comportement de consommation des utilisateurs
nécessaire de pouvoir mettre en œuvre un système de production, peut-il être influencé et/ou contrôlé afin d’optimiser leur consom-
de distribution et de consommation d’énergie durable. La transi- mation d’énergie et d’améliorer l’équilibre entre l’offre et la
tion énergétique vise à passer d’une production d’électricité issue demande ?
des ressources fossiles à une production zéro carbone, en aug- – comment les équipements et infrastructures vieillissants qui
mentant le niveau de pénétration des sources d’énergie propres, entraînent des pertes d’énergie importantes peuvent-ils être détec-
telles que les énergies éolienne et solaire, et en intégrant des tech- tés rapidement et remplacés ?
nologies, des pratiques ainsi que des services plus efficaces. L’uti- – comment les énergies renouvelables peuvent-elles être
lisation de sources d’énergie renouvelable réduit la dépendance consommées localement afin d’en optimiser l’utilisation ainsi que
vis-à-vis de l’approvisionnement en énergie fossile, tandis que les la stabilité du réseau ?
systèmes économes en énergie aident à réduire la consommation Pour faire face aux défis de la transition énergétique, le réseau
d’énergie des appareils, machines et lignes de transmission, ainsi électrique traditionnel doit évoluer vers un réseau intelligent (SG)
que de l’ensemble des équipements au dernier stade d’utilisation. dans lequel un flux d’énergie et de données à double sens est
Le système d’énergie électrique conventionnel est unidirectionnel échangé entre fournisseurs et consommateurs. Les importants
et orienté de haut en bas. L’équilibre entre l’offre et la demande est volumes de données sur la production et la consommation d’éner-
obtenu en faisant varier l’offre des grandes centrales électriques, qui gie peuvent être transformés en valeur afin de fournir des indica-
utilisent essentiellement des combustibles fossiles. L’utilisation de tions sur la manière d’atteindre les objectifs de production d’énergie
sources d’énergie renouvelable, telles que l’éolien et le solaire, est verte et de transmission, distribution et consommation d’énergie
entravée par leur intermittence due à leur forte dépendance aux efficaces. Le réseau intelligent SG [1] inclut également une couche
conditions météorologiques. intelligente qui analyse les données fournies par les consommateurs
Malgré l’augmentation de l’efficacité énergétique des appareils ainsi que celles recueillies du côté production afin d’optimiser la
et de l’infrastructure de communication, la consommation d’éner- consommation et la production en fonction des conditions météoro-
gie continue d’augmenter. L’infrastructure électrique vieillissante a logiques, du profil et des habitudes du consommateur.
atteint sa capacité maximale. L’utilisation des ressources énergé-
tiques distribuées (DER) qui fait des utilisateurs non plus seule-
ment des consommateurs mais aussi des producteurs permet Le réseau intelligent (SG) constitue le futur système élec-
cependant d’augmenter la capacité du réseau. trique capable de gérer la demande/production/distribution
d’électricité de manière durable, fiable et économique, grâce à
la pénétration de sources d’énergie renouvelable centralisées et
Lorsqu’un utilisateur consomme et produit en même temps, distribuées (solaire, éolien, etc.) ainsi qu’à une participation
il devient un prosommateur. active des utilisateurs.
L’utilisation de ressources distribuées (DER) permet d’éviter les Afin de générer ces quantités de données, les réseaux intelli-
pertes résultant de la transmission/distribution sur de longues dis- gents déploient un nombre croissant de compteurs intelligents et
tances, car l’énergie générée par les utilisateurs potentiels peut d’autres appareils de mesure (capteurs de température, d’humidité
être consommée localement. En outre, influencer la manière dont et de pression, et d’autre part, prix de l’électricité, capteur de pré-
les utilisateurs consomment de l’énergie électrique afin d’obtenir sence, capteurs photoélectriques et minuteries, données SIG, etc.)
une meilleure conservation de l’énergie et une efficacité énergé- du côté utilisateur final ainsi que du côté production, transmission
tique plus élevée limite les contraintes sur le réseau en réduisant et distribution. Ces énormes volumes de données sont traités afin
les congestions et délestages. de maximiser la flexibilité du réseau.
BE 6 000 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés
________________________________________________________________________ INTELLIGENCE ARTIFICIELLE ET GESTION INTELLIGENTE DE L’ÉNERGIE
DER Utilisateur DER Utilisateur

+ – + –
Génération Consommation
Bourse d’échange
Ventes – d’électricité Achats +
BRP A BRP B
Marché
d’équilibrage
+ –
Déséquilibres subsistants
– Réserve de production d’énergie
+ TSO
Solde restauré =
Figure 1 – Équilibre et flexibilité du réseau dans le contexte de la transition énergétique
Prenons l’exemple de la figure 1 pour illustrer le rôle des BRP

La flexibilité peut être définie comme la capacité du système dans la garantie de l’équilibre de leur zone contrôlée du réseau. Les
électrique à réagir aux fluctuations de l’offre et de la demande
ressources en énergies renouvelables distribuées, les véhicules élec-

tout en maintenant la fiabilité du système [2]. triques, etc., déterminent la flexibilité locale de chaque BRP. Un BRP
peut vendre ou acheter de l’électricité à d’autres BRP ou par le biais
Par conséquent, la flexibilité du réseau est essentielle pour assu- de l’opérateur du réseau afin d’atteindre l’équilibre entre l’offre et la
rer sa stabilité en modulant les modèles de production et de demande. Afin d’encourager les BRP à assurer l’équilibre en fonction
consommation. de leurs ressources locales en matière de flexibilité, l’opérateur du
réseau récompense les BRP qui aident à remédier au déséquilibre
Un réseau électrique est généralement constitué de deux dudit réseau.
réseaux connectés : les réseaux de distribution et de transmis-
sion. Les réseaux de transmission transportent l’électricité La figure 2 montre un schéma générique d’un réseau intelligent
(400 kV) générée par les centrales électriques classiques et les (SG). Quatre blocs principaux sont inclus : génération intelligente,
parcs éoliens offshore sur de grandes distances. Les réseaux de distribution intelligente, consommation et production distribuée
distribution relient au système électrique (150 kV, 220 V) les petits intelligentes et stockage intelligent.
producteurs d’électricité et la plupart des consommateurs (par
exemple, les ménages résidentiels et les consommateurs
commerciaux/industriels), ainsi que les ressources renouvelables 1.2 Gestion intelligente de l’énergie
distribuées et les parcs éoliens terrestres. Dans le système élec-
trique actuel, le gestionnaire de réseau de transport (TSO) est En raison de la rareté et du coût croissants des ressources éner-
responsable de la stabilité du réseau. À cette fin, le TSO utilise gétiques, il est important pour les utilisateurs et les services
des données sur la production d’électricité actuelle et projetée, la publics de comprendre comment les utilisateurs (industriels, com-
congestion potentielle et la flexibilité pouvant être obtenues merciaux, publics, universités, bureaux, etc.) consomment de
grâce à des centrales électriques conventionnelles supplémen- l’énergie afin de développer des stratégies permettant :
taires et la suppression de la consommation de gros consomma- 1) d’augmenter l’efficacité énergétique de leur consommation ;
teurs d’électricité, ainsi que sur l’énergie pouvant faire l’objet 2) d’assurer la stabilité du réseau en améliorant sa flexibilité.
d’échanges internationaux.
À cette fin, un système de gestion intelligente de l’énergie (SEM)
Cependant, dans le contexte de la transition énergétique, la peut être utilisé afin d’aider les utilisateurs (consommateurs, fournis-
capacité de génération d’énergie passe du niveau de transmission seurs) à comprendre comment l’énergie est consommée et à définir
à celui du réseau de distribution en raison de la part croissante de les meilleures techniques à mettre en œuvre pour la conserver.
production décentralisée (DER) et de la participation active des uti-
lisateurs. Par conséquent, dans le contexte de la transition énergé-
Un système de gestion intelligente de l’énergie (SEM)
tique, les gestionnaires de réseau de distribution (DSO) ont
comprend un ensemble de mesures, d’outils et de techniques
également la responsabilité d’assurer la stabilité du réseau en par-
permettant d’optimiser la production et la planification de la
ticipant au marché de l’équilibrage. Plus les producteurs ou les
production, de minimiser les déperditions et les pannes du
consommateurs du réseau de distribution sont actifs sur le marché
réseau pendant le transport de l’énergie, d’optimiser la tension,
de l’équilibrage (ou marché de la flexibilité), plus l’impact potentiel
de surveiller l’état du transformateur (détection et rétablisse-
sur la stabilité du réseau sur le réseau de distribution est fort. Les
ment des défauts et des pannes) et de réduire la consommation
responsables d’équilibre (Balance Responsible Parties ou BRP)
d’énergie du côté de la demande en influençant la manière
sont chargés d’assurer l’équilibre entre la production et la
dont les utilisateurs consomment de l’énergie ainsi qu’en ins-
demande en combinant injection, prélèvement et échange avec
pectant la fiabilité et les performances énergétiques des diffé-
d’autres BRP. Chaque producteur et acheteur du réseau doit avoir
rents dispositifs, appareils et installations utilisés.
souscrit un contrat avec un BRP.
Générateur 1 Fournisseur / Agrégateur Prosommateurs

2
Génération Distribution / Transmission Consommation
intelligente BRP/DSO/TSO intelligente et génération
Bourse
d’échange
4
5 3
Stockage
intelligent
1 : Échange mutuel de données opérationnelles et contractuelles et ajustement financier

2 : Offre et flexibilité
3 et 4 : Achat de flexibilité, contrats, accès au réseau et gestion de la production, et approvisionnement de flexibilité
5 : Approvisionnement de flexibilité (gestion des contraintes du réseau de distribution)
Figure 2 – Schéma d’un réseau intelligent (SG) dans le contexte de la transition énergétique
Un système de gestion intelligente de l’énergie analyse les don- de la transformation de l’énergie et gestion de la production
nées de consommation ainsi que d’autres données contextuelles et d’énergie [3].
opérationnelles (conditions météorologiques, comportement de
consommation de l’utilisateur, caractéristiques et paramètres du

bâtiment, etc.) afin de diagnostiquer les éventuelles déperditions Les systèmes intelligents de gestion de la demande
d’énergie et les défauts cachés dans les équipements, les appareils DSM (Smart Demand Side Management ou gestion axée sur la
et les installations (fuites d’air comprimé, filtres encrassés, compo- demande) aident à réduire la consommation d’énergie côté
sants endommagés, etc.). demande en modulant intelligemment la charge. Dans le cas
Il existe deux types de systèmes SEM suivant les applications : des réseaux électriques traditionnels, le système DSM est axé
résidentielles ou commerciales (industrielles, publiques et com- sur les services publics, tandis que dans le cas des réseaux
merciales). L’augmentation de la demande en énergie est due non intelligents, il est davantage orienté sur le client.
seulement au secteur industriel (usines de fabrication, automo-
biles, etc.) et aux sites commerciaux (supermarchés, par exemple), Le système DSM comprend plusieurs étapes en fonction de la
mais également au secteur résidentiel. Les systèmes SEM destinés durée pendant laquelle l’énergie peut être économisée côté
au secteur résidentiel visent à aider les résidents à réduire leur fac- charge. Lorsque cette économie est obtenue de manière perma-
ture énergétique et leur consommation d’électricité en utilisant nente en utilisant des équipements et des dispositifs économes en
plus efficacement les appareils ménagers tels que les lave-vais- énergie ou en influençant le comportement de l’utilisateur pour
selle, les lave-linge, les séchoirs et les climatiseurs. Ils peuvent obtenir une meilleure consommation d’énergie, le système DSM
également être encouragés à installer une meilleure isolation et est considéré comme un facteur d’économie d’énergie. En effet,
des couvre-fenêtres d’économie d’énergie (stores, rideaux occul- l’installation d’une meilleure isolation au niveau des murs, le
tants). Les systèmes SEM destinés aux entreprises sont similaires, double vitrage, des fenêtres plus épaisses ou teintées avec des
mais doivent être conçus pour économiser de l’énergie à plus couvre-fenêtres à économie d’énergie, etc., permettent aux utilisa-
grande échelle avec des comportements de consommation d’éner- teurs d’économiser de l’énergie. En outre, surveiller en perma-
gie différents. Dans ces deux secteurs, les systèmes SEM nence les activités de l’utilisateur en utilisant, par exemple, un
contrôlent automatiquement les appareils installés en fonction des éclairage sensible au mouvement qui s’éteint lorsque aucune pré-
habitudes d’utilisation et des conditions météorologiques. Par sence n’est détectée (ne s’allume que lorsqu’il détecte un mouve-
exemple, un système SEM peut éteindre l’éclairage ou les prises ment) ou en fermant les fenêtres par temps froid permet de
électriques quand ils ne sont pas utilisés au moyen de capteurs réduire les déperditions d’énergie.
sensibles au mouvement ou systématiquement à certains
moments de la journée (après le retour à la maison de toute la Lorsque la consommation d’énergie est réduite pendant un cer-
famille). tain temps en reportant certaines activités nécessitant une grande
quantité d’énergie ou en utilisant des ressources d’énergie renou-
Exemple : le système d’automatisation du bâtiment (BAS) fournit velable, le système DSM apporte ainsi une réponse à la demande
un contrôle centralisé automatique des différents appareils et équipe- (DR). L’objectif est de parvenir à un équilibre entre l’offre et la
ments d’un bâtiment tels que le chauffage, la ventilation, la climatisa- demande pendant les périodes de pointe. Dans ce cas, les services
tion (système de chauffage, ventilation et climatisation – CVC) et publics incitent les utilisateurs à reporter certaines activités néces-
l’éclairage afin de réduire les pertes d’énergie et d’améliorer leur effi- sitant une grande quantité d’énergie en proposant des prix plus
cacité énergétique. Cependant, il est possible que le BAS n’ait pas la avantageux pendant les heures creuses de la journée.
capacité de fournir aux utilisateurs un retour d’information sur la
consommation d’énergie (interface utilisateur).
La réponse à la demande (DR) est réalisée par les services
publics afin d’assurer un équilibre entre l’offre et la demande
Il existe quatre principaux types de systèmes SEM : gestion axée
par un transfert de charge et une gestion des ressources en
sur la demande (DSM), microréseaux et gestion décentralisée de
énergies renouvelables.
l’énergie renouvelable, gestion du transport, de la distribution et
Système
photovoltaïque
Bâtiment Éolienne
Consommation du réseau
principal
Approvisionnement
Charge Décharge
Générateur
électrique Batterie
Figure 3 – Schéma typique d’un microréseau connecté avec sources d’énergie renouvelable
Il existe deux principaux types de réponse à la demande (DR) qui L’exécution de ces fonctions et tâches devient particulièrement
sont basés sur des mesures d’incitation : la réponse à la demande difficile dans le contexte de la transition énergétique pour les
du marché et la réponse à la demande physique [3]. La réponse à raisons suivantes :
la demande du marché repose sur l’utilisation de prix en temps 1) le réseau se caractérise par un flux bidirectionnel d’énergie et
réel et/ou d’un barème de prix statique de l’électricité ; tandis que de données concernant la localisation des pannes, l’identification
la réponse à la demande physique est déterminée par le statut de de l’action appropriée pour limiter l’impact de la panne et la res-
la grille. En cas de réponse à la demande physique, le service tauration du système, la détermination des actions de contrôle
public transmet des demandes aux consommateurs à des fins de visant à agir sur l’insertion de puissance des DER, alors que l’opti-
réduction de la consommation et de gestion de la demande si une misation de l’utilisation de l’énergie disponible devient critique et
partie du réseau est en panne ou en cours de maintenance. Il est beaucoup plus complexe que dans le cas d’un réseau unidirection-
recommandé de combiner les deux types de réponse à la nel traditionnel ;
demande du marché et physique afin d’opérer une gestion opti- 2) l’intégration d’une part importante de ressources renouve-
male du réseau (équilibre entre l’offre et la demande). lables, telles que l’énergie solaire, l’énergie éolienne, la petite
hydraulique, le biogaz, la biomasse, la géothermie, l’énergie maré-
motrice, etc.
Les microréseaux (microgrids) sont des ensembles regrou- La caractéristique commune à la plupart de ces ressources
pant différentes sources d’énergie produites de façon décentra- renouvelables propres est que la puissance fournie est intermit-
lisée, notamment des sources d’énergie renouvelable et des tente et moins prévisible que dans le cas des systèmes conven-
charges interconnectées au sein de zones localisées (entités tionnels, ce qui entraîne des difficultés pour l’équilibrage de la
contrôlables par rapport au réseau principal). Ils peuvent fonc- puissance et la synchronisation des fréquences de tous les généra-
tionner en étant connectés au réseau synchrone étendu tradi- teurs.
tionnel (macroréseau), mais ils peuvent également être
En résumé, le tableau 1 présente une synthèse des principales
déconnectés en « mode îlot » en fonctionnant de manière auto-
différences entre le réseau électrique traditionnel et le réseau intel-
nome.
ligent dans le contexte de la transition énergétique.
Les microréseaux contribuent à accroître la flexibilité du réseau

en substituant ou en alimentant le réseau principal, notamment
pendant les périodes de pointe, et en améliorant l’efficacité éner-
gétique en réduisant les pertes d’énergie dans les lignes de trans- 2. Intelligence artificielle
port, du fait d’une consommation d’énergie locale. Ils se
composent de systèmes de distribution basse tension comportant pour une gestion
des ressources énergétiques distribuées (DER – microturbines,
piles à combustible, photovoltaïques, etc.) ainsi que des dispositifs intelligente de l’énergie
de stockage, comme illustré dans la figure 3.
2.1 Principes généraux des techniques

La gestion du transport, de la distribution et de la d’intelligence artificielle
transformation de l’énergie regroupe l’ensemble des opéra- pour une gestion intelligente
tions, stratégies et supports de décision destinés à la planifica-
tion, à l’identification et à la réduction des déperditions de
de l’énergie
réseau, à la détection et restauration des défauts et des pannes, Afin de réaliser un système de gestion intelligente de l’énergie
à la gestion de la surveillance et de la maintenance, ainsi qu’à (SEM), des données concernant la production d’énergie ainsi
la gestion des actifs. qu’une gestion des énergies renouvelables (prévisions de produc-
Tableau 1 – Comparaison entre les réseaux électriques traditionnels et les réseaux électriques
intelligents dans le contexte de la transition énergétique
Réseau électrique traditionnel Réseau intelligent
Flexibilité Axé TSO Axé DSO
Flux d’énergie Alimentation électrique et flux de données unidirec- Alimentation électrique
tionnels (du consommateur à l’utilité et flux de données bidirectionnels
Gestion côté demande Axée sur l’utilité Axée sur le client
Rôle du client Consommateur Consommateur-producteur (proconsommateur)
Données électriques
(actives/réactives…)
Utilitaires Rétroaction
Compteurs directe/indirecte
Avertir Agir
intelligents
Données
météorologiques
Données tarifaires SEM Gestion dactifs
Données Acquisition, Actions /
contextuelles stockage et Analyse prédictive Contrôles pour
Interface
(Temps d'utilisation, prétraitement (optimisation, ajuster le
utilisateur
durée…) de données inférence) fonctionnement
… de l'appareil
Caractéristiques Facture détaillée

de consommation / Caractéristiques Caractéristiques Caractéristiques Régression,
Données brutes / informations
énergie statistiques temporelles de construction, classification,
de consommation
civiques, etc. regroupement
Reconfiguration
Figure 4 – Structure générale d’un système SEM
tion, prévisions météorologiques, capacités de stockage, etc.) et de En effet, le système SEM peut être branché sur n’importe quelle
la demande d’énergie (consommation, activités et habitudes des prise afin de surveiller les données de puissance (niveau d’énergie,
utilisateurs, appareils et équipements utilisés, prix de l’électricité, états d’utilisation, etc.) provenant d’appareils branchés pour les
etc.) sont requises. Grâce au développement rapide et à la pénétra- contrôler ou détecter tout comportement étrange. Il existe égale-
tion de nouvelles technologies de capteurs, de communication et ment des systèmes de surveillance Bluetooth qui se connectent
de transmission et en particulier de technologies sans fil, ainsi que directement à des capteurs situés dans toute la maison pour sur-
d’appareils mobiles intelligents, de grandes quantités de données veiller la température, l’humidité, la qualité et la pression de l’air.
sont générées concernant la production et la consommation. Ces Ces capteurs transfèrent les données vers une application qui
quantités considérables de données doivent être stockées et trai- indique les niveaux de consommation d’énergie et permet même
tées efficacement afin d’extraire les informations utilisées par le au propriétaire d’allumer/éteindre les climatiseurs et autres appa-
système SEM pour optimiser la gestion du réseau (production, reils.
consommation) de manière durable. Par conséquent, les réseaux Un système d’analyse prédictive vise à analyser et à exploiter le
électriques traditionnels sont en train de passer à des systèmes SG volume considérable de données énergétiques et d’autres données
intégrant des ressources distribuées d’énergie (DER) associées à contextuelles (temps d’utilisation, durée, météo, caractéristiques
des solutions de stockage statiques et mobiles. de la maison ou du bâtiment, etc.) afin d’obtenir un processus
Un système de gestion intelligente de l’énergie (SEM) est décisionnel efficace. Ce dernier repose essentiellement sur l’esti-
composé : mation de la consommation d’énergie à différents niveaux (loge-
ment, bâtiment, quartier, etc.) et à différents horizons temporels
1) d’un système d’acquisition de données permettant de collec- (court, moyen et long termes). Cette estimation dépend de nom-
ter des données à partir d’appareils (sous-compteurs), de comp- breux paramètres et facteurs variables et non linéaires tels que les
teurs intelligents, de stations météorologiques, etc. ; conditions météorologiques, les propriétés thermiques de l’enve-
2) d’un système d’analyse prédictive permettant d’effectuer une loppe du bâtiment, l’occupation ou le comportement des utilisa-
analyse des données, y compris des opérations d’optimisation, teurs, la performance énergétique des appareils existants, tels que
prévision (par exemple, régression), classification, regroupement, l’éclairage et les équipements de climatisation (CVC). Étant donné
et reconnaissance ; que le système SEM communique avec le fournisseur d’énergie
3) d’une interface utilisateur pour la visualisation, la génération (services publics, TSO, DSO), il peut identifier les appareils qui
de rapports, l’alarme et la configuration, comme illustré à la consomment de l’énergie aux heures de pointe, ainsi que le type
figure 4. d’appareil/équipement/activité consommant le plus d’énergie. En
ayant accès à ces informations, le système peut programmer/ mations physiques simplifiées avec des données d’historique de
contrôler/recommander l’activation de certaines prises (pour les consommation d’énergie. Cependant, il est difficile de lier des
voitures électriques) ou de certains appareils (comme les pompes approches basées sur deux principes différents impliquant des
de piscine) pendant les heures creuses (électricité à bas prix). Par paramètres incertains. Le modèle utilisé est défini de façon empi-
conséquent, les utilisateurs peuvent économiser de l’argent et de rique et physique. Il fait intervenir des interactions complexes et
l’énergie, et réduire leur empreinte carbone. partiellement connues. En outre, ces interactions sont déterminées
sur la base de données et de connaissances physiques sur les
Les services publics offrent des incitations pour les maisons et
applications, les installations et les variables stochastiques décri-
bâtiments commerciaux qui appliquent des pratiques d’économie
vant les comportements des occupants.
d’énergie. Les systèmes SEM permettent aux consommateurs de
surveiller leur utilisation et d’apporter des changements efficaces.
Prenons l’exemple d’un bâtiment décrit dans [5], et construisons un
Le boîtier d’analyse prédictive construit un profil de comporte-
ment des utilisateurs en termes de consommation d’énergie. Ce modèle afin de décrire l’évolution de la température intérieure
profil énergétique peut être utile pour comparer différents utilisa-
teurs ou détecter des activités anormales ou illégales. Ce type Tin à partir des lois fondamentales de la thermodynamique et du
d’informations est non seulement avantageux pour l’utilisateur transfert de chaleur. On suppose que le bâtiment comporte une seule
final, mais pourrait également être utilisé par des tiers. zone (un étage) avec une zone thermique globale (un appareil de
chauffage électrique). Ce modèle est le modèle de résistance-capa-
Par exemple, les compagnies d’assurances pourraient facturer cité RC qui est une expression mathématique (équations différen-
une prime flexible en fonction du profil de consommation d’énergie tielles) du transfert de chaleur entre intérieur et extérieur. La capacité
ou les grands fournisseurs d’énergie pourraient prévoir l’énergie thermique Cr (J/°C) relie la quantité de chaleur requise à une variation
nécessaire pendant les heures de pointe. de la température intérieure. La résistance thermique équivalente Req
(°C/W) est un parallèle de quatre résistances thermiques, des parois
Un modèle prédisant le comportement de consommation d’un (Rwa), des portes (Rd), des fenêtres (Rwi) et du toit (Rro) du bâtiment :
bâtiment, d’un ménage, etc. est construit afin d’améliorer l’effica-
. La puissance thermique du radiateur élec-
cité énergétique (consommation, comme discuté précédemment).
Normalement, les systèmes de climatisation (CVC) représentent la trique est définie par qradiateur (W = J/s) et la déperdition de chaleur,
charge principale (principaux consommateurs d’énergie). Par
conséquent, les modèles sont conçus pour décrire (prévoir) leur indiquée par qdéperditions, peut être calculée par la relation :
profil de consommation. Généralement, les approches utilisées

pour estimer la consommation d’énergie peuvent être classées en . Les déperditions de chaleur sont calcu-
trois catégories : celles basées sur une boîte blanche, celles basées
sur un modèle de type boîte noire et celles basées sur un modèle lées par la relation : où Tout est la température exté-
de type boîte grise [4]. Ces modèles peuvent être statiques (simpli-
fiés) lorsque toutes les entrées et toutes les sorties sont contrôlées rieure. La figure 5 illustre le modèle RC pour la variation de la
et connues, ou dynamiques lorsque des perturbations inconnues température intérieure. Dans les modèles White-box (ou boîte
ainsi que des paramètres et variables non contrôlés interviennent blanche), les paramètres Cr, Rwa, Rd, Rwi et Rro sont nécessaires pour
dans la consommation d’énergie (par exemple, un transfert estimer (simuler) la température intérieure (Tin). Cela peut être fait en
d’énergie) [5]. Cependant, une plus grande attention doit être utilisant des lois physiques, telles que la loi d’équilibre thermique, et
accordée aux modèles dynamiques car leurs environnements et les paramètres thermiques du bâtiment (par exemple, la masse ther-
leur dynamique de consommation d’énergie en conditions réelles mique, les dimensions du bâtiment, etc.). Dans les modèles de type
sont variables. En outre, la connaissance de leurs paramètres et boîte noire, tels que les modèles de réseaux neuronaux (Neural
variables est incomplète et incertaine. Les approches basées sur Networks – NN), Tin est estimé en se basant sur les valeurs
les modèles de type boîte blanche (white-box) font appel à un (mesures) de Tout (prises depuis une station météo locale, la tempéra-
modèle physique de transfert d’énergie et de consommation
ture de consigne (qui varie entre 19 et 21 °C), qradiateur et les valeurs
d’énergie pour les équipements, les installations et les appareils
ménagers. Par conséquent, une étude détaillée et une description précédentes de Tin. Dans les modèles basés sur un modèle de type
complète de la performance énergétique ainsi que des nombreux boîte grise, une structure simplifiée de boîte blanche est définie, dans
paramètres et facteurs en jeu sont nécessaires, ce qui s’avère coû- laquelle plusieurs composants discrets d’un bâtiment sont combinés
teux en temps de calcul et souvent indisponible. La précision de en un seul composant. Dans notre exemple, la résistance thermique
leur estimation est donc limitée. Les modèles autorégressifs (AR), de toutes les fenêtres, portes et toits est combinée en une résistance
à moyenne-mobile (ARMA) [6] et à série de Fourier [7] sont des thermique équivalente unique Req (figure 5). Les paramètres de cette
exemples d’approches fondées sur un modèle de type boîte structure de modèle simplifiée (Req , Cr ) sont identifiés à partir des
blanche. Des approches basées sur l’intelligence artificielle ou de mesures disponibles en ligne (par exemple Tout, qradiateur, etc.).
type boîte noire, telles que les réseaux de neurones (NN) [8] [9], les
machines à vecteurs de support (SVM) [10], analysent la consom-
Une interface utilisateur est composée de trois composants
mation d’énergie uniquement à partir de données d’historique de
principaux : les outils d’édition de rapports, de visualisation et de
comportement de consommation du passé. Ces approches basées
contrôle des appareils/équipements. Elle est utilisée pour afficher
sur des données ont l’avantage de ne nécessiter aucune connais-
les informations sur la consommation, la production solaire, les
sance physique ou mathématique du comportement de consom-
appareils en marche/arrêt, etc., les recommandations, les commen-
mation ou du transfert d’énergie. Elles fournissent une estimation
taires (interroger les principaux types d’appareils installés à
beaucoup plus précise que celle obtenue par les approches basées
l’avance, demander une confirmation des appareils détectés en
sur une boîte blanche [11], mais elles nécessitent un ensemble
panne, etc.) et/ou les actions à effectuer. L’acceptation de cette
important de données d’historique de fonctionnement qui doit
interface est primordiale pour le succès du système SEM. Par
inclure tous les facteurs directs et indirects influant sur la consom-
conséquent, elle doit pouvoir afficher et dialoguer avec les utilisa-
mation d’énergie. En outre, elles ne peuvent ni fournir une inter-
teurs de manière complète, intuitive et facile à utiliser. Cela est
prétation des résultats obtenus (comportement de consommation
difficile car les informations et les mesures sous-jacentes sont de
estimé), ni indiquer la manière dont l’estimation est obtenue.
nature technique et la majorité des utilisateurs ne sont pas des
Les approches basées sur un modèle de type boîte grise [12] [13] ingénieurs. Les commentaires des utilisateurs [15] via l’interaction
[14] constituent une alternative permettant de combiner des infor- directe ou indirecte avec l’interface utilisateur permettent aux
énergétiques des utilisateurs ou des équipements (appareils) élec-

Tin Tout triques individuels utilisés. Dans le premier cas, plusieurs capteurs
Req sont placés dans les zones résidentielles/de travail afin de suivre
les activités des utilisateurs [18]. La consommation d’énergie peut
qradiateur être estimée sur la base des activités utilisateur identifiées (par
+ exemple, cuisiner, regarder la télévision, prendre une douche,
etc.).
–
Cr
Exemple : le fonctionnement des appareils électroménagers et la
nature des activités réalisées sont interdépendants. La machine à
laver est utilisée pour la lessive, tandis que les fours (four principal,
four à micro-ondes) sont utilisés pour chauffer les aliments. Par
conséquent, les appareils sont utilisés au moment donné où les acti-
vités ont lieu.
Figure 5 – Modèle thermique RC simplifié destiné à un modèle de Des exemples de capteurs utilisés pour suivre les activités des
type boîte grise (grey-box) afin de simuler la température intérieure utilisateurs peuvent être par exemple à des capteurs de détection
Tin de présence, de mouvement ou d’éclairage afin de suivre les
déplacements de l’utilisateur et déterminer son emplacement dans
la maison à un moment donné, ainsi que des capteurs de tempéra-
utilisateurs d’apprendre et de comprendre leur façon de consom- ture permettant d’évaluer l’état du brûleur de chaudière afin de
mer. Ils peuvent donc adapter leur comportement de consomma- fournir des informations sur les habitudes de l’utilisateur (confort),
tion afin d’accroître leur efficacité énergétique. Dans le cas d’un etc. Cependant, la reconnaissance de l’activité humaine est princi-
retour direct [16], les consommateurs reçoivent des informations palement utilisée pour aider les utilisateurs humains, en particulier
énergétiques en temps réel via des dispositifs d’affichage. En cas les personnes âgées et les personnes handicapées, à effectuer
d’un retour indirect d’information, celui-ci est traité via une factura- leurs activités quotidiennes tout en assurant leur sécurité, leur
tion détaillée et fréquente. Il est généralement plus approprié santé et leur bien-être. La surveillance de charge intrusive peut
qu’un retour direct pour démontrer tout effet sur la consommation être également effectuée en suivant les appareils activés (en utili-
des modifications du chauffage des locaux, de la composition du sation) qui consomment de l’énergie. À cette fin, des capteurs (par
ménage et de l’impact des investissements dans des mesures
exemple, des sous-compteurs) mesurant la consommation d’éner-

d’efficacité ou d’appareils très consommateurs [17]. gie d’un équipement sont installés pour chaque appareil indivi-
duel. Dans les deux cas, l’installation de capteurs dans des zones
de travail/résidentielles est coûteuse, nécessite une installation, un
2.2 Gestion intelligente de l’énergie câblage et des centres de stockage de données complexes, et
basée sur la surveillance de la charge porte atteinte à la vie privée de l’utilisateur.
La surveillance de charge non intrusive (NILM) est une alter-
La surveillance de la charge est utilisée afin d’estimer la
native pour effectuer la surveillance de charge sans avoir besoin
consommation électrique d’un appareil, d’un ménage, d’un bâti-
d’accéder à un appareil individuel, via une analyse sophistiquée en
ment, d’un quartier, d’une ville, etc. à différents horizons tempo-
un seul point des profils de l’onde de courant et de tension de la
rels (court, moyen et long termes). La surveillance de la charge
charge totale [19]. Son principe repose sur le fait que les appareils
peut aider à optimiser (économiser) la consommation d’énergie en
électriques présentent un comportement spécifique en matière de
localisant les appareils générant beaucoup de gaspillage d’énergie
consommation d’énergie (commutation) lorsqu’ils sont connectés
et devant donc être remplacés, ou en déplaçant des activités de
(ON) et déconnectés (OFF). La connexion et la déconnexion
consommation importantes vers d’autres périodes (périodes
génèrent des changements d’étape positifs/négatifs dans la puis-
creuses). Dans ce dernier cas, les charges sont considérées comme
sance active et réactive, comme cela sera discuté en plus en détail
un stockage virtuel et l’agrégation de nombreuses charges impor-
au § 3.
tantes représente une alternative au stockage électrique
traditionnel [3].
Prenons l’exemple de deux appareils : un grille-pain et un lave-
Tout appareil (dispositif) consommant de l’électricité est appelé vaisselle. Le grille-pain est un appareil à charge résistive qui ne
charge électrique. En général, les appareils ménagers standards consomme que de l’énergie active P, soit 1 200 W, tandis que le lave-
peuvent être divisés en trois catégories de charge : résistive, induc- vaisselle est constitué d’une résistance chauffante (P = 80 W) et d’un
tive et capacitive. Dans le cas de charges purement résistives, la moteur pour pomper et faire circuler l’eau. Ce dernier est un dispositif
puissance est positive (puissance active désignée P, mesurée en à charge réactive avec une puissance réactive Q égale à 150 VAR. La
watts) pour alimenter des appareils tels que des dispositifs de figure 6 montre la variation du signal de charge global correspondant
chauffage (par exemple, un four), tandis que pour les charges à la puissance active consommée par les deux appareils. Au départ,
purement réactives, la puissance est bidirectionnelle (puissance les deux appareils étaient hors tension (Off). À l’instant T1, le grille-
réactive désignée Q, mesurée en volt ampère réactif ou VAR) car pain est mis sous tension (On), puis le lave-vaisselle est mis à son
elle passe de la source d’énergie à l’appareil et inversement. Il tour sous tension (On) à l’instant T2. À l’instant T3, le lave-vaisselle
convient de mentionner qu’en général, les appareils peuvent repré- est mis hors tension (Off) et, enfin, le grille-pain est mis à son tour
senter une combinaison de charges résistives, inductives et capaci- hors tension à l’instant T4.
tives. Par conséquent, afin de quantifier la puissance requise, on
introduit un troisième type de puissance, appelée puissance En surveillance de charge intrusive et non intrusive, les appareils
apparente (désignée S et mesurée en VA). Sur la base de ces trois utilisés sont identifiés en fonction de leur signature. La signature
types de puissance, il est possible de définir le facteur de puis- est une empreinte d’appareil définie comme un ensemble de para-
sance comme la fraction de puissance transformée en charges mètres mesurables extraits du signal électrique qui fournit des
résistives (P) par rapport à la puissance totale (S) requise par les informations sur la nature (énergie consommée) et le statut de
appareils. fonctionnement (états actif/inactif) d’un appareil individuel. Ces
La charge peut être suivie de deux façons distinctes, par une sur- paramètres dépendent de la taille de l’appareil, de la fonction, du
veillance de charge intrusive ou non intrusive. Une surveillance type de sortie, etc. Généralement, ces paramètres décrivent les
de charge intrusive peut être effectuée en estimant les profils caractéristiques électriques des formes d’onde de courant et de
appareils individuels contribuant à la puissance totale S (t) et n le

Consommation nombre total d’appareils actifs dans la période t. S (t) peut être
énergétique Lave-vaisselle
défini comme :
1 280 ON
Lave-vaisselle
Grille-pain ON OFF
1 200
La tâche du système NILM consiste à effectuer une décomposi-
tion de S (t) dans ses signaux de puissance spécifiques à l’appareil
(Si (t), i = 1, ..., n), afin d’identifier chaque appareil individuel.
Grille-pain
OFF En général, les approches NILM effectuent la tâche de désagré-
gation de charge en suivant deux étapes : l’extraction de caracté-
T1 T2 T3 T4 Temps ristiques suivie par l’inférence et l’apprentissage. La première
étape vise à extraire des caractéristiques discriminantes relatives à
Figure 6 – Signal de consommation globale avec deux charges : la consommation électrique d’un appareil afin de construire sa
grille-pain et lave-vaisselle signature ou son empreinte numérique. Lors de l’étape d’inférence
et d’apprentissage, un modèle est utilisé afin de reconnaître
chaque appareil contribuant à la charge globale en fonction de sa
tension (forme, durée, amplitude, harmoniques, etc.) et peuvent
signature. Ces deux étapes sont détaillées au § 3.1.
être classés comme suit [20] :
– appareils résistifs caractérisés par la consommation d’une
puissance réelle uniquement (résistances) et d’une puissance non 3.1 Extraction de caractéristiques
réactive. De plus, ils ne possèdent pas de composants harmo-
niques actuels et leurs transitoires lors de la mise sous tension Les appareils peuvent être divisés en quatre catégories, comme
sont nuls ou très courts. Des exemples de cette catégorie d’appa- illustré dans la figure 7 [21] :
reils sont les appareils de chauffage tels que la plupart des appa-
– les appareils avec seulement deux états de fonctionnement
reils de cuisine ;
(MARCHE/ARRÊT) tels qu’une lampe de table ou un grille-pain ;
– appareils réactifs caractérisés par une puissance réactive subs-
– les appareils impliquant des opérations multi-états, avec un
tantielle et un courant harmonique impair. Ils peuvent être classés
nombre fini d’états, tels que des machines à laver ou des brûleurs
en appareils à longue durée transitoire lors de la mise en marche,
de cuisinière ;
tels que les moteurs électriques entraînant une pompe (réfrigéra-
– les appareils utilisant une puissance variable sans nombre

teurs, congélateurs, machines à laver, etc.) et les appareils à basse
d’états de fonctionnement fixe, tels qu’une perceuse électrique ou
tension passagère en marche tels que les ventilateurs ou les
un éclairage tamisé ;
mixeurs ;
– les appareils à consommation électrique continue à un débit
– appareils à faible consommation d’énergie caractérisés par une
constant, tels que les détecteurs de fumée câblés et les récepteurs
commutation d’amplitude élevée sur les transitoires et un spectre
de télévision par câble.
de courant riche en composants harmoniques tels que les télévi-
seurs, les magnétoscopes ou les ordinateurs personnels. Le degré de discrimination des fonctionnalités extraites dépend
de la catégorie de l’appareil. Par exemple, les appareils à deux
Dans la surveillance de charge intrusive, chaque signature états de fonctionnement sont beaucoup plus faciles à reconnaître
d’appareil individuel est obtenue [5] en générant un signal et en et à distinguer que les appareils comportant des opérations multi-
l’injectant dans le circuit d’alimentation électrique chaque fois états, en particulier lorsque certains des états de fonctionnement
qu’un appareil donné fonctionne. La signature intrusive est géné- d’un appareil correspondent à des niveaux de consommation
rée en construisant un circuit connecté à un appareil lors d’une proches de ceux d’autres appareils.
intrusion initiale unique. Ce circuit génère un signal (niveau de
courant, harmonique de tension ou signal radiofréquence) et Les entités extraites peuvent généralement être classées en deux
l’injecte dans le circuit d’alimentation chaque fois que l’appareil catégories principales :
consomme de l’énergie. En surveillance de charge non intrusive, la – fonctions à l’état stationnaire [22]. Les appareils apparte-
signature de chaque appareil est construite sur la base de l’extrac- nant à cette catégorie consomment une puissance constante dans
tion de caractéristiques à l’aide du signal de consommation de chaque état de fonctionnement. Par conséquent, les caractéris-
charge globale. Le § 3 décrit en détail la façon de déterminer la tiques liées à la magnitude et au signe de la puissance active et
signature de charge non intrusive pour chaque équipement indivi- réactive dans ces états de fonctionnement, ainsi que la variation
duel à partir du signal de consommation de charge globale. graduelle de puissance due à une modification de l’état de fonc-
tionnement d’un appareil (par exemple la mise sous ou hors ten-
sion) sont des exemples de ces caractéristiques. Cette modification
est enregistrée en tant qu’événement et permet de reconnaître
3. Gestion intelligente l’appareil correspondant à partir de la charge globale ;
– fonctions à l’état transitoire [23], où les fonctionnalités
de l’énergie basée sont liées au comportement transitoire d’un appareil lors du chan-
gement d’état de fonctionnement. En effet, les éléments réactifs
sur la surveillance (par exemple les condensateurs de charge) de certains appareils
(par exemple l’alimentation d’un ordinateur) ont un comportement
non intrusive de la charge de consommation distinct (temps de charge/décharge, valeur de la
puissance absorbée, forme, harmoniques, etc.) qui peut être utilisé
En surveillance de charge non intrusive (NILM), le signal de pour discriminer l’appareil correspondant à partir de la charge glo-
charge (données) du bâtiment entier est acquis à partir du tableau bale.
électrique principal situé à l’extérieur du bâtiment ou de la Il existe également des caractéristiques contextuelles et compor-
résidence, évitant ainsi la nécessité d’une installation supplémen- tementales (alimentation non électrique) qui peuvent être utilisées
taire à l’intérieur de la propriété de l’utilisateur. L’approche NILM avec celles extraites du signal d’alimentation (courant et tension).
peut être formulée comme suit. Soit S (t) le signal de puissance Dans la référence [24], les auteurs ont incorporé l’heure du jour, le
agrégé des appareils actifs au point d’entrée du compteur à jour de la semaine et la durée d’utilisation d’un appareil en tant
l’instant t. Soit Si(t), i = 1, ..., n, la consommation électrique des que caractéristiques de leur modèle d’identification afin de mieux
Puissance Appareils multi-états
ON3
ON2
Appareils à puissance
Appareils à deux états variable
ON
ON1
+ dP – dP
Heure
OFF OFF
Figure 7 – Types d’appareils en fonction de leur nombre d’états de fonctionnement et de leur consommation électrique
dP = + 600
dQ = + 100 dP = + 2 000
OFF ON ON1 ON2

P=0 P = 600 P = 1 000 dP = – 2 000 P = 3 000
dP = – 600 Q=0 Q = 100
Q=0 dQ = – 100 Q = 100
dP = – 1 000
dP = + 3 000
Figure 8 – Modèle d’appareil à deux états (cafetière)
dP = + 1 000
dP = – 3 000
reconnaître les appareils. Dans la référence [25], les auteurs ont
proposé d’utiliser des schémas contextuels saisonniers et l’heure
OFF
du jour, tandis que dans [26], les schémas de consommation P=0
d’énergie des appareils et la présence de l’utilisateur ont été utili- Q=0
sés comme caractéristiques contextuelles. Bien que ces caractéris-
tiques améliorent la précision de l’identification des appareils, elles
augmentent la complexité de l’identification et deviennent impos-
sibles à identifier lorsque le nombre d’appareils est trop important
(supérieur à dix). Figure 9 – Modèle d’appareil multi-état (cuisinière)
Les caractéristiques extraites sont liées aux caractéristiques des
signaux de courant et de tension (puissance active/réactive) dans
le temps (par exemple : pics, valeur moyenne quadratique (RMS),
Prenons un exemple d’un appareil multi-états avec un nombre fini
VRMS, IRMS, facteurs de puissance, forme, pente, etc.) et des
d’états de fonctionnement. La figure 9 montre les états de fonction-
domaines de fréquence (analyse des harmoniques, analyse de la
nement d’une cuisinière. C’est un appareil de chauffage, il n’y a donc
fréquence fondamentale, etc.). Toutefois, il convient de mentionner
pas de consommation d’énergie réactive. Cet appareil a deux puis-
que certaines caractéristiques, en particulier transitoires,
sances de chauffage différentes : une consommation de 1 000 W et
dépendent du taux d’échantillonnage. En effet, ils nécessitent un
la seconde de 3 000 W. Il y a 6 événements générés : dP = + 1 000,
taux d’échantillonnage considérablement plus élevé que celui qui
dp = – 1 000, dP = + 2 000, dP = – 2 000, dP = + 3 000 et dP = –
est nécessaire dans le cas des caractéristiques en régime perma-
3 000. Ces événements sont générés lorsque la cuisinière active ou
nent, en particulier au cours du temps. Néanmoins, en cas de
désactive les états OFF, ON1 et ON2, comme illustré dans la
confusion (comportement à l’état stable similaire) entre deux appa-
figure 9.
reils différents, des fonctions transitoires peuvent constituer une
alternative pour éviter cette confusion. Par exemple, les appareils
avec des charges non linéaires qui consomment un courant non
sinusoïdal pendant le fonctionnement, comme les cuisinières à 3.2 Inférence et apprentissage
induction, les harmoniques dans la forme d’onde du courant four-
Cette étape vise à créer un modèle (un classificateur, par
nissent des caractéristiques assez discriminantes.
exemple) capable d’identifier les états de fonctionnement d’un dis-
Prenons l’exemple d’une cafetière comme dans la figure 8. Cet positif spécifique à partir du signal de puissance agrégé. Pour
appareil a deux états de fonctionnement avec une seule étape d’ali- atteindre un tel objectif, les fonctionnalités d’un ensemble d’appa-
mentation de transition (dP, dQ) lors du changement d’état de fonc- reils génériques sont extraites afin d’identifier leurs signatures.
tionnement (MARCHE/ARRÊT). Par conséquent, nous pouvons écrire Ensuite, toutes les combinaisons de signature possibles de ces
(dP = + PON, dQ = + QON) lorsque la cafetière est mise sous tension appareils sont comparées au signal de charge agrégé afin de trou-
et (dP = – PON, dQ = – QON) lorsque la cafetière est mise hors ten- ver la combinaison la plus proche du signal de charge agrégée.
sion. Cette commutation génère quatre événements différents + dP, Les approches utilisées pour construire un modèle capable
– dP, + dQ et + dQ. d’identifier les états de fonctionnement spécifiques des appareils à
partir du signal de charge agrégé peuvent être classées en fonction

de la disponibilité d’une base de données étiquetée contenant les
signatures (caractéristiques) D’un ensemble de comportements de i(t)
consommation d’appareils génériques. Ces approches sont clas-
sées comme étant supervisées, non supervisées et semi-supervi- i1(t) i2(t)
i3(t)
sées et détaillées dans les sous-sections suivantes.
3.2.1 Approches supervisées L1 L2 L3
Dans le cas des approches supervisées, on construit un modèle

à l’aide d’une base de données étiquetée contenant les signatures
(caractéristiques) d’un ensemble de comportements de consom-
mation d’appareils génériques. Cette base de données est obtenue
en utilisant les bases de données étiquetées publiques disponibles,
telles que REDD [27], ECO [28], etc., ou en annotant manuellement
le comportement de consommation des appareils fourni par un
compteur d’énergie (sous-compteur) pour chaque appareil.
Figure 10 – Désagrégation de charge basée sur l’optimisation
Ces approches peuvent être divisées en deux catégories
principales : les approches d’optimisation et de reconnaissance de
formes. Dans les approches d’optimisation [29] [30], le modèle indépendants les uns des autres. Cette hypothèse est fausse car
cherche à déterminer la meilleure correspondance (approchée) les activités de consommation (appareils en marche) d’un consom-
entre les caractéristiques extraites d’une charge inconnue et celles mateur sont corrélées (utilisation d’un four et d’une lampe de cui-
qui proviennent de charges déjà connues dans la base de données sine, par exemple). La deuxième catégorie d’approches de
étiquetée en réduisant au minimum l’erreur (par exemple, la dis- reconnaissance de profils pour NILM prend en compte les informa-
tance) entre elles : tions temporelles contenues dans les caractéristiques extraites. Les
approches basées sur l’utilisation de réseaux de neurones
artificiels [32], de modèles de Markov cachés (HMM) [33] et de
machines à vecteurs de support (SVM) [34] sont des exemples de
où est la fonctionnalité disponible de l’appareil dans la base de ces approches.

données de signatures étiquetée, yi indique la fonctionnalité
extraite de la charge inconnue et n est le nombre de signatures Exemple : supposons un ménage disposant de trois appareils : un
(appareils) dans la base de données. Cependant, ces approches réfrigérateur, une bouilloire et un four à micro-ondes.
présentent plusieurs inconvénients. En effet, leur complexité aug-
Le réfrigérateur a deux états de fonctionnement : état OFF avec
mente de manière exponentielle avec le nombre de signatures dis-
Pr = 0, Qr = 0, et état ON avec Pr = 900 W et Qr = 450 VAR.
ponibles, car elles doivent prendre en compte toutes les
combinaisons possibles de signatures disponibles. En outre, le La bouilloire a également deux états de fonctionnement : état OFF
risque de discrimination entre les appareils ayant une signature de avec Pb = 0, Qb = 0, et état ON avec Pb = 2 300 W et Qb = 0 VAR.
charge similaire ou se chevauchant augmente considérablement. Le four à micro-ondes a trois états de fonctionnement : état OFF
avec Po = 0, Qo = 0, état ON1 avec Po = 1 300 W et Qo = 300 VAR,
Prenons l’exemple présenté dans [29] pour illustrer le principe et état ON2 avec Po = 1 100 W et Qo = 50 VAR.
d’optimisation pour NILM. Considérons trois charges par simplicité : L1, L’espace de signature (espace de fonctions) est composé de dP et
L2 et L3 avec deux états de fonctionnement (MARCHE/ARRÊT) suivant de dQ pour chacun de ces appareils, comme illustré dans la
le schéma de la figure 10. Soit i (t ) la forme d’onde du courant global figure 11. Chaque état de fonctionnement de chacun de ces appareils
fournie par une compagnie d’électricité. i (t ) peut être exprimé comme sera représenté par un motif (point) dans cet espace de signature.
suit, avec e représentant les fluctuations causées par la variation de Cependant, en raison des bruits et de la variation de marque, de taille
tension et les parasites : et d’âge de ces appareils, une zone restreinte autour de ce modèle
est construite afin de représenter l’état de fonctionnement de chaque
appareil. Si une charge inconnue est située dans cette zone restreinte
(grappe classée), l’appareil (ainsi que son état de fonctionnement) est
identifié. Il est à noter que les grappes de certains appareils peuvent
où cj est un entier de valeur nulle lorsque Lj est désactivé et activé se chevaucher dans l’espace réservé aux signatures.
quand Lj est sous tension. ij(t) indique le courant circulant dans l’appa- Par exemple, une machine à café est ajoutée à la charge du
reil Lj (figure 10). La détermination des charges qui sont en l’état ménage. Elle a également deux états de fonctionnement : état OFF
(cj = 1, j = 1, ..., n) est obtenue en minimisant par une méthode de avec Pc = 0, Qc = 0 et état ON avec Pc = 2 250 W et Qc = 0 VAR.
moindres carrés pendant un cycle (T = 1/50 Hz ou T = 1/60 Hz) les
écarts entre la variation du courant observé (courant de charge Nous pouvons voir que la bouilloire et la machine à café ont une
cumulé) et ceux des courants circulant dans les appareils (charges) Lj, consommation d’énergie très similaire (signature) et que les zones
j = 1, ..., n : (grappes) de leurs états de fonctionnement se chevauchent
(figure 11). Afin de dissiper cette confusion, d’autres fonctionnalités,
telles que les fonctionnalités contextuelles (durée d’utilisation),
doivent être ajoutées à l’espace de signature.
Toutefois, il est important de noter que l’étiquetage et l’enre-

Les approches de reconnaissance de modèle reposent sur l’utili- gistrement de la consommation spécifique de chaque appareil
sation d’un modèle (par exemple un classificateur) capable de sont coûteux en termes d’installation de capteurs (compteurs
reconnaître un modèle (signature) d’un appareil dans l’espace de d’énergie) et impossibles à déployer à grande échelle en raison
fonctions. Ces approches sont divisées en deux catégories. La pre- de la grande diversité d’appareils existants (marque, taille, confi-
mière catégorie [19] [31] considère les modèles (signatures) en guration, vieillissement, etc.) et de l’arrivée potentielle de nou-
supposant que les états de fonctionnement des appareils sont veaux appareils.
Espace de signature
Ref-ON
1 000
MW-ON1
Bouilloire-OFF Café-OFF Bouilloire-ON

MW-ON2 dP
dQ
– 2 500 Café-ON 2 500

MW-OFF2 MW-OFF1
– 1 000
Ref-OFF
Figure 11 – Exemple d’utilisation de l’approche de reconnaissance de formes pour un ménage de quatre appareils (réfrigérateur (ref.), bouilloire,
four micro-ondes (MW) et cafetière (café))
3.2.2 Approches non supervisées/ prendre en compte la différence de charge comme caractéristique
semi-supervisées supplémentaire.
Une approche semi-supervisée est proposée dans la
Les approches non supervisées identifient les états de fonction- référence [40] permettant de combiner les avantages des
nement des appareils à partir du signal de charge globale sans approches supervisées et non supervisées. Cette approche crée
aucune information préalable sur la signature de leur consomma- des modèles génériques pour les appareils utilisant les bases de
tion électrique. Généralement, ces approches cherchent à rassem- données publiques disponibles. Ces modèles sont ensuite mis à
bler des modèles représentant le comportement de consommation jour à l’aide des données de consommation d’énergie provenant
d’énergie des appareils dans chacun de leurs états de fonctionne- d’un ménage spécifique. L’objectif de cette mise à jour est d’adap-
ment en grappes. Puis, les paramètres du modèle de chacune de ter les paramètres des modèles génériques aux caractéristiques
ces grappes sont déterminés en utilisant souvent un algorithme EM spécifiques des appareils utilisés par chaque ménage. Les auteurs
(Expectation Maximization) [35]. Ces grappes sont renseignées en ont démontré que l’utilisation de connaissances préalables (don-
attribuant une étiquette indiquant l’appareil correspondant. Enfin, nées étiquetées) pour créer des modèles génériques donne les
tout événement inconnu (changement graduel de la consommation mêmes résultats que l’utilisation de données sous-mesurées [41]
d’énergie dans le signal de charge globale) est classé (identifié ou et surpasse l’état de la technique en utilisant FHMM (approches
associé) dans l’une des grappes ainsi construites (représentant les non supervisées).
états de fonctionnement des appareils).
Les modèles les plus populaires construits dans les approches Prenons l’exemple de la figure 8 représentant la consommation
non supervisées NILM sont les modèles de Markov cachés (HMM) d’énergie d’une machine à café. Construisons un modèle de Markov
tels que Factorial HMM (FHMM) [36] et le processus de Dirichlet caché (HMM) représentant le comportement probabiliste en matière
masqué par les modèles semi-markoviens [37]. Dans ces de consommation d’énergie de cet appareil. Dans le cas du modèle
approches, des fonctionnalités non liées à l’alimentation ou HMM, les états ne sont pas observés directement, tandis que les sor-
contextuelles, telles que le temps et la durée d’utilisation de ties (mesures) sont observées. Ces mesures (consommation d’éner-
l’appareil, sont utilisées avec des fonctionnalités d’alimentation gie active et réactive) dépendent des états cachés. La séquence de
afin de définir l’espace des caractéristiques. Dans [38], une durée ces mesures sur une période T permet de trouver la séquence d’états
en heure, l’heure du jour et le jour de la semaine ont été utilisés correspondant à cette séquence de mesures. Le modèle HMM est
comme fonctionnalités supplémentaires dans l’espace des caracté- ainsi déterminé par une matrice de probabilité de transition, A, une
ristiques. En outre, un modèle factoriel semi-markovien condition- matrice de probabilité d’observation, B, et des probabilités d’état ini-
nel a été mis au point comme développement ultérieur. Ce modèle tiales, C. A définit la probabilité de passage d’un état à un autre. Par
suppose que les états de fonctionnement sont conditionnés par exemple, a11 = 0,9 indique que la probabilité de transition de rester à
des caractéristiques supplémentaires afin d’améliorer l’identifica- l’état 1 (OFF) est de 0,9. a12 = 0,1 indique que la probabilité de transi-
tion des appareils ayant un comportement de consommation tion de l’état (OFF) à l’état (ON) est égale à 0,1 (figure 12).
proche. Cependant, l’ajout de ces fonctionnalités supplémentaires Nous avons deux matrices de probabilité d’observation : une pour
complexifie le modèle. De plus, la précision du modèle diminue la puissance active BA et l’autre pour la puissance réactive BR. À titre
avec un nombre croissant d’appareils. d’exemple, la probabilité d’observation de 0 W à l’état (OFF) est de 1
Dans la référence [39], les approches FHMM différentiels et la probabilité d’observation de 600 W à l’état (ON) est de 0,8
(DFHMM) et FHMM additifs (AFHMM) ont été combinées afin de (figure 12). La probabilité initiale est supposée être l’état OFF avec
tirer parti de la complémentarité entre l’évolution de la consomma- une probabilité de 1. Un algorithme de Viterbi est ensuite utilisé pour
tion d’énergie globale en tant que somme utilisée par l’AFHMM et trouver la séquence d’états la plus probable en réponse à une
le changement de niveau (différence) de cette consommation séquence d’observations. De même, nous construisons le modèle
d’énergie utilisée par le DHMM. Cette combinaison permet d’amé- HMM pour chaque appareil. Ensuite, lorsqu’une observation est
liorer la discrimination de puissance (précision) des appareils à reçue, un algorithme de Viterbi est appliqué afin de trouver l’appareil
partir du signal de charge global. De même, une combinaison dont l’état de fonctionnement est le plus susceptible de contribuer à
entre HMM et DHMM a été proposée dans la référence [40] afin de cette nouvelle observation, comme le montre la figure 13.
d’énergie en présence de sources distribuées d’énergie renouve-

P = 600 lable. Les approches en matière de surveillance de charge ont été
P = 650 classées en deux catégories principales : Systèmes de surveillance
P=0
0,1 0,8 de charge intrusive et non intrusive (NILM). Cet article se concentre
1 sur les approches NILM car elles sont mieux adaptées aux systèmes
0,2 P = 550
0,1 SEM dans le contexte de la transition énergétique. Ces approches
OFF ON mettent en œuvre deux étapes principales : l’extraction des caracté-
1 0,1 0,1 ristiques de l’appareil, ainsi que l’inférence et l’apprentissage. Les
Q=0 0,6 Q = 125 caractéristiques peuvent être divisées en caractéristiques à l’état
stable, caractéristiques à l’état transitoire et en caractéristiques parti-
0,9 0,8 0,3 Q = 100 culières (sans alimentation ou contextuelles). L’étape d’inférence et
d’apprentissage vise à créer un modèle permettant d’identifier un
Q = 75 équipement en se basant sur les caractéristiques extraites du signal
de puissance global. Les approches utilisées pour construire un
modèle au cours de cette étape sont classées en : optimisation et
Figure 12 – Modèle de Markov caché (HMM) en tant que modèle
représentant les états de fonctionnement de la consommation reconnaissance de formes. Les approches appartenant à ces der-
d’énergie d’une machine à café nières sont classées en deux catégories principales : les approches
supervisées et non supervisées/semi-supervisées.
Les algorithmes NILM ont été développés pour la plupart pour le

suivi et l’analyse de la consommation d’énergie dans les ménages
Appareil 1 t–1 t t+1 résidentiels. Cependant, la consommation énergétique des bâti-
ments commerciaux, publics et industriels (écoles, hôpitaux,
magasins, bureaux, etc.) est souvent de plusieurs ordres de gran-
Appareil 2 t
deur supérieure à celle des bâtiments résidentiels. La réduction du
t–1 t+1
coût de la facture d’électricité par site pour les espaces tertiaires
tels que les hypermarchés, les chaînes de restauration rapide, les
stations-service, etc. est très intéressante, car ces secteurs utilisent
t–1 t t+1 des appareils beaucoup plus importants que ceux du secteur rési-
Appareil 3
dentiel. Bien que les économies d’énergie potentielles soient
potentiellement plus importantes pour la technologie NILM, la réa-

lisation d’un tel système est plus difficile car des hypothèses de
base telles que les charges en régime permanent, les dépendances
temporaires, la corrélation d’alimentation deviennent rapidement
Puissance absorbée St – 1 S1 St + 1 erronées [42]. Par conséquent, les systèmes SEM doivent être
S = S1 + S2 + S3 adaptés pour prendre en compte ces différentes caractéristiques.
Toutefois, les espaces tertiaires présentent l’avantage de configu-
Figure 13 – Modèles de Markov cachés (HMM) représentant rations très répétitives par site, utilisant le même ensemble et le
plusieurs comportements de consommation d’appareils à différents même type d’appareil sur leurs sites. Par conséquent, les systèmes
moments combinés dans une structure spécialisée pour former un
HMM factoriel (FHMM) SEM peuvent être réutilisés sur tous les sites d’une telle chaîne
commerciale.
Cependant, la mise à jour des modèles créés et leur affinement En résumé, les principales exigences du développement de sys-
sont effectués hors ligne. Il est important de proposer un modèle tèmes SEM efficaces dans le contexte de la transition énergétique
capable de mettre à jour ses paramètres et sa structure en ligne sont les suivantes :
afin de permettre la mise en œuvre d’approches NILM dans un
– systèmes non intrusifs utilisant uniquement le signal de puis-
environnement de flux de données. De plus, la formation en ligne
sance global collecté à partir d’un seul point de mesure (compteur
permet d’améliorer la précision du modèle grâce à l’utilisation de
intelligent) ;
toutes les données disponibles dès qu’elles le sont. Pour finir, une
approche d’apprentissage en ligne permet de détecter la présence – utilisation de données à faible fréquence d’échantillonnage afin
de nouveaux appareils et d’apprendre leurs modèles. de limiter la mémoire requise et les ressources de traitement ;
– désagrégation non supervisée, afin d’être automatique et indé-
pendante de l’utilisateur en évitant l’étiquetage manuel des appa-
reils par les utilisateurs ;
4. Conclusion et discussion – capacité à généraliser les modèles construits pour les maisons
invisibles ;
Cet article traite du problème de la gestion intelligente de l’éner-
gie (SME) dans le contexte de la transition énergétique (gestion de – capacité à détecter et à construire des modèles pour de nou-
la demande, surveillance de la charge, micro-réseaux, conseil en veaux appareils ;
énergie pour les résidents et les services publics, économie d’éner- – protéger la vie privée des consommateurs en traitant les don-
gie, gestion des revenus par tarification dynamique, compteurs nées de consommation (suivi de la charge) au niveau des
intelligents). Il se concentre sur l’utilisation de techniques d’intelli- ménages ;
gence artificielle pour relever les défis liés à cette question d’actua-
lité. L’article met en lumière les principales différences entre les – identifier des appareils multi-états complexes avec une puis-
réseaux électriques traditionnels et les futurs réseaux électriques sance consommée variable ayant un nombre infini d’états et une
intelligents dans le contexte de la transition énergétique. plage continue de valeurs de consommation d’énergie pendant
leur fonctionnement ;
En outre, cet article détaille le problème de la surveillance de
charge dans les secteurs résidentiel, commercial et industriel afin – prise de décision en temps réel afin d’identifier les états de
d’améliorer l’efficacité énergétique et de réaliser des économies fonctionnement des appareils.
5. Acronymes
SG Réseau intelligent smartgrid DSM Gestion axée sur la Smart Demandside
demande management
DER Ressources énergétiques Distributed energy
distribuées resources DR Réponse à la demande Demand Response
TSO Gestionnaire de réseau de Transmission system SVM Machine à vecteur de Support vector
transport operator support machine
DSO Gestionnaire de réseau de Distributed system NILM Surveillance de charge non Non-intrusive load
distribution operator intrusive management
BRP Responsable d’équilibre Balance responsible HMM Modèle de Markov caché Hidden Markov model
parties
FHMM Modèle de Markov caché Factorial hidden
SEM Système de gestion Smart energy factoriel Markov model
intelligente de l’énergie management
DFHMM FHMM différentiel Differential FHMM
BAS Système d’automatisation Building Automation
du bâtiment system AFHMM FHMM additifs Additive FHMM
P
O
U
Intelligence artificielle et gestion R
intelligente de l’énergie
E
Professeur titulaire
Institute Mines-Telecom (IMT) Lille Douai, France
N
S
Sources bibliographiques A
[1] SIANO PIERLUIGI. – Demand response and
smart grids—A survey. Renewable and sus-
[10] KUMAR (R.), AGGARWAL (R.K.)
SHARMA (J.D.). – Energy analysis of a buil-
et for disaggregated energy sensing: A survey.
Sensors, 12, n° 12, p. 16838-16866 (2012).
V
tainable energy reviews, 30, p. 461-478 ding using artificial neural network: A review.
[2]
(2014).
Digitalization of the Electricity System and
Energy and Buildings, 65, p. 352-358 (2013).
[11] CHEN (C.) et DIANE (J.C.). – Behavior-based
[23] NORFORD (L.K.) et STEVEN (B.L.). – Non-in-
trusive electrical load monitoring in commer- O
cial buildings based on steady-state and tran-
Customer Participation. description and re-
commendations of Technologies, Use Cases
and Cybersecurity”, European Technology
home energy prediction. In 2012 Eighth Inter-
national Conference on Intelligent Environ-
ments, IEEE, p. 57-63 (2012).
sient load-detection algorithms. Energy and
Buildings, 24, n° 1, p. 51-64 (1996). I
and Innovation Platforms (ETIP) Smart
Networks for Energy Transition (SNET), Work-
[12] CAVALHEIRO (J.) et PAULO (C.). – A multidi-
mensional data model design for building
[24] CHANG (H.-H.). – Non-intrusive demand mo-
nitoring and load identification for energy
management systems based on transient
R
group-4 “Digitalization of the Energy System energy management. Advanced Engineering

and Customer Participation”, sept. 2018 feature analyses. Energies, 5, n° 11, p. 4569-
Informatics, 30.4, p. 619-632 (2016).
https://www.etip-snet.eu/wp-content/uploads/ 4589 (2012).
2018/10/ETIP-SNET-Position-Paper-on-Digita- [13] GONZÁLEZ-ROMERA (E.), JARAMILLO-
[25] KIM (H.), MARWAH (M.), ARLITT (M.),
[3]
lisation-FINAL-1.pdf.
ZHOU (K.), FU (C.) et YANG (S.). – Big data
MORÁN (M.A.) et CARMONA-
FERNÁNDEZ (D.). – Monthly electric energy
demand forecasting with neural networks
LYON (G.) et HAN (J.). – Unsupervised disag-
gregation of low frequency power measure-
P
driven smart energy management: From big ments. In: Proceedings of the 2011 SIAM In-
data to big insights. Renewable and Sustai-
nable Energy Reviews, vol. 56, p. 215-225
and Fourier series. Energy Conversion and
Management, 49, n° 11, p. 3135-3142 (2008). ternational Conference on Data Mining,
SIAM, p. 747-758.
L
(2016). [14] EL-FOULY (T.H.M.)EL-SAADANY (E.F.)
[4] PALENSKY (P.) et DIETRICH (D.). – Demand

side management: Demand response, intelli-
SALAMA (M.M.A.). – Grey predictor for wind
energy conversion systems output power
[26] DINESH (C.), MAKONIN (S.) et BAJIC (I.V.). –
Incorporating time-of-day usage patterns U
prediction. IEEE Transactions on Power Sys- into non-intrusive load monitoring. In: Signal
gent energy systems, and smart loads. IEEE
transactions on industrial informatics, vol. 7,
n° 3, p. 381-388 (2011).
tems, 21, n° 3, p. 1450-1452 (2006).
[15] ZHOU (P.A.B.W.), ANG (B.W.) et POH (K.L.).
and Information Processing (GlobalSIP),
2017 IEEE Global Conference on, IEEE, S
– A trigonometric grey prediction approach p. 1110-1114.
[5] WEI (Y.), ZHANG (X.), SHI (Y.), XIA (L.), to forecasting electricity demand. Energy, 31, [27] PARADISO (F.), PAGANELLI (F.), GIULI (D.) et
PAN (S.), WU (J.) et ZHAO (X.). – A review of n° 14, p. 2839-2847 (2006). CAPOBIANCO (S.). – Context-based energy
data-driven approaches for prediction and disaggregation in smart homes. Future Inter-
[16] BUCHANAN (K.), RICCARDO (R.) et BEN (A.).
classification of building energy consump- net, 8, p. 4 (2016).
– Feeding back about eco-feedback: How do
tion. Renewable and Sustainable Energy Re-
consumers use and respond to energy moni- [28] KOLTER (J.Z.) et JOHNSON REDD (M.J.). – A
views, 82, p. 1027-1047 (2018).
tors? Energy Policy, 73, p. 138-146 (2014). public data set for energy disaggregation re-
[6] AMARA (F.), KODJOAGBOSSOU (A.), [17] EUN-JU (L.), PARK JI-NYOUNG (K.J.-M.) et search. In: Workshop on Data Mining Appli-
CARDENAS (Y.D.) et SOUSSO (K.). – Compa- BAE (M.-H.). – User interface design for chan- cations in Sustainability (SIGKDD), San
rison and simulation of building thermal mo- ging energy end-users behavior. Feedback, Diego, CA, vol. 25, p. 59-62.
dels for effective energy management. Smart 3, n° 6, p. 1 (2009).
10 - 2019
Grid and renewable energy, 6, n° 04, p. 95 [29] BECKEL (C.), KLEIMINGER (W.),
(2015). [18] DARBY (S.). – The effectiveness of feedback CICCHETTI (R.), STAAKE (T.) et SANTINI (S.).
on energy consumption. A Review for DEFRA – The eco data set and the performance of
[7] XU (W.), REN (G.), YOUZHU (L.) et of the Literature on Metering, Billing and di-
YONGWU (D.). – Forecasting energy nonintrusive load monitoring algorithms. In:
rect Displays, 486, n° 2006, p. 26 (2006). Proceedings of the 1st ACM Conference on
consumption using a new GM–ARMA model
based on HP filter: The case of guangdong [19] NGUYEN (T.A.) et MARCO (A.). – Energy in- Embedded Systems for Energy-Efficient Buil-
province of China. Economic Modelling, 45, telligent buildings based on user activity: A dings, ACM, p. 80-89.
Doc. BE 6 000
p. 127-135 (2015). survey. Energy and buildings, 56, p. 244-257

[30] SUZUKI (K.), INAGAKI (S.), SUZUKI (T.),
(2013).
[8] DHAR (A.), AGAMI REDDY (T.) et NAKAMURA (H.) et ITO (K.). – Nonintrusive
CLARIDGE (D.E.). – Modeling hourly energy [20] HART (G.W.). – Nonintrusive appliance load appliance load monitoring based on integer
use in commercial buildings with Fourier se- monitoring. Proceedings of the IEEE, 80, programming. In Proceedings of SICE An-
ries functional forms. Journal of Solar En- n° 12, p. 1870-1891 (1992). nual Conference, Tokyo, Japan, p. 20-22 aout
ergy Engineering, 120, n° 3, p. 217-223 [21] SOUCEK (S.), GERHARD (R.) et CLARA (T.). – 2008 ; vol. 174, p. 2742–2747.
(1998). Using appliance signatures for monitoring [31] BARANSKI (M.) et VOSS (J.). – Genetic Algo-
[9] AZADEH (A.), GHADERI (S.F.) et residential loads at meter panel level. IEEE rithm for Pattern Detection in NIALM Sys-
SOHRABKHANI (S.). – A simulated-based Transactions on Power Delivery (1991). tems. In Proceedings of IEEE International
neural network algorithm for forecasting [22] ZOHA (A.), ALEXANDER (G.), Conference on Systems Man and Cyberne-
electrical energy consumption in Iran. En- MUHAMMAD (I.) et SUTHARSHAN (R.). – tics, Hague, The Netherlands, vol. 4, p. 3462-
ergy Policy, 36, n° 7, p. 2637-2644 (2008). Non-intrusive load monitoring approaches 3468, 10-13 oct. 2004.
Copyright © – Techniques de l’Ingénieur – Tous droits réservés Doc. BE 6 000 – 1
P INTELLIGENCE ARTIFICIELLE ET GESTION INTELLIGENTE DE L’ÉNERGIE ________________________________________________________________________

O
U [32] MARCHIORI (A.), HAKKARINEN (D.), ubiquitous smart home. Inform. Sci., [40] KOLTER (J.Z.) et JAAKKOLA (T.). – Approxi-
R HAN (Q.) et EARLE (L.). – Circuit-level load

monitoring for household energy manage-
ment. IEEE Pervas. Comput., 10, p. 40-48
DOI:10.1016/j.ins.2012.10.002 (2012).
[36] MOON (T.K.). – The expectation-maximiza-
mate inference in additive factorial HMMs
with application to energy disaggregation.
In: Artificial Intelligence and Statistics,
tion algorithm. IEEE Signal processing maga-
(2011). p. 1472-1482.
zine, 13, n° 6, p. 47-60 (1996).
[33] RUZZELLI (A.G.), NICOLAS (C.), [37] BONFIGLI (R.), EMANUELE (P.), MARCO (F.), [41] PARSON (O.), SIDDHARTHA (G.), MARK (W.)
E SCHOOFS (A.) et O’HARE (G.M.P.). – Real-

time recognition and profiling of appliances
through a single electricity sensor. In Procee-
MARCO (S.), STEFANO (S.)
FRANCESCO (P.). – Non-intrusive load moni-
et
toring by using active and reactive power in

et ALEX (R.). – Non-intrusive load monitoring
using prior models of general appliance
types. In Twenty-Sixth AAAI Conference on
N dings of the 7th Annual IEEE Communica-

tions Society Conference on Sensor, Mesh
and Ad Hoc Communications and Networks,
additive Factorial Hidden Markov Models.
Applied Energy, 208, p. 1590-1607 (2017).
Artificial Intelligence (2012).
[42] PARSON (O.), GHOSH (S.), WEAL (M.) et

[38] JOHNSON (M.J.) et ALAN (S.W.). – Bayesian
Boston, MA, USA, 21-25, p. 1-9, juin 2010. ROGERS (A.). – An unsupervised training
nonparametric hidden semi-Markov models.
method for non-intrusive appliance load mo-
Journal of Machine Learning Research, 14,
[34] MAKONIN (S.) et POPOWICH (F.). – Nonintru- nitoring. Artificial Intelligence, 217, p. 1-19
S sive load monitoring (NILM) performance
evaluation. Energy Efficiency, 8, p. 809-814
n°, p. 673-701, févr. 2013.
[39] KIM (H.), MARWAH (M.), ARLITT (M.),
(2014).
(2015). LYON (G.) et HAN (J.). – Unsupervised disag- [43] BATRA (N.), OLIVER (P.), MARIO (B.),
A [35] LAI (Y.X.), LAI (C.F.), HUANG (Y.M.) et
gregation of low frequency power measure-
ments. In: Proceedings of the 2011 SIAM In-
AMARJEET (S.) et ALEX (R.). – A comparison
of non-intrusive load monitoring methods
CHAO (H.C.). – Multi-appliance recognition ternational Conference on Data Mining, for commercial and residential buildings.
V system with hybrid SVM/GMM classifier in SIAM, p. 747-758. arXiv preprint arXiv:1408.6595 (2014).
O
I
R
P
L
U
S
Doc. BE 6 000 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés
GAGNEZ DU TEMPS ET SÉCURISEZ VOS PROJETS
EN UTILISANT UNE SOURCE ACTUALISÉE ET FIABLE
Techniques de l’Ingénieur propose la plus importante

collection documentaire technique et scientifique
en français !
Grâce à vos droits d’accès, retrouvez l’ensemble
des articles et fiches pratiques de votre offre,
leurs compléments et mises à jour,
et bénéficiez des services inclus.
   
RÉDIGÉE ET VALIDÉE MISE À JOUR 100 % COMPATIBLE SERVICES INCLUS
PAR DES EXPERTS PERMANENTE SUR TOUS SUPPORTS DANS CHAQUE OFFRE
NUMÉRIQUES
 + de 350 000 utilisateurs

 + de 10 000 articles de référence
 + de 80 offres
 15 domaines d’expertise
Automatique - Robotique Innovation
Biomédical - Pharma Matériaux
Construction et travaux publics Mécanique
Électronique - Photonique Mesures - Analyses
Énergies Procédés chimie - Bio - Agro
Environnement - Sécurité Sciences fondamentales
Génie industriel Technologies de l’information
Ingénierie des transports
Pour des offres toujours plus adaptées à votre métier,

découvrez les offres dédiées à votre secteur d’activité
Depuis plus de 70 ans, Techniques de l’Ingénieur est la source

d’informations de référence des bureaux d’études,
de la R&D et de l’innovation.
www.techniques-ingenieur.fr
CONTACT : Tél. : + 33 (0)1 53 35 20 20 - Fax : +33 (0)1 53 26 79 18 - E-mail : [email protected]
LES AVANTAGES ET SERVICES
compris dans les offres Techniques de l’Ingénieur
  
ACCÈS
Accès illimité Téléchargement des articles Consultation sur tous

aux articles en HTML au format PDF les supports numériques
Enrichis et mis à jour pendant Pour un usage en toute liberté Des contenus optimisés
toute la durée de la souscription pour ordinateurs, tablettes et mobiles
 
SERVICES ET OUTILS PRATIQUES
Questions aux experts* Articles Découverte Dictionnaire technique multilingue

Les meilleurs experts techniques La possibilité de consulter des articles 45 000 termes en français, anglais,
et scientifiques vous répondent en dehors de votre offre espagnol et allemand
 
Archives Impression à la demande Alertes actualisations
Technologies anciennes et versions Commandez les éditions papier Recevez par email toutes les nouveautés
antérieures des articles de vos ressources documentaires de vos ressources documentaires
*Questions aux experts est un service réservé aux entreprises, non proposé dans les offres écoles, universités ou pour tout autre organisme de formation.
ILS NOUS FONT CONFIANCE
www.techniques-ingenieur.fr
CONTACT : Tél. : + 33 (0)1 53 35 20 20 - Fax : +33 (0)1 53 26 79 18 - E-mail : [email protected]

Livre Blanc Intelligence Artificielle Et Gestion Intelligente de Lenergie

Transféré par

Droits d'auteur :

Formats disponibles

Livre Blanc Intelligence Artificielle Et Gestion Intelligente de Lenergie

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Livre Blanc Intelligence Artificielle Et Gestion Intelligente de Lenergie

Transféré par

Droits d'auteur :

Formats disponibles

ÉNERGIES

Cet article est issu de : Énergies | Ressources énergétiques et stockage

par Moamar SAYED MOUCHAWEH

Pour toute question :

Intelligence artificielle et gestion

par Moamar SAYED MOUCHAWEH

1. Transition énergétique........................................................................ BE 6 000 - 2

3.1 Extraction de caractéristiques................................................................. — 9

U n réseau électrique intelligent ( Smart grid – SG) comprend des compo-

Un réseau intelligent SG présente plusieurs problèmes et défis de recherche

brer et optimiser la production ainsi que la consommation, renforcer la

Copyright © – Techniques de l’Ingénieur – Tous droits réservés BE 6 000 – 1

INTELLIGENCE ARTIFICIELLE ET GESTION INTELLIGENTE DE L’ÉNERGIE ________________________________________________________________________

charge, microréseaux, conseil en énergie aux résidents et services publics, éco-

1. Transition énergétique Cependant, la transition énergétique est confrontée à plusieurs

BE 6 000 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

________________________________________________________________________ INTELLIGENCE ARTIFICIELLE ET GESTION INTELLIGENTE DE L’ÉNERGIE

DER Utilisateur DER Utilisateur

Figure 1 – Équilibre et flexibilité du réseau dans le contexte de la transition énergétique

Prenons l’exemple de la figure 1 pour illustrer le rôle des BRP

ressources en énergies renouvelables distribuées, les véhicules élec-

Copyright © – Techniques de l’Ingénieur – Tous droits réservés BE 6 000 – 3

INTELLIGENCE ARTIFICIELLE ET GESTION INTELLIGENTE DE L’ÉNERGIE ________________________________________________________________________

Générateur 1 Fournisseur / Agrégateur Prosommateurs

1 : Échange mutuel de données opérationnelles et contractuelles et ajustement financier

consommation de l’utilisateur, caractéristiques et paramètres du

BE 6 000 – 4 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

________________________________________________________________________ INTELLIGENCE ARTIFICIELLE ET GESTION INTELLIGENTE DE L’ÉNERGIE

Les microréseaux contribuent à accroître la flexibilité du réseau

2.1 Principes généraux des techniques

Copyright © – Techniques de l’Ingénieur – Tous droits réservés BE 6 000 – 5

INTELLIGENCE ARTIFICIELLE ET GESTION INTELLIGENTE DE L’ÉNERGIE ________________________________________________________________________

Caractéristiques Facture détaillée

Figure 4 – Structure générale d’un système SEM

BE 6 000 – 6 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

________________________________________________________________________ INTELLIGENCE ARTIFICIELLE ET GESTION INTELLIGENTE DE L’ÉNERGIE

profil de consommation. Généralement, les approches utilisées

Copyright © – Techniques de l’Ingénieur – Tous droits réservés BE 6 000 – 7

INTELLIGENCE ARTIFICIELLE ET GESTION INTELLIGENTE DE L’ÉNERGIE ________________________________________________________________________

énergétiques des utilisateurs ou des équipements (appareils) élec-

exemple, des sous-compteurs) mesurant la consommation d’éner-

BE 6 000 – 8 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

________________________________________________________________________ INTELLIGENCE ARTIFICIELLE ET GESTION INTELLIGENTE DE L’ÉNERGIE

appareils individuels contribuant à la puissance totale S (t) et n le

– les appareils utilisant une puissance variable sans nombre

Copyright © – Techniques de l’Ingénieur – Tous droits réservés BE 6 000 – 9

INTELLIGENCE ARTIFICIELLE ET GESTION INTELLIGENTE DE L’ÉNERGIE ________________________________________________________________________

Puissance Appareils multi-états

OFF ON ON1 ON2

BE 6 000 – 10 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

________________________________________________________________________ INTELLIGENCE ARTIFICIELLE ET GESTION INTELLIGENTE DE L’ÉNERGIE

partir du signal de charge agrégé peuvent être classées en fonction

3.2.1 Approches supervisées L1 L2 L3

Dans le cas des approches supervisées, on construit un modèle

où est la fonctionnalité disponible de l’appareil dans la base de ces approches.

Toutefois, il est important de noter que l’étiquetage et l’enre-

Copyright © – Techniques de l’Ingénieur – Tous droits réservés BE 6 000 – 11

INTELLIGENCE ARTIFICIELLE ET GESTION INTELLIGENTE DE L’ÉNERGIE ________________________________________________________________________

Bouilloire-OFF Café-OFF Bouilloire-ON

– 2 500 Café-ON 2 500