Effective and scalable smart residential energy monitoring systems

Langevin, Antoine (2022). Effective and scalable smart residential energy monitoring systems. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

The growing interest for active end-user contribution in reducing the carbon footprint brings several new challenges that traditional solutions are insufficient to handle. In this collective effort, novel solutions, such as the accessibility of detailed information on users’ electrical energy consumption or the implementation of smart energy management systems, must be applied to achieve further energy savings. However, these solutions require effective and scalable methods to monitor the power consumption of appliances and predict household power demand while maintaining systems with limited intrusiveness and low cost.

In this thesis, we propose methods for appliance load monitoring (ALM) and household shortterm load forecasting (STLF). These methods are designed to address challenging problem characteristics that arise in real use cases. As an effective solution for demand response programs, semi-intrusive load monitoring (SILM) is used to get granular power measurements at the level of individual appliances in buildings. Hall effect sensors (HES) on each wire attached to a circuit breaker in distribution panels are one means of providing SILM. However, HES are greatly affected by crosstalk noise generated by neighboring wires, up to 35% of interfering signals. As a first contribution, we propose a blind source separation (BSS) approach to remove crosstalk noise and make SILM measurements accurate for home energy management systems. The proposed BSS approach is designed to deal with several challenging problems such as sparse mixing matrices, low mixing coefficients, and imbalanced signal levels. Experiments show that the proposed BSS approach achieves state-of-the-art performance, making the SILM a reliable low-cost alternative to intrusive ALM.

On the other hand, non-intrusive load monitoring (NILM) is a technique that uses a single sensor to measure the total power consumption of a building. Using an energy disaggregation method, the consumption of individual appliances can be estimated from the aggregate measurement. Recent energy disaggregation algorithms have significantly improved the performance of NILM systems. However, the generalization capability of these methods to different houses as well as the disaggregation of multi-state appliances are still major challenges. As a second contribution, we propose an energy disaggregation approach based on the variational autoencoders (VAE) framework. The probabilistic encoder makes this approach an efficient model for encoding information relevant to the reconstruction of the target appliance consumption. Experiments show that the proposed model accurately generates more complex load profiles, thus improving the power signal reconstruction of multi-state appliances. Moreover, the regularized latent space of the VAE framework strengthens the generalization capabilities of the model across different houses.

Finally, as a third contribution, we propose a two-stage approach for household STLF. However, the electrical load at the household level is highly impacted by user behavior. Hence, load forecasting at such a level of granularity is challenging due to the high uncertainty caused by the difficulty of expecting the user behavior. Therefore, the proposed approach leverages past and future appliance load information estimated from a NILM method. This granular information is then augmented through a household load predictive model. In the light of the experimental results on real-world data, identifying the running appliances as well as predicting their consumption is relevant information, and consequently has a significant impact on the performance of the household STLF.

This thesis shows challenges and solutions for monitoring and forecasting electricity consumption at a low granularity level in real use cases in buildings. We propose a SILM solution and a NILM solution to address some of these challenges for the ALM task. Moreover, we propose a STLF approach that leverages appliance load information to predict more accurately the household load demand. We validate all proposed methods on real-world data sets and identify future research directions and remaining problems.

Titre traduit

Systèmes intelligents de surveillance de l’énergie résidentielle efficaces et évolutifs

Résumé traduit

L’intérêt croissant pour la contribution active des consommateurs à la réduction de l’empreinte carbone entraîne plusieurs nouveaux défis que les solutions traditionnelles ne parviennent pas à satisfaire. Dans cet effort collectif, de nouvelles solutions, telles que l’accessibilité à l’information détaillée sur la consommation électrique des usagers ou la mise en oeuvre de systèmes intelligents de gestion de l’énergie, doivent être réalisées afin d’accroître davantage les performances énergétiques. Toutefois, ces solutions nécessitent des méthodes efficaces et évolutives pour surveiller la consommation électrique des usagers et prédire la demande électrique des ménages, tout en maintenant un faible coût et en minimisant le caractère intrusif de ces méthodes.

Dans cette thèse, nous proposons des méthodes pour la surveillance de la charge des appareils électriques et pour la prévision à court terme de la charge (PCTC) des ménages. Ces méthodes sont conçues pour répondre aux difficultés rencontrées dans des cas d’utilisation réels. En tant que source d’information pertinente pour les « programmes de réaction à la demande », la surveillance semi-intrusive de la charge (SSIC) est utilisée pour obtenir des mesures granulaires de la consommation électrique des appareils dans les bâtiments. Des capteurs à effet Hall attachés sur chaque fil relié à un disjoncteur dans les panneaux de distribution est une méthode pour réaliser la SSIC. Toutefois, les capteurs à effet Hall sont fortement affectés par les fils électriques adjacents, pouvant atteindre 35% des signaux parasites. En guise de première contribution, nous proposons une approche de séparation aveugle de sources (SAS) pour retirer le bruit diaphonique et rendre les mesures SSIC précises. L’approche SAS proposée est conçue pour traiter plusieurs problèmes complexes tels que les matrices de mélange clairsemées, les faibles coefficients de mélange et les niveaux de signal déséquilibrés. Les expériences révèlent que l’approche SAS proposée atteint des performances de pointe, faisant du SSIC une alternative fiable et peu coûteuse aux systèmes intrusifs de surveillance de la charge des appareils électriques.

D’autre part, la surveillance non intrusive de la charge (SNIC) est une technique qui utilise un seul capteur pour mesurer la consommation électrique totale d’un bâtiment. En utilisant une méthode de désagrégation de l’énergie, la consommation des appareils individuels peut être estimée à partir de la mesure globale. Les récents algorithmes de désagrégation de l’énergie ont amélioré de manière significative les performances des systèmes de SNIC. Cependant, la capacité de généralisation de ces méthodes sur différentes maisons ainsi que la désagrégation de la charge des appareils à états multiples demeurent des défis majeurs à relever. Comme deuxième contribution, nous proposons donc une approche de désagrégation énergétique basée sur le cadre des autoencodeurs variationnels. L’encodeur probabiliste fait de cette approche un modèle efficace pour encoder les informations pertinentes à la reconstruction du signal de l’appareil cible. Les expériences montrent que le modèle proposé génère avec précision des profils de charge plus complexes, améliorant ainsi la reconstruction du signal de la consommation des appareils à plusieurs états. De plus, l’espace latent régularisé du cadre des autoencodeurs variationnels consolide les capacités de généralisation du modèle à travers différentes maisons.

Enfin, comme troisième contribution, nous proposons un cadre en deux étapes pour la PCTC des ménages. La charge électrique au niveau du ménage est fortement influencée par les comportements des occupants. Par conséquent, la prévision de la charge à un tel niveau de granularité demeure un défi en raison de l’incertitude élevée causée par la difficulté de prévoir le comportement des consommateurs. Ainsi, l’approche proposée exploite les informations sur la consommation passée et future des appareils ménagers extraites à partir d’une méthode SNIC. Ces informations granulaires sont ensuite fournies en entrée au modèle prédictif de la charge du ménage. À la lumière des résultats expérimentaux sur des données réelles, l’identification des appareils en fonctionnement ainsi que la prédiction de leur consommation future sont des informations pertinentes, et ont par conséquent un impact significatif sur les performances de la PCTC au niveau du ménage.

Cette thèse illustre les défis et les solutions pour la surveillance et la prévision de la consommation électrique à un niveau de granularité faible dans des cas d’utilisation réels dans les bâtiments. Nous proposons une solution SSIC et une solution SNIC pour relever certains de ces défis pour la tâche de surveillance de la charge des appareils électriques. De plus, nous proposons un cadre de PCTC qui exploite les informations de la consommation des appareils afin de prédire avec plus de précision la demande de charge des ménages. Nous validons toutes les méthodes proposées sur des ensembles de données réelles et identifions les directions de recherche futures et les problèmes restants.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 117-131).
Mots-clés libres:	surveillance de la charge des appareils, surveillance non intrusive de la charge, séparation aveugle de sources, autoencodeur variationnel, prévision de la charge à court terme
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Gagnon, Ghyslain
Codirecteur:	Codirecteur Cheriet, Mohamed
Programme:	Doctorat en génie > Génie
Date de dépôt:	15 févr. 2023 15:51
Dernière modification:	15 févr. 2023 15:51
URI:	https://espace.etsmtl.ca/id/eprint/3173

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt