Non-Intrusive Load Monitoring: Event Detection Using Reinforcement Learning

La surveillance de charge non-intrusive (SCNI) est la technique utilisée pour dissocier la consommation d’énergie totale en utilisation d’énergie individuel au niveau des appareils sans avoir besoin de capteurs ou de compteurs supplémentaires. SCNI est essentielle pour la mise en œuvre de certaines techniques de gestion de la demande (GD) dans les réseaux électriques. Les algorithmes SCNI comprennent plusieurs modules et étapes, parmi lesquels l’étape de détection d’événements ayant un impact significatif sur les résultats finaux. Cette thèse propose un nouvel algorithme et une architecture pour la détection d’événements dans les solutions SCNI basées sur des événements afin d’améliorer leurs performances. Les algorithmes de détection d’événements existants, tels que les méthodes probabilistes ou heuristiques expertes, reposent sur des critères d’entrée spécifiques pour identifier les transitions de charge particulières pour lesquelles ils ont été conçus. Cependant, les algorithmes traditionnels de détection d’événements échouent souvent à détecter plusieurs événements de charge dans les profils de charge résidentiels. Pour réduire la dépendance à des conditions spécifiques et améliorer les performances des algorithmes de détection d’événements, nous utilisons l’apprentissage par renforcement (AR) pour former un agent qui apprend et intègre les connaissances des autres algorithmes de détection d’événements avec lesquels il est formé. Grâce à de nombreuses interactions entre l’agent AR et les algorithmes de détection d’événements intégrés dans son système de rétroaction, l’agent AR acquiert les connaissances de toutes les méthodes traditionnelles et améliore leurs performances tout en minimisant les erreurs. En ce qui concerne l’ensemble de données, nous avons choisi l’ensemble de données iAWE du monde réel parmi les ensembles de données SCNI disponibles publiquement. Cet ensemble de données a été collecté dans une maison à New Delhi, en Inde, et comprend des données souscomptées pour plusieurs appareils, ainsi que la consommation d’énergie totale échantillonnée à une fréquence de 1 Hz. Cependant, comme il ne comprend pas d’étiquettes d’événements de charge, un algorithme générateur de profil de charge artificiel est conçu pour générer des profils de charge étiquetés illimités à partir des signatures de charge iAWE pour le processus d’apprentissage par renforcement et l’évaluation. Pour améliorer davantage les performances de l’agent AR, nous introduisons une nouvelle structure de mémoire appelée Double Mémoire de Relecture (DMR), qui joue un rôle crucial dans la capacité de l’agent AR à détecter des événements. Sans la structure DMR, l’agent AR rencontre des problèmes lorsqu’il est confronté à un nombre illimité d’états possibles dans un profil de charge. Pour étudier les performances de la méthode proposée de détection d’événements pour SCNI en utilisant l’agent AR (ARSCNI), nous avons défini quatre groupes de scénarios impliquant différentes combinaisons de signaux d’entrée, de fréquences d’échantillonnage et d’informations externes. L’ensemble de signaux d’entrée comprend toutes les combinaisons de puissance active (P), de puissance réactive (Q) et de courant (I). L’ensemble de fréquences d’échantillonnage contient des fréquences de 1 Hz et 0,2 Hz. L’ensemble d’informations externes indique la présence ou l’absence de scores de performance des algorithmes traditionnels de détection d’événements. La méthode de détection d’événements ARSCNI proposée a surpassé tous les algorithmes intégrés de détection d’événements traditionnels dans tous les différents groupes de scénarios. Étant donné que l’architecture proposée n’impose aucune exigence quant au fonctionnement des algorithmes de détection d’événements existants et améliore leur flexibilité en termes de critères opérationnels, la méthode de détection d’événements ARSCNI peut éliminer de nombreux obstacles à l’utilisation généralisée de ARSCNI dans les réseaux électriques.