Les différentes méthodes Machine Learning (ML)

Table des matières

Résumé
Remerciements
Table des matières
Table des figures
Liste des tableaux
Liste des symboles
Liste des acronymes
Chapitre 1· Introduction
1.1 Contexte général et motivation
1.2 Bénéfices de la surveillance de charges dans le secteur résidentiel
1.3 Problématique de thèse
1.4 Objectifs et contributions
1.5 Méthodologie
1.6 Plan du manuscrit
Chapitre 2· NILM· État de l’art
2.1 Généralités sur la surveillance non-intrusive
2.1.1 Catégorisation des charges
2.1.2 Type de caractéristiques .
2.2 Désagrégation de mélanges additifs
2.2.1 Apprentissage automatique.
2.2.2 Optimisation combinatoire
2.2.3 Analyse séquentielle déterministe
2.2.4 Analyse séquentielle probabiliste
2.3 Approches orientées aux charges thermostatiques
2.4 Synthèse des revues et critères pour la sélection du modèle
Chapitre 3 – Modélisation de multiples éléments thermostatiques
3.1 Introduction
3.2 Modèle probabiliste à deux états
3.2.1 Les états cachés et les observations associées
3.2.2 Analyse probabiliste de la dynamique des états
3.2.3 Modèle de transition incluant la durée du séjour
3.2.3.1 Le temps de séjour et l’analyse de survie conditionnelle
3.2.3.2 Risque instantané et probabilité de transition
3.2.4 Reconnaissance probabiliste des profils à deux états .
3.2.4.1 Maximisation du logarithme de la vraisemblance
3.2.4.2 Maximisation du logarithme de la vraisemblance
3.2.4.3 Programmation dynamique pour l’ inférence des états
3.2.4.4 Étiquetage de séquences
3.2.4.5 Puissance et énergie moyenne d’un profil thermostatique
3.3 Agrégation de modèles et détection parallèle des états
3.3.1 Transitions entre super-états
3.3.2 Émissions agrégées
3.3.3 Pré-allocation des probabilités de transition avec les opérations de Kronecker
3.3.4 Algorithme de Viterbi
3.4 Synthèse du chapitre
Chapitre 4 – Évaluation de la méthode
4.1 Cadre comparatif et scénarios d’évaluation
4.2 Apprentissage supervisé des approches NILM étudiées
4.2.1 Estimation des états à partir des profils individuels
4.2.2 Entraînement des modèles à durée explicite
4.2.3 Entraînement des modèles FHMM
4.2.4 Entraînement des modèles RNN
4.3 Métriques et indicateurs de performance
4.3.1 Métriques pour la détection de l’état
4.3.2 Métriques pour la reconstruction du profil
4.4 Résultats préliminaires
4.4.1 Désagrégation des charges conventionnelles à deux états
4.4.2 Effet des charges inconnues
4.5 Désagrégation de charges thermostatiques actives à des puissances similaires
4.6 Cas des charges de chauffage contrôlées par des thermostats électroniques
4.6.1 Modèle MLI avec rapport cyclique stochastique
4.6.2 Initialisation et mise à jour des paramètres
4.6.3 Résultats
4.7 Discussion sur les résultats de la validation
Chapitre 5 – Conclusions et recommandations
5.1 Synthèse des travaux
5.2 Limitations et difficultés
5.2.1 Complexité de la méthode factorielle
5.2.2 Maximums locaux dans l’apprentissage de Viterbi
5.2.3 L’hypothèse d’indépendance entre les éléments
5.3 Recommandations
Bibliographie
5.3.1 Lois paramétriques alternatives pour la durée de l’état
5.3.2 Distributions priori sur les paramètres de la loi de Weibull
5.3.3 Estimation non supervisée des paramètres thermostatiques
5.3.4 Profit des ressources NILM disponibles