Avancées dans la surveillance de charge non intrusive

La surveillance non intrusive de la charge (NILM) suscite de plus en plus d’intérêt comme méthode pour surveiller la consommation d’énergie dans les foyers. Ça peut aider les gens à mieux comprendre leur Consommation d'énergie et à concevoir de meilleurs programmes énergétiques. Cependant, les méthodes traditionnelles de NILM nécessitent souvent des dispositifs spéciaux qui collectent des données énergétiques détaillées, se concentrant généralement sur les appareils à forte consommation. Cette approche rend difficile l'application des méthodes NILM quand seules des lectures basiques de Compteurs intelligents sont disponibles, surtout quand ces lectures sont de faible résolution.

Cet article explore une nouvelle approche pour la désagrégation de charge en utilisant des données énergétiques de base provenant de compteurs intelligents et des informations météorologiques facilement accessibles. On vise à décomposer l'utilisation de l'énergie pour différents appareils, qu'ils soient à forte ou faible consommation, même lorsque les données sont collectées peu fréquemment, comme toutes les heures. De plus, on introduit un modèle d'Apprentissage Fédéré pour améliorer notre approche, permettant un apprentissage efficace sans avoir besoin de partager des données sensibles.

#Le Besoin de NILM

Les compteurs intelligents sont de plus en plus utilisés dans les maisons à travers le monde. Ils peuvent aider à réduire la consommation d'énergie en sensibilisant les gens à leur utilisation d'énergie. Cependant, la plupart des compteurs intelligents ne suivent que la consommation totale du ménage, ce qui rend essentiel de séparer la consommation d'énergie par appareil. La méthode NILM permet cette séparation, offrant une solution économique pour améliorer la compréhension et l'efficacité.

Une manière précise de décomposer l'utilisation de l'énergie au niveau des appareils peut profiter aux consommateurs d'énergie et aux services publics en identifiant les appareils inefficaces. Cette connaissance peut conduire au remplacement des vieux appareils énergivores par des options plus récentes et plus efficaces, entraînant des économies d'énergie.

#Défis des Méthodes Traditionnelles de NILM

NILM s'appuie généralement sur la reconnaissance de caractéristiques spécifiques dans les données énergétiques, comme les variations de courant et de tension, pour identifier les appareils individuels. Les méthodes traditionnelles nécessitent souvent un échantillonnage haute fréquence (par exemple, chaque seconde) pour capturer ces caractéristiques. Cependant, les compteurs intelligents réels ne fournissent généralement pas d’informations aussi détaillées. Ils enregistrent généralement la consommation d'énergie toutes les 15 minutes à 1 heure, rendant les méthodes NILM traditionnelles peu pratiques.

Le principal problème vient de la détection des appareils basse consommation, leurs variations d'utilisation d'énergie étant minimales par rapport aux appareils à forte consommation. Cette moyenne des données rend difficile l'identification de quand ces appareils basse consommation s'allument ou s'éteignent. De nombreuses méthodes conçues pour analyser des données haute résolution rencontrent des difficultés lorsqu'elles sont appliquées aux données de plus basse résolution que fournissent les compteurs intelligents.

De plus, certaines approches existantes se concentrent uniquement sur les appareils à forte consommation comme les climatiseurs et les chauffages, en ignorant les appareils basse consommation qui jouent un rôle significatif dans les schémas de consommation d'énergie globaux.

#Intégration de Données Externes

Pour surmonter les limitations des approches traditionnelles de NILM, les chercheurs ont suggéré d'améliorer les algorithmes NILM en augmentant la diversité des données ou en utilisant des sources de données supplémentaires. Certains ont proposé d'utiliser des données météorologiques pour contextualiser les habitudes de consommation d'énergie, montrant que la météo peut influencer les schémas d'utilisation de l'énergie.

L'incorporation de données météorologiques accessibles peut aider à comprendre comment l'utilisation de l'énergie varie avec les changements de température et d'humidité. Ces informations peuvent être précieuses pour désagréger l'énergie pour divers appareils.

#Le Rôle de l'Apprentissage Fédéré

La vie privée est une préoccupation majeure liée au partage de données dans les tâches NILM. Les habitudes de consommation d'énergie des individus pourraient potentiellement révéler des informations personnelles, rendant le partage des données des compteurs risqué. Pour aborder les préoccupations en matière de vie privée sans sacrifier l'efficacité de l'apprentissage, on peut utiliser l'apprentissage fédéré. Cette méthode permet aux modèles d'apprendre à partir des données disponibles sur les appareils individuels sans avoir besoin de partager ces données.

Alors que les approches d'apprentissage fédéré traditionnelles comme FedAvg et FedProx ont leurs mérites, elles peuvent rencontrer des problèmes dans des environnements où les données se comportent de manière incohérente selon les utilisateurs. Pour améliorer les performances dans ces conditions, on propose un nouveau cadre d'apprentissage fédéré appelé L2GD, spécifiquement conçu pour les tâches de désagrégation de charge.

#Notre Méthode Proposée

Dans notre approche proposée, on construit un modèle séquence-à-séquence en utilisant un encodeur pour capturer des informations clés à partir des données météorologiques et des lectures de compteurs intelligents. Ces informations sont ensuite transmises à un décodeur qui désagrège les données de charge totale en usage par différents appareils sans avoir besoin de partager des données.

Ce modèle incorpore des données de température et d'humidité sur 24 heures ainsi que la consommation d'énergie totale pour différencier l'utilisation de l'énergie parmi 12 appareils, y compris à faible et forte consommation. Le cadre d'apprentissage fédéré L2GD aide à rationaliser le processus de communication, réduisant la charge sur les appareils et garantissant que les modèles peuvent toujours apprendre efficacement malgré les défis de la confidentialité des données.

#Contributions Clés

1. Développement du Modèle Seq2Seq : On a créé un modèle séquence-à-séquence qui utilise à la fois des données de séries temporelles pour la charge totale et des informations météorologiques pour séparer l'utilisation de l'énergie entre 12 appareils différents.

2. Concentration sur les Appareils Basse Consommation : Notre modèle s'attaque directement aux défis de reconnaissance des schémas d'utilisation pour les appareils à faible consommation, reconnaissant leur importance dans la consommation d'énergie totale.

3. Mise en Œuvre du Cadre L2GD : Pour la première fois dans le domaine du NILM, on a introduit le cadre L2GD pour améliorer l'efficacité de communication et s'adapter aux divers scénarios de données observés dans les foyers.

#Travaux et Techniques Connexes

Ces dernières années, les chercheurs se sont penchés sur diverses méthodes d'apprentissage profond pour le NILM, souvent en le présentant comme un problème de classification ou de régression utilisant des données de séries temporelles. Les approches de réseaux de neurones récurrents (RNN), en particulier les réseaux de mémoire à court et long terme (LSTM), sont souvent utilisées pour ces tâches.

D'autres méthodes intègrent des mécanismes d'attention pour améliorer la capacité des modèles à capturer des caractéristiques pertinentes à partir des données de séries temporelles. Alors que certaines approches combinent LSTM avec des couches d'attention, d'autres ont utilisé des techniques comme les autoencodeurs débruitants pour affiner les données d'entrée avant de les introduire dans les réseaux LSTM.

L'apprentissage fédéré est de plus en plus reconnu pour son potentiel dans les tâches NILM. Plusieurs études ont intégré l'apprentissage fédéré avec des réseaux de neurones récurrents pour protéger la vie privée des utilisateurs tout en permettant un entraînement efficace des modèles.

Cependant, les problèmes liés à la diversité des distributions de données entre différents foyers demeurent un défi. Notre travail s'appuie sur ces bases et vise à fournir une solution plus efficace.

#Le Modèle Séquence-à-Séquence

Le modèle séquence-à-séquence se compose de trois composants principaux : l'encodeur, le décodeur et un mécanisme d'attention.

#Encodeur

L'encodeur utilise des LSTMs bidirectionnels empilés pour recevoir les données d'entrée, y compris la consommation énergétique totale et les informations météorologiques. Il traite ces informations et les distille en états cachés pertinents qui représentent l'ensemble de la série temporelle d'utilisation.

#Décodeur

Le décodeur utilise également des couches LSTM. Il initialise ses états cachés avec les états finaux de l'encodeur. Cette configuration l'aide à apprendre à la fois le contexte global de l'utilisation d'énergie et les schémas d'énergie individuels sur des intervalles de temps spécifiques.

#Mécanisme d'Attention

Un mécanisme d'attention est incorporé pour améliorer la capacité du décodeur à se concentrer sur des pas de temps spécifiques tout en considérant les tendances générales dans les données. Cette couche d'attention aide le modèle à faire de meilleures prédictions concernant l'utilisation d'énergie pour des appareils individuels.

#Cadre d'Apprentissage Fédéré

On utilise le cadre d'apprentissage fédéré L2GD pour aborder les problèmes liés à la diversité des données et aux coûts de communication dans les tâches de NILM.

#Comment Fonctionne L2GD

1. Partage du Modèle Initial : Le serveur central envoie un modèle initial à chaque client.

2. Entraînement Local : Chaque client peut soit entraîner son modèle local, soit partager ses mises à jour avec le serveur central en fonction d'une probabilité définie.

3. Agrégation du Modèle : Le serveur combine les modèles locaux pour former un nouveau modèle moyen, qui est renvoyé aux clients.

4. Ajustement des Mises à Jour : Les clients mettent à jour leurs modèles locaux en tenant compte des différences entre leurs modèles locaux et moyens tout en considérant également les hyperparamètres.

En permettant aux clients d'ajuster leurs mises à jour locales, L2GD peut atteindre de meilleures performances dans divers scénarios tout en gérant efficacement les coûts de communication.

#Description et Configuration des Données

On utilise des données horaires provenant des foyers après un prétraitement pour supprimer les lectures incomplètes. L'ensemble de données se compose de deux ans de données horaires de charge provenant de différents foyers.

De plus, on collecte des données météorologiques, comme la température et l'humidité, pour fournir un contexte aux schémas de consommation d'énergie de 12 appareils sélectionnés. Certains appareils, comme les climatiseurs, sont plus susceptibles d'être affectés par les changements météorologiques, tandis que d'autres peuvent rester inchangés.

Pour évaluer la performance de notre méthode, on crée à la fois des ensembles de données homogènes et hétérogènes. Cette stratégie nous permet d'évaluer dans quelle mesure notre approche fonctionne sous différentes conditions, ce qui est essentiel pour comprendre sa robustesse.

#Résultats et Analyse

#Métriques de Performance

Pour analyser la performance de notre modèle, on utilise plusieurs métriques, comme l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE), l'exactitude d'estimation (Eacc) et l'erreur de désagrégation normalisée (NDE).

#Comparaison des Cadres FL

On examine l'efficacité de L2GD dans divers scénarios par rapport à d'autres cadres d'apprentissage fédéré, FedAvg et FedProx. Les résultats montrent que L2GD maintient une bonne performance malgré moins de tours de communication.

Dans les cas où les données sont hétérogènes, L2GD surpasse constamment FedAvg et FedProx. Cela est particulièrement notable lors de l'analyse des données de faible consommation, qui sont généralement plus difficiles à analyser.

#Impact des Caractéristiques Météorologiques

On explore également comment l'incorporation des caractéristiques météorologiques affecte la performance de notre modèle. Les résultats indiquent que l'ajout de données météorologiques améliore considérablement l'exactitude du modèle dans la désagrégation des charges pour divers appareils.

Même des appareils généralement considérés comme insensibles aux effets de la météo ont montré des améliorations de performance, soulignant l'efficacité de l'utilisation de données contextuelles pertinentes.

#Comparaison de la Perte d’Entraînement

La comparaison de la perte d'entraînement révèle que L2GD permet une convergence plus rapide que FedAvg et FedProx, en particulier dans des scénarios hétérogènes. Bien que tous les modèles montrent une certaine baisse de performance lors de la réduction des tours de communication, L2GD subit des baisses moins sévères.

#Conclusion et Travaux Futurs

Dans cette étude, on présente une méthode séquence-à-séquence fédérée pour la désagrégation de charge qui utilise à la fois des lectures de compteurs intelligents et des données météorologiques. Notre approche permet une séparation précise de l'utilisation de l'énergie pour divers appareils, améliorant la sensibilisation globale à l'énergie tout en préservant la vie privée des utilisateurs.

La mise en œuvre réussie du cadre L2GD marque un pas en avant significatif dans les solutions NILM efficaces, en particulier dans les scénarios où la confidentialité des données et l'efficacité de communication sont critiques.

Les travaux futurs se concentreront sur l'identification d'autres caractéristiques de données facilement accessibles similaires aux informations météorologiques pour améliorer encore la performance de la désagrégation de charge, surtout dans les situations à faible taux d’échantillonnage. L'intégration de sources de données supplémentaires peut aider à obtenir des profils d'utilisation d'énergie encore plus précis et de meilleures insights sur les schémas de consommation des foyers.