Résumé:
De nos jours, la demande croissante de l'énergie électrique domestique oblige les
fournisseurs d'électricité d'améliorer la gestion de distributions énergétiques par
l'installation des compteurs intelligents. Ces derniers incorporent dans leur traitement
une tâche d'identification des appareils électriques en temps réel en identifiant les
classes d'appareils en état de fonctionnement à partir du signal de courant électrique
mesuré au niveau d’un compteur électrique placé { l'intérieur d'un boîtier domestique
standard installé à l'entrée de la maison.
Notre objectif, dans le cadre de cette thèse de Doctorat, est de proposer un nouveau
système d'identification des appareils électriques domestiques. Notre première
contribution consiste à proposer un système d'identification basé sur l'utilisation des
paramètres statistiques des harmoniques et l'application du classificateur KNN combiné
avec la méthode de règle de vote. Les résultats obtenus ont montré que l'extraction de
500 paramètres, basée sur l'estimation de la moyenne statistique et de l'écart type,
combinée avec la classification KNN et la stratégie de la règle de vote, donne le meilleur
Taux de classification CR qui est de 94.97%. Les résultats ont montré également de
bonnes performances en utilisant d'autres métriques telles que la sensibilité, la
précision et le F-score. Une procédure de sélection de paramètres, basée sur la stratégie
JMI, montre que l'utilisation d'un sous-ensemble de cinq paramètres est suffisante pour
expliquer les différentes classes d'appareils.
Notre deuxième contribution, consiste à réduire la dimensionnalité en utilisant une
représentation compacte des paramètres(appelée DWE) qui est basée sur l'estimation
de la moyenne et de l'écart type de l'énergie calculée à chaque niveau de décomposition
dyadique de l'analyse par ondelettes. Deux descripteurs appelés LWE et WCC sont
extraits également de cette analyse en appliquant respectivement le logarithme de
l’Energie totale puis la transformée en cosinus discrète. Les résultats obtenus montrent
que le descripteur WCC donne un CR maximal de 98.13%. De plus, la combinaison et la
sélection des paramètres du descripteur WCC avec les paramètres statistiques du
logarithme de l'énergie totale (descripteur LOG_E) améliore le taux de classification qui
atteint jusqu'à 98.51 en utilisant seulement 5 paramètres.
