Analyse et séparation de sources d'intensités électriques

par Simon Henriet

Projet de thèse en Informatique, données, IA

Sous la direction de Gaël Richard et de Umut Simsekli.

Thèses en préparation à l'Institut polytechnique de Paris , dans le cadre de Ecole Doctorale de l'Institut Polytechnique de Paris , en partenariat avec LTCI - Laboratoire de Traitement et Communication de l'Information (laboratoire) , S2A - Statistique et Apprentissage (equipe de recherche) et de Télécom Paris (Palaiseau) (établissement de préparation de la thèse) depuis le 19-12-2016 .


  • Résumé

    Smart Impulse (SI) développe depuis 5 ans des méthodes non­intrusives d'analyse de signaux électriques de bâtiments (NIALM pour Nonintrusive Appliance Load Monitoring ​ [1]) afin de fournir des courbes de consommation par usage (informatique, éclairage, chauffage, etc.). Cela passe, outre l'élaboration de capteurs précis de tension et d'intensité, par la conception d'algorithmes performants d'analyse et de séparation de sources électriques. Soucieux d'améliorer continuellement la performance de ses algorithmes et d'explorer de nouvelles méthodes, SI cherche à renforcer son équipe de recherche avec le lancement d'une thèse en collaboration avec ​ Télécom ParisTech ​ . Il est proposé pour cette thèse de poursuivre les travaux de SI dans l'estimation non­intrusive de courbes de charge. Ils s'articulent autour de deux axes : ● ● côté données d'une part, avec une production de connaissance sur les signaux sources (l'intensité électrique aux bornes d'un appareil électrique), dont la structure et les caractéristiques sont encore peu connues ; côté théorie d'autre part, avec la volonté d'aborder simultanément les problèmes de la séparation de sources et de l'apprentissage automatique, notamment pour apprendre automatiquement les caractéristiques d'une source qui serait observable uniquement mélangée à d'autres sources. Les conséquences sont multiples : pallier le peu d'enregistrements de signaux de sources isolées dans ce domaine de recherche, améliorer les performances de la séparation de sources grâce à l'accroissement de la connaissance ​ a priori des signaux à séparer, et enfin traiter simultanément la séparation et l'identification automatique de sources. Le doctorant sera amené à relever ces deux défis majeurs, notamment par l‘exploration de différentes pistes : ● ● ● ● ● ● une recherche bibliographique poussée sur les techniques de séparation de sources appliquées aux signaux électriques mais également à des domaines différents (signaux audio, biomédicaux, etc.) ; une analyse poussée des signaux sources afin de mieux comprendre leur nature et de pouvoir construire des modèles appropriés ; la recherche d'une base de représentation optimale et parcimonieuse des signaux étudiés (bases connues ou apprises en exploitant par exemple des méthodes d'apprentissage de dictionnaires [2]) ; la conception de nouveaux modèles probabilistes de factorisation de tenseurs (par exemple autour de la NMF, PLCA, LDA [3, 4, 5]) à même d'apprendre à partir des données brutes les hyperparamètres optimaux propres à chaque type de source électrique ; la conception de modèles pertinents de signaux incluant par exemple les modèles hiérarchiques profonds [6], dynamiques [7], à états [8], etc. ; l'utilisation et l'adaptation de méthodes de sélection de modèles permettant l'estimation du nombre de sources actives ou la fusion d'approches hybrides de séparation [9].

  • Titre traduit

    Analysis and source separation of electrical intensities signals


  • Résumé

    Non Intrusive Load Monitoring