EP4591123A1 - Procede de surveillance d'une consommation fluidique d'un batiment a surveiller, par classification par apprentissage supervise d'evenements de consommation fluidique - Google Patents

Procede de surveillance d'une consommation fluidique d'un batiment a surveiller, par classification par apprentissage supervise d'evenements de consommation fluidique

Info

Publication number
EP4591123A1
EP4591123A1 EP23773245.8A EP23773245A EP4591123A1 EP 4591123 A1 EP4591123 A1 EP 4591123A1 EP 23773245 A EP23773245 A EP 23773245A EP 4591123 A1 EP4591123 A1 EP 4591123A1
Authority
EP
European Patent Office
Prior art keywords
fluidic
parameters
event
building
events
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP23773245.8A
Other languages
German (de)
English (en)
Inventor
Ivan DEIROS QUINTANILLA
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Smart And Blue
Original Assignee
Smart And Blue
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Smart And Blue filed Critical Smart And Blue
Publication of EP4591123A1 publication Critical patent/EP4591123A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D2204/00—Indexing scheme relating to details of tariff-metering apparatus
    • G01D2204/20—Monitoring; Controlling
    • G01D2204/24—Identification of individual loads, e.g. by analysing current/voltage waveforms
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/10—Plc systems
    • G05B2219/16—Plc to applications
    • G05B2219/163—Domotique, domestic, home control, automation, smart, intelligent house
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Definitions

  • the field of the invention is that of monitoring the fluid consumption of a building to be monitored, for example the consumption of liquid water by a residential house, a building, a school, a hospital, a factory, etc.
  • the invention relates more precisely to monitoring by classification, here by supervised learning, fluid consumption events, present in a measurement signal representative of the temporal evolution of the overall flow rate of consumption of the fluid of interest by the building to be monitored, and in particular by different consuming elements, such as for example taps , showers, toilet flushes in the case of a residential house.
  • Classification amounts to determining the class (label, category, or label in English) of consumer element which is to be associated with each of the fluidic events.
  • the invention makes it possible in particular to detect excessive consumption of consuming elements of one or other of the predefined classes, and then makes it possible to indicate to the user if consuming elements are overused or present a flow rate above 'a predefined reference.
  • a building to be monitored can be a house, a building, a school, a hospital, a factory, a company hotel, etc.
  • the fluid of interest can be, depending on the type of building to be monitored, a gas or liquid such as water, hydrogen, oxygen, nitrogen, etc.
  • the building to be monitored comprises several devices connected by a fluid circuit to a fluid source and which consume the fluid of interest. Here we will call these devices “consumer elements”. Consumer elements can be classified into different predefined classes. For example, in the case of a residential house where the fluid of interest is liquid water, the consuming elements can fall into the class of faucets, that of showers, that of toilet flushes. toilet water, that of dishwashers, and even that of washing machines.
  • the building to be monitored is usually equipped with a flow sensor adapted to measure a signal representative of the temporal evolution of the overall flow rate of the fluid consumption of interest by the building to be monitored, and more precisely by its consuming elements.
  • This measurement signal includes fluid consumption events, which are defined as moments with non-zero flow.
  • the invention aims to propose a method which makes it possible to classify with improved precision the fluidic events linked to the consumption of the fluid of interest by the consuming elements of the building to be monitored, this is that is to say, to determine the class of consumer elements to be associated with each of the fluidic events, this to monitor the fluidic consumption of the building to be monitored.
  • the object of the invention is a method, implemented by computer, for monitoring the consumption of a fluid of interest by a building to be monitored BS, for classifying fluidic events ⁇ Ev ( ⁇ , ⁇ ) of consumption of the fluid of interest by EC consumer elements of the building to be monitored BS, among several predefined classes L ⁇ ⁇ ( ⁇ , ⁇ ) of EC consumer elements, the method comprising the following phases.
  • the acquisition step during the generation phase is carried out by means of several fluidic measurement sensors each connected to a consumer element EC of the N real reference buildings. Furthermore, the acquisition step during the classification phase is carried out by means of at least one fluid measurement sensor connected to a fluid input of the building to be monitored, and preferably by means of a single sensor.
  • the monitoring method comprises a phase of monitoring the building to be monitored, comprising the following steps: identifying a class of consumer elements, among at least part of the predicted classes, for which a monitoring parameter associated with the corresponding fluidic events presents a deviation from a reference value greater than a threshold deviation; then communicating to a user the identified class of consumer elements. [15]
  • the temporality parameters P T(i) and P ⁇ )( ⁇ , ⁇ ) can also include, for each of the time slots, the cumulative volume of the fluid of interest flowed and the flow duration.
  • the event parameters P Ev(i) and ⁇ P ⁇ *( ⁇ , ⁇ ) can include, for each fluidic event, the initial instant of the fluidic event, the flow duration, the elapsed volume and/or the average flow.
  • the database and the input data of the prediction model may include so-called comparison parameters, denoted respectively P Ev
  • the classification phase can be repeated, the measurement signals S ⁇ mes ⁇ ( (t) of the building to be monitored then being acquired over predefined monitoring periods [20]
  • the average overall flow rate of all fluidic events ⁇ Ev ( ⁇ , ⁇ ) can take into account the average overall flow rate of previous iterations.
  • the generation phase can include the following steps: - determination of a first database where each fluidic event is defined by at least said event parameters and by said temporality parameters; - determination of a second database where each fluidic event is defined by at least said event parameters, by said temporality parameters, and by so-called class comparison parameters defined, for each fluidic event of at least one class considered, as the ratio of an average flow rate of the fluidic event considered to an average overall flow rate of all the fluidic events of the class considered.
  • the parameterization phase can then include the following steps: - parameterization of a first prediction mode by supervised automatic learning from the first database; - configuration of a second prediction mode by supervised automatic learning from the second database; [23]
  • the classification phase can then include the following steps: - determination, for fluidic events present in the measurement signal S ⁇ mes ⁇ ( (t), of the event parameters and the corresponding temporality parameters; then - prediction by the first prediction model, for each of the fluidic events, which are defined by the event parameters and the temporality parameters which form input data of the first prediction model, of the corresponding consumer element class; then - determination, from the previously predicted classes, of corresponding comparison parameters per class; then - prediction by the second prediction model, for each of the fluidic events, which are defined by the event parameters, the temporality parameters, and the per-class comparison parameters which form input data to the second prediction model, of the corresponding consumer item class.
  • the N real reference buildings can be connected to a determination device of at least one prediction model, comprising fluidic measurement sensors adapted to acquire the measurement signals for each of the consumer elements of the real reference building considered, and a computer connected to the fluidic measurement sensors of the reference building considered and adapted to carry out the configuration phase.
  • the latter can be connected to a classification device comprising a fluidic measurement sensor adapted to acquire the signal measurement S ⁇ mes ⁇ ( (t), and a computer connected to the fluidic measurement sensor of the building to be monitored and adapted to carry out the classification phase.
  • the method can include a correction step by the user so that the consumer elements of the identified class then present a value of the tracking parameter having a deviation less than the threshold deviation.
  • Figure 1A schematically illustrates an example of a building to be monitored, here a residential house, equipped with a device for classifying fluidic events linked to the consumption of the fluid of interest by the building to be monitored
  • Figure 1B illustrates an example of a measurement signal representative of the temporal evolution of the overall flow rate of consumption of the fluid of interest by the building to be monitored in Fig.
  • Figure 2 illustrates a flowchart of a method for monitoring fluidic events linked to the consumption of the fluid of interest by the building to be monitored, according to one embodiment
  • Figure 3A schematically illustrates an example of a real reference building, here a residential house, equipped with a device for determining a prediction model by supervised learning
  • Figure 3B illustrates examples of measurement signals representative of the local consumption flow rate by each of the consumer elements EC of the real reference building of Fig.3A
  • Figure 3C illustrates time slots located before and after the initial instant of a fluidic event, making it possible to define so-called temporality parameters representative of each of the fluidic events
  • Figure 4 illustrates steps implemented during the database generation phase, from simulated signals for so-called simulated buildings
  • Figure 5 illustrates a flowchart of a method for monitoring fluidic events linked to the consumption of the fluid of interest by the building to be monitored, according to another embodiment which implements two prediction models
  • Figures 6A to 6C illustrate examples of cumulative distributions of flow rate, flow duration and elapse
  • the monitoring method is carried out using a computer (processing unit) which integrates at least one prediction model f1, f2 by supervised automatic learning.
  • the prediction model f1, f2 can be a decision tree model, boosting of weak classifiers, linear or quadratic discriminant analysis, forest of decision trees, k nearest neighbors method, among others.
  • the monitoring method comprises a phase of learning the prediction model f1, f2 which is carried out from at least one database BD1, BD2 pretreated in a particular way.
  • This database BD1, BD2 is not formed, as it could be according to a natural approach, by classified (labeled) flow measurement signals coming from each of the EC consumer elements of several real buildings reference Brief. Indeed, this approach cannot be sufficiently representative of the diversity of effective fluid consumption in real buildings.
  • the database is formed from simulated and classified signals, representative of the flow rate of each of the consumer elements EC of simulated buildings Bsim, and preferably of a much greater number M of simulated buildings Bsim to the number N of real reference buildings
  • the Pstat Bsim consumption profiles of the simulated buildings, from which the digital simulation was carried out, were determined from the classified flow measurement signals coming from the real reference buildings, so that the simulated signals remain consistent with the actual consumption of the real buildings.
  • the database is formed from the different fluidic events Ev of the fluidic consumption of the consumer elements EC of the simulated buildings.
  • Figure 1A illustrates an example of a building to be monitored BS comprising several consumer elements EC of different classes, and equipped with a classification device adapted to classify the fluidic events E ⁇ v linked to the consumption of the fluid of interest by the consumer elements EC, that is to say adapted to determine the class L ⁇ ⁇ * of each of the fluid consumption events by the building to be monitored BS.
  • the building to be monitored BS is one or more structures which consume a fluid of interest through its consumer elements EC, and whose consumption must be monitored in order to detect possible anomalies such as excessive consumption. by EC consumer elements of a certain class.
  • the user is able to know the consumption of each class of EC consumer elements, and can thus know, for example, if the average flow rate of a class of EC consumer elements is greater than a predefined value.
  • consumption we mean that the building to be monitored BS receives the fluid of interest from a fluid source SF, and uses it (“consumes”) according to different uses, which may be personal and/or professional.
  • a building to be monitored BS can be, for example, a house, an apartment, a building comprising several apartments, a school, a factory, a hospital, a campsite, or other, and generally speaking, is any type of structure or set for personal and/or professional use.
  • the building to be monitored BS may include several distinct buildings, for example in the case of a factory.
  • the fluid of interest can be a liquid or a gas, such as water, hydrogen, oxygen, nitrogen, helium, etc.
  • the building monitor BS can be a factory which consumes, for example, hydrogen, oxygen or nitrogen, in liquid or gas phase. It can also be a training building (school) that uses liquid water. In the remainder of the description, the building to be monitored BS is a residential house, and the fluid of interest is liquid water.
  • the building to be monitored BS includes several consumer elements EC which ensure the effective consumption of the fluid of interest.
  • the EC consumer elements are of different classes L, for example a class R for taps (toilets, kitchen, bathroom, etc.), a class D for showers, a class C for toilet flushes, another class LV for dishwashers, and another class LL for washing machines.
  • L ⁇ R, D, C, LV, LL ⁇ .
  • the building to be monitored BS also includes a fluidic circuit which ensures the distribution of the fluid of interest from the fluidic source SF to the consumer elements EC. These are distribution conduits, possibly fitted with valves.
  • the fluidic source SF of the fluid of interest may be a supply network, for example of the city, a reservoir, or other.
  • the building to be monitored BS is equipped with a classification device, which includes a fluidic measurement sensor CM BS to acquire a measurement signal S ⁇ mes ⁇ ( (t) representative of the temporal evolution of the overall flow, at the entrance to the building to be monitored BS.
  • the classification device also includes a processing unit UT (computer) to determine the classes L ⁇ ⁇ of the fluidic events ⁇ Ev linked to the consumption of the fluid of interest by the consumer elements EC and present in the measurement signal S ⁇ mes ⁇ ( (t).
  • the processing unit UT integrates at least one prediction model f1 by classification whose parameterization has been carried out by supervised automatic learning from a database BD1 [41]
  • the classification device is not able to know the temporal evolution of the flow rate of each of the consumer elements EC, but only to know the overall flow rate at the entrance to the building to be monitored BS. This is due to this absence of sensors dedicated to each of the EC consumer elements, and therefore to the fact that only the overall flow information is accessible, that the invention provides for using a prediction model, here by supervised learning, to estimate the class L ⁇ ⁇ of consumer element EC which is to be associated with such and such fluidic event E ⁇ v of overall flow.
  • the fluidic measurement sensor CM BS is connected to the fluidic circuit, and is located between the fluidic source SF and the consumer elements EC. It is suitable for measuring a measurement signal S ⁇ mes ⁇ ( (t) representative of the overall flow rate of consumption of the fluid of interest by the building to be monitored BS.
  • This fluidic measurement sensor CM BS can be a water meter with flow meter, a pulse water meter, among others.
  • the fluidic measurement sensor CMBS is a water meter with turbine flow meter, which acquires a measurement signal S ⁇ mes ⁇ ( (t), whose data are representative of the different fluidic events ⁇ Ev.
  • FIG. 1B illustrates an example of a measurement signal S ⁇ mes ⁇ ( (t), here in the form of a temporal evolution of the overall flow rate linked to the water consumption of a house to be monitored BS.
  • the measurement signal S ⁇ mes ⁇ ( (t) presents several fluidic events ⁇ Ev ( ⁇ ) , where j is an increment which goes from 1 to NP, with NP the total number of fluidic events E ⁇ v over a monitoring duration ⁇ ts (for example 1 day ).
  • the measured information can be transmitted in real time to the processing unit, for example at a predefined frequency or as soon as a fluidic event ⁇ Ev ( ⁇ ) is finished, in the form of one or more electronic messages each containing the parameters ⁇ P ⁇ *( ⁇ ) of the fluidic event ⁇ Ev ( ⁇ ) considered.
  • the measurement signal S ⁇ mes ⁇ ( (t) can be a vector whose values correspond to the flow rate measured at regular frequency.
  • the measurement signal S ⁇ mes ⁇ ( (t) can be a vector comprising only the instant when a pulse is emitted.
  • the processing unit UT is connected to the fluidic measurement sensor CM BS in a wired or non-wired manner. It can be placed in the building to be monitored BS or can be located remotely from it.
  • This is a computer which includes a calculator and at least one memory. It allows the implementation of the operations of the monitoring process making it possible to determine the class L ⁇ ⁇ ( ⁇ ) of the fluidic events E ⁇ v ( ⁇ ) present in the measurement signal S ⁇ mes ⁇ ( (t).
  • the calculator comprises a programmable processor capable of executing instructions recorded on an information recording medium.
  • the memory contains instructions for implementing the monitoring method.
  • Figure 2 is a flowchart of a monitoring method, according to one embodiment, of the classes L ⁇ ⁇ ( ⁇ ) of consumer elements EC to be associated with each of the fluidic events ⁇ Ev ( ⁇ ) present in the measurement signal S ⁇ mes ⁇ ( (t).
  • the method comprises a phase 100 of generating a database BD1, a phase 200 of learning, followed by a phase 300 of prediction.
  • the building to be monitored BS is a residential house with several residents.
  • the monitoring method is obviously not limited to this example.
  • the building to be monitored BS includes EC consumer elements of different known L classes, namely here classes: R (faucets), C (toilet flushes), D (showers), LL (washing machines) and LV (washing machines). -dishes).
  • R fastaucets
  • C toilet flushes
  • D showsers
  • LL washing machines
  • LV washing machines
  • the BD1 database is generated on the basis of measurement signals Dmes ⁇ ( ⁇ ) ⁇ ⁇ 4, ⁇ ,5... (t) representative of the real flow (ie the measured flow and not simulated) of each of the EC consumer elements of N real reference buildings Brief (n) , with n ranging from 1 to N>1. These are therefore classified (ie labeled) measurement signals, given that we have a measurement signal for each of the EC consumer elements.
  • the real reference building Brief(n) is identical or similar to the building to be monitored BS, in the sense that it has the same use (here a residential house) and includes EC consumer elements of the same class L (here: tap R, shower D, flush toilet C, washing machine LL, and dishwasher LV).
  • Phase 100 of generating the database BD1 is illustrated in more detail in Figure 4.
  • This phase 100 comprises the following steps: o a step 110 of acquisition, by experimental measurement, of measurement signals Dmes ⁇ ( ⁇ ) ⁇ ⁇ 4, ⁇ ,5... (t), representative of the actual flow rate of each of the consumer elements EC of the N houses reference reals Brief(n); o a step 120 of determining profiles, called statistics, of consumption Pstat ⁇ !#($) ⁇ ⁇ 4, ⁇ ,5... of each simulated building Bsim(m), with m ranging from 1 to M>N; o a step 130 of generating, by digital simulation, simulated signals (t), representative of the flow rate of each of the consumer elements EC of the M simulated houses Bsim (m) ; o a step 140 of determining, for each of the fluidic events Ev identified in the simulated signals, at least the event parameters PEV and the temporality parameters PT; o a step 150 of generating the database BD1.
  • step 110 we acquire measurement signals Dmes ⁇ ( ⁇ ) ⁇ ⁇ 4, ⁇ ,5... (t) representative of the real flow rate of each of the consumer elements EC of the N real houses reference Brief (n) , over at least one monitoring duration ⁇ ts (here at least one day).
  • the number N can be equal, for example, to a few units, or even to ten. It differs from the number M of simulated houses which can be equal to a few hundred, thousands, tens of thousands or even more.
  • Figure 3A schematically and partially illustrates a real reference house, in short, identical or similar to the house to be monitored BS (here a residential house).
  • the reference house Brief may or may not have a number of inhabitants identical to that of the house to be monitored BS.
  • the N real reference houses Brief(n) are connected, directly or indirectly, to a device for determining at least one prediction model f1, f2. This device includes CM EC fluidic measurement sensors and a UT processing unit.
  • the CM EC fluidic measurement sensors acquire measurement signals Dmes ⁇ ( ⁇ ) ⁇ ⁇ 4, ⁇ ,5... (t) which correspond to the temporal evolution of the flow rate of each of the consumer elements EC of the N real reference houses, and transmit them to the processing unit UT.
  • each EC consumer element is equipped with a CMEC fluidic measurement sensor.
  • the measurement signals Dmes ⁇ ( ⁇ ) ⁇ ⁇ 4, ⁇ ,5... (t) are here vectors indicating the value of the flow rate measured at a frequency predefined, for example every second.
  • Dmes ⁇ ( ⁇ ) ( ⁇ ( ⁇ ) ⁇ ⁇ 4, ⁇ ,5... t) ⁇ Dmes 4 (t); Dmes ⁇ ( ⁇ ) ⁇ (t); Dmes ⁇ ( ⁇ ) 5 (t); Dmes ⁇ 7; Dmes ⁇ ( ⁇ ) 7 ⁇ (t) ⁇ .
  • Figure 3B illustrates examples of measurement signals from a Dmes R faucet (t), a Dmes D shower (t), a Dmes C toilet flush (t), a washing machine -Dmes LL (t) laundry, and a DmesLV (t) dishwasher.
  • a statistical profile of a building brings together information linked to this building and its occupants/users, such as the number of occupants , the number and class of the different EC consumer elements. It also includes statistical information linked to the fluid consumption habits of each occupant, such as the typical times of use of the different EC consumer elements, the flow durations, the breaks between each fluid event (in particular for showers). Finally, it includes statistical information linked to the EC consumer elements themselves: maximum flow rate, average flow rate, etc. This consumption information is called statistical insofar as it can include an average value and a variability (standard deviation) associated with a given distribution (normal, log-normal, exponential, bimodal, etc.).
  • the shower flow duration will be long, for others short, etc.
  • These simulated signals are said to be classified to the extent that a class of consumer element is associated with each of the signals.
  • Each simulated signal Dsim ⁇ !# ⁇ ⁇ includes one or more fluidic events. It presents for example the format of a vector indicating the value of the flow at a frequency for example of one second over a period of one day, and preferably over a period of several days or even weeks.
  • the simulated signals can thus take the form of the signals illustrated in fig.3B.
  • the measurement signal S ⁇ mes ⁇ ( (t) is formed from a succession of fluidic events .P ⁇ ⁇ ( ⁇ ) / and more precisely from a succession of parameters representative of the fluidic events.
  • a fluidic event Ev Bsim(m) of the simulated global flow signal Ssim Bsim(m) (t) can come from the at least partial juxtaposition of several fluidic events from the simulated signals Dsim ⁇ !#( $) ⁇ ⁇ ( t ) . Also, we can assign the new 'mixed' or 'mixture' class, denoted M, to each fluidic event Ev of the same simulated global flow signal Ssim Bsim(m) (t) and coming from at least two consumer elements.
  • upstream Cav and downstream Cap time slots have the same duration in pairs, but they could have different durations.
  • each of the simulated global flow signals Ssim Bsim(m) comprises, per fluidic event Ev, event parameters PEV representative of the fluidic event in question (initial instant, flow duration, etc.) as well as PT temporality parameters.
  • the BD1 database as being the collection of all the fluidic events of all the simulated global flow signals Ssim Bsim(m) , and more precisely event parameters P Ev , temporality parameters P T , and here comparison parameters PEv
  • the number NA can thus be very high, especially since it comes from the large number M of simulated houses Bsim (m) .
  • the fluidic events Ev (i) are mixed, in the sense that they are no longer associated with this or that simulated house Bsim(m) nor with this and that day of measurement.
  • temporal correlation information is present via the PT temporality parameters, which improves the prediction performance of the model.
  • Phase 200 Configuration of the prediction model.
  • Phase 200 then consists of learning the prediction model from the database BD1, that is to say, configuring the prediction model automatically so that from the data input which are here the parameters ⁇ P Ev(i) ; P T(i) ; P Ev
  • Lev(i) f1( PEv(i); PT(i); PEV
  • Phase 300 consists of predicting the class (classification) of fluidic events E ⁇ v ( ⁇ ) present in a measurement signal S ⁇ mes ⁇ ( (t) representative of the overall flow rate of the house to be monitored BS , this signal having been acquired by the fluidic measurement sensor CMBS (see fig.1A).
  • the event parameters ⁇ P ⁇ *( ⁇ , ⁇ ) are identical to the event parameters P Ev of the BD1 database, and include in this example, the initial instant of the fluidic event, its flow duration and the elapsed volume.
  • the measurement signal S ⁇ mes ⁇ ( (t) is acquired by the fluidic measurement sensor CM BS over a monitoring duration ⁇ t s(k) , for example over a day. When the monitoring duration k is over, the fluidic measurement sensor acquires a new measurement signal S ⁇ mes ⁇ ( (t) over the next monitoring duration ⁇ t s(k+1) , and so on.
  • the additional parameters are determined, here the temporality parameters ⁇ P )( ⁇ , ⁇ ) and the comparison parameters P ⁇ ⁇ *
  • the input data supplied to the prediction model f1 are .P ⁇ ⁇ *( ⁇ , ⁇ ) ; ⁇ P )( ⁇ , ⁇ ) ; ⁇ P ⁇ *
  • ⁇ (( ⁇ , ⁇ " ⁇ ) /, and the output data are the estimated classes L ⁇ ⁇ *( ⁇ , ⁇ ) for each fluidic event ⁇ Ev ( ⁇ , ⁇ ) , so that we have: L ⁇ ⁇ *( ⁇ , ⁇ ) f1: .P ⁇ ⁇ *( ⁇ , ⁇ ) ; ⁇ P )( ⁇ , ⁇ ) ; ⁇ P ⁇ *
  • the monitoring method is able to determine the class of consumer element L ⁇ ⁇ *( ⁇ , ⁇ ) for each fluidic event E ⁇ v ( ⁇ , ⁇ ) present in the measurement signal S ⁇ mes ⁇ ( (t) representative of the overall consumption flow of the fluid of interest of the building to be monitored BS.
  • the input data includes the temporality parameters ⁇ P )( ⁇ , ⁇ ) , it appears that the model prediction has improved accuracy.
  • the prediction step 330 may include constraints which block the attribution of one or the other of the classes to certain fluidic events ⁇ Ev ( ⁇ , ⁇ ) and assign a class called 'Other' when the estimated class is prohibited.
  • the events of each class respect conditions, for example, on the flow duration, the average flow rate, the number of similar successive fluidic events, etc.
  • the 'Shower' class could not be assigned to a fluid event whose flow duration would be less than 5 seconds or greater than 900 seconds.
  • Phase 400 Monitoring
  • the monitoring process can make it possible to detect unusual consumption (for example excessive or insufficient) of consuming elements of one or other of the predefined classes, to then communicate it to a user.
  • the method includes a monitoring phase 400, which follows the classification phase 300.
  • the monitoring parameter PS 7 ⁇ can come from the event parameters ⁇ P ⁇ of the fluidic events of the predicted class considered, such as for example an average or instantaneous flow rate, an average flow duration, etc.
  • a difference E 7 ⁇ between the tracking parameter PS 7 ⁇ is a predefined reference value PS 7 ⁇ , ⁇ .
  • This reference value is associated with the class considered. It can thus be a reference value of the average flow, in the case where we consider for example the class of taps (or showers, washing machines, etc.). It may be a predefined and constant value over time, or derived from a sliding value (average, minimum or maximum value, etc.) determined over a predefined time window (previous days, weeks, months, years, etc.). This value can come from consumption habits from the building to be monitored BS, or from real reference buildings. In short, from simulated buildings Bsim, or even from national statistical data, etc.
  • the difference E 7 ⁇ can be the difference in absolute value (or the ratio) between the value of the monitoring parameter and its reference value: > PS 7 ⁇ ⁇ PS 7 ⁇ , ⁇ > .
  • This information is communicated to a user of the monitoring method.
  • This communication can take different forms, and can be a display on a monitoring screen.
  • the method may also include a user correction step so that the consumer elements of the identified class then present a tracking parameter having a deviation less than the predefined threshold deviation. For example, this can result in replacing shower heads, or even by replacing the consuming elements in question with less consuming elements.
  • FIG. 5 illustrates a flowchart of a monitoring method according to another embodiment, which differs from the method of fig.2 essentially in that it uses two prediction models f1 and f2 successively.
  • the principle is to use the first prediction model f1 to carry out a first level of classification, and thus deduce additional parameters, which will then be added to the input data of the second prediction model f2 which will then carry out a second level of classification. classification. This makes it possible to further improve the performance of the monitoring process.
  • the monitoring method comprises a phase 100 of generating two databases BD1 and BD2, then a phase 200 of learning the two prediction models f1 and f2, and finally a phase 300 of prediction at two levels.
  • Step 150 consists of determining (sub-step 151) the event parameters P Ev , the temporality parameters PT (and here the comparison parameters PEv
  • the BD1 database therefore includes these parameters PEv, PT and here PEv
  • Step 150 also consists of determining (sub-step 152) additional parameters P Ev
  • the BD2 database includes the event parameters PEv, the temporality parameters PT, the comparison parameters PEv
  • the prediction model f1 is parameterized from the database BD1
  • the prediction model f2 is parameterized from the database BD2.
  • the acquisition steps 310 and preprocessing 320 of the measurement signal S ⁇ mes ⁇ ( (t) are carried out in an identical or similar manner to the steps described in connection with fig.2
  • the input data provided to the model f1 are .
  • ⁇ (( ⁇ , ⁇ " ⁇ ) /, and the output data are the estimated classes L ⁇ ⁇ *( ⁇ , ⁇ ) for each fluidic event ⁇ Ev ( ⁇ , ⁇ ) , so that [106]
  • the comparison parameters are determined by class ⁇ P ⁇ *
  • This step is possible to the extent that the previous fluidic events E ⁇ v ( ⁇ , ⁇ " ⁇ @ ⁇ ) were classified during the previous iterations, either by the f1 model or by the f2 model. It is then possible to determine the characteristic flow rate (e.g.
  • step 333 we proceed to the second level of prediction of the fluidic events ⁇ Ev ( ⁇ , ⁇ ) present in a measurement signal S ⁇ mes ⁇ ( (t), at the help of the second model f2.
  • the input data provided to the f2 model are .
  • 7( ⁇ , ⁇ ) /, and the output data are the estimated classes L ⁇ ⁇ *( ⁇ , ⁇ ) for each event fluidic ⁇ Ev ( ⁇ , ⁇ ) , so that appears that the monitoring method according to this embodiment has improved performance.
  • Figures 6A to 6C illustrate changes in the distribution function (also called cumulative distribution function, or Cumulative Distribution Function in English) of the flow rate (fig.6A), the flow duration (fig.6B) and the volume flowed (fig.6C) for the fluidic events resulting from the simulated global flow signal Ssim BSim including the statistical consumption profile Pstat ⁇ ⁇ ⁇ !# is identical to the Pstat profile ⁇ ⁇ ⁇ ⁇ of a real reference house. These curves are compared to those from the real house considered.
  • This probability P(D ⁇ d) is equal to the proportion % ⁇ ts
  • the distribution function CDFD(d) is between 0% and 100%, and the average flow D varies between zero and the maximum flow measured by the measurement signals DmesEC(t).

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Measuring Volume Flow (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

L'invention porte sur un procédé de surveillance d'une consommation d'un fluide d'intérêt par un bâtiment à surveiller, par classification par apprentissage supervisé d'évènements de consommation fluidique parmi plusieurs classes d'éléments consommateurs. La classification est effectuée à partir d'un modèle de prédiction ayant été paramétré à partir d'une base de données. Celle-ci comporte, pour chacun des évènements fluidiques identifiés : des paramètres d'évènement PEv(i), des paramètres de temporalité PT(i), et la classe LEV(i) correspondante d'élément consommateur EC.

Description

PROCEDE DE SURVEILLANCE D’UNE CONSOMMATION FLUIDIQUE D’UN BATIMENT A SURVEILLER, PAR CLASSIFICATION PAR APPRENTISSAGE SUPERVISE D’EVENEMENTS DE CONSOMMATION FLUIDIQUE DOMAINE TECHNIQUE [1] Le domaine de l’invention est celui de la surveillance de la consommation fluidique d’un bâtiment à surveiller, par exemple de la consommation d’eau liquide par une maison d’habitation, un immeuble, une école, un hôpital, une usine, etc… [2] L’invention porte plus précisément sur la surveillance par classification, ici par apprentissage supervisé, des évènements de consommation fluidique, présents dans un signal de mesure représentatif de l’évolution temporelle du débit global de consommation du fluide d’intérêt par le bâtiment à surveiller, et en particulier par différents éléments consommateurs, comme par exemple des robinets, des douches, des chasses d’eau dans le cas d’une maison d’habitation. [3] La classification revient à déterminer la classe (étiquette, catégorie, ou label en anglais) d’élément consommateur qui est à associer à chacun des évènements fluidiques. L’invention permet notamment de détecter une consommation excessive des éléments consommateurs de l’une ou l’autre des classes prédéfinies, et permet alors d’indiquer à l’utilisateur si des éléments consommateurs sont trop utilisés ou présentent un débit au-dessus d’une référence prédéfinie. ÉTAT DE LA TECHNIQUE ANTÉRIEURE [4] Un bâtiment à surveiller peut être une maison, un immeuble, une école, un hôpital, une usine, un hôtel d’entreprise, etc… Le fluide d’intérêt peut être, en fonction du type de bâtiment à surveiller, un gaz ou un liquide comme de l’eau, de l’hydrogène, de l’oxygène, de l’azote etc… [5] Le bâtiment à surveiller comporte plusieurs dispositifs raccordés par un circuit fluidique à une source fluidique et qui consomment le fluide d’intérêt. On nommera ici ces dispositifs des « éléments consommateurs ». Les éléments consommateurs peuvent être classés en différentes classes prédéfinies. A titre d’exemple, dans le cas d’une maison d’habitation où le fluide d’intérêt est de l’eau liquide, les éléments consommateurs peuvent relever de la classe des robinets, de celle des douches, de celle des chasses d’eau de toilettes, de celle des lave-vaisselles, voire encore de celle des lave-linges. [6] Le bâtiment à surveiller est habituellement équipé d’un capteur de débit adapté à mesurer un signal représentatif de l’évolution temporelle du débit global de la consommation du fluide d’intérêt par le bâtiment à surveiller, et plus précisément par ses éléments consommateurs. Ce signal de mesure comporte des évènements de consommation fluidique, lesquels sont définis comme étant des moments à débit non nul. [7] Il existe alors un besoin d’être en mesure de déterminer avec une précision améliorée la classe d’éléments consommateurs à associer à chacun des évènements fluidiques liés à la consommation du fluide d’intérêt par le bâtiment à surveiller. Cela permet alors de surveiller la consommation du fluide d’intérêt par le bâtiment à surveiller, et d’être en mesure de faciliter la détection par exemple d’une consommation fluidique inhabituelle (excessive ou insuffisante) de telle ou telle classe d’éléments consommateurs. EXPOSÉ DE L’INVENTION [8] L’invention a pour objectif de proposer un procédé qui permette de classifier avec une précision améliorée les évènements fluidiques liés à la consommation du fluide d’intérêt par les éléments consommateurs du bâtiment à surveiller, c’est-à-dire de déterminer la classe d’éléments consommateurs à associer à chacun des évènements fluidiques, ceci pour surveiller la consommation fluidique du bâtiment à surveiller. [9] Pour cela, l’objet de l’invention est un procédé, mis en œuvre par ordinateur, de surveillance d’un consommation d’un fluide d’intérêt par un bâtiment à surveiller BS, de classification d’évènements fluidiques^ Ev(^,^) de consommation du fluide d’intérêt par des éléments consommateurs EC du bâtiment à surveiller BS, parmi plusieurs classes prédéfinies L^ ^^(^,^) d’éléments consommateurs EC, le procédé comportant les phases suivantes. [10] Tout d’abord, une phase de génération d’au moins une base de données (BD1, BD2), comportant les étapes suivantes : - acquérir des signaux de mesure ^Dmes^^^^(^) ^^ (t)^^^^;^ représentatifs du débit de consommation de chacun des éléments consommateurs EC de N bâtiments réels de référence {Bref(n)}n=1 ;N, avec N>1, les signaux de mesure étant alors dits classifiés, les éléments consommateurs EC étant de mêmes classes que celles du bâtiment à surveiller BS ; - définir des profils de consommation de M bâtiments dits simulés {Bsim(m)}m=1 ;M, avec M>N, à partir des signaux de mesure classifiés acquis, chaque bâtiment simulé comportant des éléments consommateurs EC de mêmes classes que celles du bâtiment à surveiller BS ; - générer, par simulation numérique, des signaux simulés ^Dsim^!"#($) ^^ (t) représentatifs du débit de consommation de chacun des éléments consommateurs EC des bâtiments simulés {Bsim(m)}m=1 ;M ayant les profils de consommation définis, les signaux simulés générés étant alors dits classifiés ; - déterminer, pour chacun des évènements fluidiques {Ev(i)}i=1 ;NA identifiés dans les signaux simulés classifiés générés : des paramètres dit d’évènement {PEv(i)}i=1 ;NA, représentatifs d’une durée et d’un volume écoulé de chacun des évènements fluidiques ; et des paramètres dit de temporalité {PT(i)}i=1 ;NA, représentatifs d’un nombre d’évènements fluidiques dits similaires, présentant un débit sensiblement identique à celui de l’évènement fluidique considéré et situés dans des créneaux temporels successifs prédéfinis situés avant et après l’évènement fluidique considéré ; - générer la base de données comportant, pour chacun des évènements fluidiques {Ev(i)}i=1 ;NA identifiés : les paramètres d’évènement {PEv(i)}i=1 ;NA, les paramètres de temporalité {PT(i)}i=1 ;NA, et la classe {LEV(i)}i=1 ;NA correspondante d’élément consommateur EC. [11] Puis, une phase de paramétrage d’au moins un modèle de prédiction par apprentissage automatique supervisé à partir de la base de données. [12] Enfin, une phase de classification, comportant les étapes suivantes : - acquérir un signal de mesure S^mes^((t) représentatif du débit global de consommation du bâtiment à surveiller ; - déterminer, pour chacun des évènements fluidiques {^Ev(^,^)}j=1 ;NP identifiés dans le signal de mesure acquis, des paramètres d’évènement {P^ ^^(^,^)}j=1 ;NP et des paramètres de temporalité {P^ )(^,^)}j=1 ;NP correspondants ; - prédire, par le modèle de prédiction, pour chacun des évènements fluidiques {^Ev(^,^)}j=1 ;NP dont les paramètres d’évènement {P^ ^^(^,^)}j=1 ;NP et les paramètres de temporalité {^P)(^,^)}j=1 ;NP forment des données d’entrée au modèle de prédiction, la classe correspondante {L^ ^^(^,^)}j=1 ;NP d’élément consommateur EC. [13] L‘étape d’acquisition lors de la phase de génération est effectuée au moyen de plusieurs capteurs de mesure fluidique raccordés chacun à un élément consommateur EC des N bâtiments réels de référence. Par ailleurs, l’étape d’acquisition lors de la phase de classification est effectuée au moyen d’au moins un capteur de mesure fluidique raccordé à une entrée fluidique du bâtiment à surveiller, et de préférence au moyen d’un seul capteur. [14] Le procédé de surveillance comporte une phase de surveillance du bâtiment à surveiller, comportant les étapes suivantes : identifier une classe d’éléments consommateurs, parmi au moins une partie des classes prédites, pour laquelle un paramètre de suivi associé aux évènements fluidiques correspondants présente un écart à une valeur de référence supérieur à un écart seuil ; puis communiquer à un utilisateur la classe identifiée d’éléments consommateurs. [15] Certains aspects préférés mais non limitatifs de ce procédé de surveillance sont les suivants. [16] Les paramètres de temporalité PT(i) et P^ )(^,^) peuvent comporter également, pour chacun des créneaux temporels, le volume cumulé du fluide d’intérêt écoulé et la durée d’écoulement. [17] Les paramètres d’évènements PEv(i) et^ P^*(^,^) peuvent comporter, pour chaque évènement fluidique, l’instant initial de l’évènement fluidique, la durée d’écoulement, le volume écoulé et/ou le débit moyen. [18] La base de données et les données d’entrée du modèle de prédiction peuvent comporter des paramètres dits de comparaison, notés respectivement PEv|Bsim(i) et P^ ^*|^((^,^"→^)), et définis, pour chaque évènement fluidique Ev(i), E^v(^,^), comme le rapport d’un débit moyen de l’évènement fluidique considéré sur un débit global moyen de tous les évènements fluidiques Ev(i), E^v(^,^) du bâtiment considéré. [19] La phase de classification peut être réitérée, les signaux de mesure S^mes^((t) du bâtiment à surveiller étant alors acquis sur des durées de surveillance prédéfinies successives. [20] Dans les paramètres de comparaison P^ ^*|^((^,^"→^) présents dans les données d’entrée du modèle de prédiction, le débit global moyen de tous les évènements fluidiques ^ Ev(^,^) peut tenir compte du débit global moyen des itérations précédentes. [21] La phase de génération peut comporter les étapes suivantes : - détermination d’une première base de données où chaque évènement fluidique est défini par au moins lesdits paramètres d’évènement et par lesdits paramètres de temporalité ; - détermination d’une deuxième base de données où chaque évènement fluidique est défini par au moins lesdits paramètres d’évènement, par lesdits paramètres de temporalité, et par des paramètres dit de comparaison par classe définis, pour chaque évènement fluidique d’au moins une classe considérée, comme le rapport d’un débit moyen de l’évènement fluidique considéré sur un débit global moyen de tous les évènements fluidiques de la classe considérée. [22] La phase de paramétrage peut alors comporter les étapes suivantes : - paramétrage d’un premier mode de prédiction par apprentissage automatique supervisé à partir de la première base de données ; - paramétrage d’un deuxième mode de prédiction par apprentissage automatique supervisé à partir de la deuxième base de données ; [23] La phase de classification peut alors comporter les étapes suivantes : - détermination, pour des évènements fluidiques présents dans le signal de mesure S^mes^((t), des paramètres d’évènement et des paramètres de temporalité correspondants ; puis - prédiction par le premier modèle de prédiction, pour chacun des évènements fluidiques, lesquels sont définis par les paramètres d’évènement et les paramètres de temporalité qui forment des données d’entrée du premier modèle de prédiction, de la classe d’élément consommateur correspondante ; puis - détermination, à partir des classes prédites préalablement, de paramètres de comparaison par classe correspondants ; puis - prédiction par le deuxième modèle de prédiction, pour chacun des évènements fluidiques, lesquels sont définis par les paramètres d’évènement, les paramètres de temporalité, et les paramètres de comparaison par classe qui forment des données d’entrée du deuxième modèle de prédiction, de la classe d’élément consommateur correspondante. [24] Lors de l’étape d’acquisition des signaux de mesure ^Dmes^^^^(^) ^^ (t)^^^^;^, les N bâtiments réels de référence peuvent être raccordés à un dispositif de détermination d’au moins un modèle de prédiction, comportant des capteurs de mesure fluidique adaptés à acquérir les signaux de mesure pour chacun des éléments consommateurs du bâtiment réel de référence considéré, et un ordinateur connecté aux capteurs de mesure fluidique du bâtiment de référence considéré et adapté à effectuer la phase de paramétrage. [25] Lors de l’étape d’acquisition du signal de mesure S^mes^((t) du bâtiment à surveiller, celui- ci peut être raccordé à un dispositif de classification comportant un capteur de mesure fluidique adapté à acquérir le signal de mesure S^mes^((t), et un ordinateur connecté au capteur de mesure fluidique du bâtiment à surveiller et adapté à effectuer la phase de classification. [26] Lors de la phase de surveillance, à la suite de l’étape de communication, le procédé peut comporter une étape de correction par l’utilisateur de sorte que les éléments consommateurs de la classe identifiée présentent ensuite une valeur du paramètre de suivi ayant un écart inférieur à l’écart seuil. BRÈVE DESCRIPTION DES DESSINS [27] D'autres aspects, buts, avantages et caractéristiques de l’invention apparaîtront mieux à la lecture de la description détaillée suivante de formes de réalisation préférées de celle-ci, donnée à titre d'exemple non limitatif, et faite en référence aux dessins annexés sur lesquels : la figure 1A illustre de manière schématique un exemple de bâtiment à surveiller, ici une maison d’habitation, équipé d’un dispositif de classification des évènements fluidiques liés à la consommation du fluide d’intérêt par le bâtiment à surveiller ; la figure 1B illustre un exemple de signal de mesure représentatif de l’évolution temporelle du débit global de consommation du fluide d’intérêt par le bâtiment à surveiller de la fig.1A ; la figure 2 illustre un organigramme d’un procédé de surveillance des évènements fluidiques liés à la consommation du fluide d’intérêt par le bâtiment à surveiller, selon un mode de réalisation ; la figure 3A illustre de manière schématique un exemple de bâtiment réel de référence, ici une maison d’habitation, équipée d’un dispositif de détermination d’un modèle de prédiction par apprentissage supervisé ; la figure 3B illustre des exemples de signaux de mesure représentatifs du débit local de consommation par chacun des éléments consommateurs EC du bâtiment réel de référence de la fig.3A ; la figure 3C illustre des créneaux temporels situés avant et après l’instant initial d’un évènement fluidique, permettant de définir des paramètres dits de temporalité représentatifs de chacun des évènements fluidiques ; la figure 4 illustre des étapes mises en œuvre lors de la phase de génération de la base de données, à partir de signaux simulés pour des bâtiments dits simulés ; la figure 5 illustre un organigramme d’un procédé de surveillance des évènements fluidiques liés à la consommation du fluide d’intérêt par le bâtiment à surveiller, selon un autre mode de réalisation qui met en œuvre deux modèles de prédiction ; les figures 6A à 6C illustrent des exemples de distributions cumulées du débit, de la durée d’écoulement et du volume écoulé, associées aux évènements fluidiques issus de signaux simulés pour un bâtiment simulé, et comparées à ceux issus d’un bâtiment réel ; les figures 7A à 7C illustrent respectivement un exemple du taux de précision, de rappel et de F1- score, associés à la classification des évènements fluidiques d’un bâtiment à surveiller effectuée par des procédés de classification selon différents modes de réalisation. EXPOSÉ DÉTAILLÉ DE MODES DE RÉALISATION PARTICULIERS [28] Sur les figures et dans la suite de la description, les mêmes références représentent les éléments identiques ou similaires. De plus, les différents éléments ne sont pas représentés à l’échelle de manière à privilégier la clarté des figures. Par ailleurs, les différents modes de réalisation et variantes ne sont pas exclusifs les uns des autres et peuvent être combinés entre eux. Sauf indication contraire, les termes « sensiblement », « environ », « de l’ordre de » signifient à 10% près, et de préférence à 5% près. Par ailleurs, les termes « compris entre … et … » et équivalents signifient que les bornes sont incluses, sauf mention contraire. [29] L’invention porte sur la surveillance de la consommation fluidique au sein d’un bâtiment qui consomme un fluide d’intérêt par le biais d’éléments consommateurs EC de différentes classes LEv. Elle concerne plus précisément la détermination de la classe LEv (étiquette ou label) d’éléments consommateurs EC qui est à associer à chacun des évènements fluidiques Ev liés à la consommation du fluide d’intérêt par les éléments consommateurs EC du bâtiment à surveiller BS. [30] Le procédé de surveillance est effectué à l’aide d’un ordinateur (unité de traitement) qui intègre au moins un modèle de prédiction f1, f2 par apprentissage automatique supervisé. Le modèle de prédiction f1, f2 peut être un modèle à arbre de décision, à boosting de classifieurs faibles, à analyse discriminante linéaire ou quadratique, à forêt d’arbres décisionnels, à méthode des k plus proches voisins, entre autres. [31] Comme détaillé par la suite, pour obtenir des performances de prédiction améliorées, le procédé de surveillance comporte une phase d’apprentissage du modèle de prédiction f1, f2 qui est effectuée à partir d’au moins une base de données BD1, BD2 prétraitée d’une manière particulière. [32] Cette base de données BD1, BD2 n’est pas formée, comme elle pourrait l’être selon une approche naturelle, par des signaux de mesure de débit classifiés (étiquetés) et provenant de chacun des éléments consommateurs EC de plusieurs bâtiments réels de référence Bref. En effet, cette approche ne peut être pas suffisamment représentative de la diversité de la consommation fluidique effective dans les bâtiments réels. Au contraire, selon l’invention, la base de données est formée à partir de signaux simulés et classifiés, représentatifs du débit de chacun des éléments consommateurs EC de bâtiments simulés Bsim, et de préférence d’un nombre M de bâtiments simulés Bsim très supérieur au nombre N des bâtiments réels de référence Bref. Les profils de consommation PstatBsim des bâtiments simulés, à partir desquels la simulation numérique a été effectuée, ont été déterminés à partir des signaux de mesure de débit classifiés provenant des bâtiments réels de référence, de sorte que les signaux simulés restent cohérents avec la consommation effective des bâtiments réels. Ainsi, il apparaît que la qualité de prédiction est grandement améliorée. [33] De plus, la base de données est formée à partir des différents évènements fluidiques Ev de la consommation fluidique des éléments consommateurs EC des bâtiments simulés. Plus précisément, elle est formée de leurs paramètres représentatifs, dont : - des paramètres dits d’évènements PEv, représentatifs de l’évènement en lui-même (durée d’écoulement, volume écoulé ou équivalent (débit moyen par ex.), voire également instant initial…), et - des paramètres dits de temporalité PT qui indiquent, pour chacun des évènements fluidiques Ev, le nombre d’évènements fluidiques similaires (en termes notamment de débit moyen, voire également de durée d’écoulement), compris dans des créneaux temporels prédéfinis et situés avant et après l’évènement fluidique considéré. [34] Il apparaît que l’apprentissage du modèle de prédiction à partir d’une telle base de données améliore les performances de prédiction, notamment sa précision, son rappel (recall en anglais), et donc également son F1-score (moyenne harmonique de la précision et du rappel). [35] La figure 1A illustre un exemple d’un bâtiment à surveiller BS comportant plusieurs éléments consommateurs EC de différentes classes, et équipé d’un dispositif de classification adapté à classifier les évènements fluidiques E^v liés à la consommation du fluide d’intérêt par les éléments consommateurs EC, c’est-à-dire adapté à déterminer la classe L^ ^* de chacun des évènements fluidiques de consommation par le bâtiment à surveiller BS. [36] Le bâtiment à surveiller BS est une ou plusieurs structures qui consomment un fluide d’intérêt par le biais de ses éléments consommateurs EC, et dont il s’agit de surveiller la consommation pour notamment détecter d’éventuelles anomalies comme une consommation excessive par les éléments consommateurs EC d’une certaine classe. Ainsi, l’utilisateur est en mesure de connaître la consommation de chaque classe des éléments consommateurs EC, et peut ainsi savoir, par exemple, si le débit moyen d’une classe d’éléments consommateurs EC est supérieur à une valeur prédéfinie. Par consommation, on entend que le bâtiment à surveiller BS reçoit le fluide d’intérêt à partir d’une source fluidique SF, et l’utilise (le « consomme ») selon différentes utilisations, qui peuvent être d’ordre personnel et/ou professionnel. Un tel bâtiment à surveiller BS peut être, par exemple, une maison, un appartement, un immeuble comportant plusieurs appartements, une école, une usine, un hôpital, un camping, ou autre, et d’une manière générale, est tout type de structure ou ensemble à usage personnel et/ou professionnel. Le bâtiment à surveiller BS peut comporter plusieurs bâtiments distincts, comme par exemple dans le cas d’une usine. [37] Le fluide d’intérêt peut être un liquide ou un gaz, tel que de l’eau, de l’hydrogène, de l’oxygène, de l’azote, de l’hélium, etc… Ainsi, le bâtiment à surveiller BS peut être une usine qui consomme par exemple de l’hydrogène, de l’oxygène ou de l’azote, en phase liquide ou gazeuse. Il peut également être un bâtiment de formation (école) qui utilise de l’eau liquide. Dans la suite de la description, le bâtiment à surveiller BS est une maison d’habitation, et le fluide d’intérêt est de l’eau liquide. [38] Le bâtiment à surveiller BS comporte plusieurs éléments consommateurs EC qui assurent la consommation effective du fluide d’intérêt. Les éléments consommateurs EC sont de différentes classes L, par exemple une classe R pour les robinets (toilettes, cuisine, salle de bain…), une classe D pour les douches, une classe C pour les chasses d’eau de toilettes, une autre classe LV pour les lave-vaisselles, et une autre classe LL pour les lave-linges. Dans cet exemple, les classes sont notées : L = {R, D, C, LV, LL}. [39] Le bâtiment à surveiller BS comporte également un circuit fluidique qui assure la distribution du fluide d’intérêt à partir de la source fluidique SF jusqu’aux éléments consommateurs EC. Il s’agit de conduits de distribution, éventuellement munis de vannes. La source fluidique SF du fluide d’intérêt peut être un réseau d’approvisionnement, par exemple de la ville, un réservoir, ou autre. [40] Le bâtiment à surveiller BS est équipé d’un dispositif de classification, qui comporte un capteur de mesure fluidique CMBS pour acquérir un signal de mesure S^mes^((t) représentatif de l’évolution temporelle du débit global, en entrée du bâtiment à surveiller BS. Le dispositif de classification comporte également une unité de traitement UT (ordinateur) pour déterminer les classes L^ ^^ des évènements fluidiques ^ Ev liés à la consommation du fluide d’intérêt par les éléments consommateurs EC et présents dans le signal de mesure S^mes^((t). L’unité de traitement UT intègre au moins un modèle de prédiction f1 par classification dont le paramétrage a été effectué par apprentissage automatique supervisé à partir d’une base de données BD1 prédéfinie. [41] Notons que le dispositif de classification n’est pas en mesure de connaître l’évolution temporelle du débit de chacun des éléments consommateurs EC, mais seulement de connaître le débit global à l’entrée du bâtiment à surveiller BS. C’est du fait de cette absence de capteurs dédiés à chacun des éléments consommateurs EC, et donc au fait que seule l’information de débit global est accessible, que l’invention prévoit d’avoir recours à un modèle de prédiction, ici par apprentissage supervisé, pour estimer la classe L^ ^^ d’élément consommateur EC qui est à associer à tel et tel évènement fluidique E^v de débit global. [42] Le capteur de mesure fluidique CMBS est raccordé au circuit fluidique, et est situé entre la source fluidique SF et les éléments consommateurs EC. Il est adapté à mesurer un signal de mesure S^mes^((t) représentatif du débit global de consommation du fluide d’intérêt par le bâtiment à surveiller BS. Ce capteur de mesure fluidique CMBS peut être un compteur d’eau à débitmètre, un compteur d’eau à impulsions, entre autres. [43] Dans la suite de la description, on considère que le capteur de mesure fluidique CMBS est un compteur d’eau à débitmètre à turbine, qui acquiert un signal de mesure S^mes^((t), dont les données sont représentatives des différents évènements fluidiques^ Ev. Un évènement fluidique est défini comme étant une durée d’écoulement non nul délimité temporellement par des durées d’écoulement nul. [44] La figure 1B illustre un exemple de signal de mesure S^mes^((t), ici sous la forme d’une évolution temporelle du débit global lié à la consommation d’eau d’une maison à surveiller BS. Le signal de mesure S^mes^((t) présente plusieurs évènements fluidiques^ Ev(^), où j est un incrément qui va de 1 à NP, avec NP le nombre total d’évènements fluidiques E^v sur une durée de surveillance Δts (par exemple 1 journée). Le signal de mesure S^mes^((t) peut se présenter comme une succession de messages électroniques relatifs à chacun des évènements fluidiques : S^mes^((t) = .^P^*(^)/^^^,^0. Chaque évènement fluidique E^v(^) est caractérisé ici par des paramètres dits d’évènement^ P^*(^), par exemple ici son instant de début d’écoulement te(j), la durée d’écoulement Δte(j), et le débit moyen, voire le volume écoulé V(i) : P^ ^*(^) = .t^(^) ; ∆t^(^) ; V(^)/. Ces paramètres sont indiqués ici à titre d’exemple, et d’autres paramètres sont envisageables. Les informations mesurées peuvent être transmises en temps réel à l’unité de traitement, par exemple à une fréquence prédéfinie ou dès qu’un évènement fluidique ^ Ev(^) est terminé, sous la forme d’un ou plusieurs messages électroniques contenant chacun les paramètres^ P^*(^) de l’évènement fluidique^ Ev(^) considéré. [45] En variante, le signal de mesure S^mes^((t) peut être un vecteur dont les valeurs correspondent au débit mesuré à fréquence régulière. Dans le cas d’un compteur d’eau à impulsions, le signal de mesure S^mes^((t) peut être un vecteur comportant seulement l’instant où une impulsion est émise. Cette impulsion est émise lorsqu’un volume prédéfini du fluide d’intérêt s’est écoulé (par ex.1 impulsion par litre). [46] L’unité de traitement UT est connectée au capteur de mesure fluidique CMBS de manière filaire ou non filaire. Il peut être disposé dans le bâtiment à surveiller BS ou peut être situé à distance de celui-ci. Il s’agit d’un ordinateur qui comporte un calculateur et au moins une mémoire. Il permet la mise en œuvre des opérations du procédé de surveillance permettant de déterminer la classe L^ ^^(^) des évènements fluidiques E^v(^) présents dans le signal de mesure S^mes^((t). Le calculateur comporte un processeur programmable apte à exécuter des instructions enregistrées sur un support d’enregistrement d’informations. La mémoire contient des instructions pour la mise en œuvre du procédé de surveillance. Elle est également adaptée à stocker les informations reçues par le capteur de mesure fluidique CMBS, et comporte ici au moins un modèle de prédiction f1 (ou f1, f2) ayant été paramétré lors d’une phase d’apprentissage supervisé à partir d’au moins une base de données BD1 (ou BD1, BD2). [47] La figure 2 est un organigramme d’un procédé de surveillance, selon un mode de réalisation, des classes L^ ^^(^) d’éléments consommateurs EC à associer à chacun des évènements fluidiques^ Ev(^) présents dans le signal de mesure S^mes^((t). Le procédé comporte une phase 100 de génération d’une base de données BD1, une phase de 200 d’apprentissage, suivie d’une phase 300 de prédiction. [48] Dans cet exemple, le bâtiment à surveiller BS est une maison d’habitation ayant plusieurs habitants. Le procédé de surveillance n’est évidemment pas limité à cet exemple. Le bâtiment à surveiller BS comporte des éléments consommateurs EC de différentes classes L connues, à savoir ici des classes : R (robinets), C (chasses d’eau), D (douches), LL (lave-linges) et LV (lave-vaisselles). [49] Phase 100 : Génération de la base de données BD1. [50] La base de données BD1 est générée sur la base de signaux de mesure Dmes^^^^(^) ^^^4,^,5… (t) représentatifs du débit réel (i.e. du débit mesuré et non simulé) de chacun des éléments consommateurs EC de N bâtiments réels de référence Bref(n), avec n allant de 1 à N>1. Il s’agit donc de signaux de mesure classifiés (i.e. étiquetés), étant donné que l’on a un signal de mesure pour chacun des éléments consommateurs EC. Le bâtiment réel de référence Bref(n) est identique ou similaire au bâtiment à surveiller BS, dans le sens où il présente le même usage (ici une maison d’habitation) et comporte des éléments consommateurs EC de même classe L (ici : robinet R, douche D, chasse d’eau C, lave-linge LL, et lave-vaisselle LV). [51] La phase 100 de génération de la base de données BD1 est illustrée plus en détail sur la figure 4. Cette phase 100 comporte les étapes suivantes : o une étape 110 d’acquisition, par mesure expérimentale, de signaux de mesure Dmes^^^^(^) ^^^4,^,5… (t), représentatifs du débit réel de chacun des éléments consommateurs EC des N maisons réelles de référence Bref(n) ; o une étape 120 de détermination de profils, dits statistiques, de consommation Pstat^!"#($) ^^^4,^,5… de chaque bâtiment simulé Bsim(m), avec m allant de 1 à M>N ; o une étape 130 de génération, par simulation numérique, de signaux simulés (t), représentatifs du débit de chacun des éléments consommateurs EC des M maisons simulées Bsim(m) ; o une étape 140 de détermination, pour chacun des évènements fluidiques Ev identifiés dans les signaux simulés, d’au moins les paramètres d’évènement PEV et les paramètres de temporalité PT ; o une étape 150 de génération de la base de données BD1. [52] Lors de l’étape 110, on acquiert des signaux de mesure Dmes^^^^(^) ^^^4,^,5… (t) représentatifs du débit réel de chacun des éléments consommateurs EC des N maisons réelles de référence Bref(n), sur au moins une durée de surveillance Δts (ici au moins une journée). Le nombre N peut être égal, par exemple, à quelques unités, voire à une dizaine. Il se distingue du nombre M de maisons simulées qui peut être égal à quelques centaines, milliers, dizaines de milliers voire davantage. [53] La figure 3A illustre de manière schématique et partielle une maison réelle de référence Bref identique ou similaire à la maison à surveiller BS (ici une maison d’habitation). La maison de référence est dite réelle dans la mesure où elle est occupée par des utilisateurs réels, et n’est donc pas une maison simulée. Elle comporte des éléments consommateurs EC dont les classes sont L = { R, C, D, LL, LV }. Il s’agit ici des classes de robinets R, de chasses d’eau C, de douches D, de lave- linges LL, et de lave-vaisselles LV. La maison de référence Bref peut avoir un nombre d’habitants identique ou non à celui de la maison à surveiller BS. [54] Les N maisons réelles de référence Bref(n) sont raccordées, directement ou indirectement, à un dispositif de détermination d’au moins un modèle de prédiction f1, f2. Ce dispositif comporte des capteurs de mesure fluidique CMEC et une unité de traitement UT. Dans cet exemple, les capteurs de mesure fluidique CMEC acquièrent des signaux de mesure Dmes^^^^(^) ^^^4,^,5… (t) qui correspondent à l’évolution temporelle du débit de chacun des éléments consommateurs EC des N maisons réelles de référence, et les transmettent à l’unité de traitement UT. Autrement dit, chaque élément consommateur EC est équipé d’un capteur de mesure fluidique CMEC. Les signaux de mesure Dmes^^^^(^) ^^^4,^,5… (t) sont ici des vecteurs indiquant la valeur du débit mesuré à une fréquence prédéfinie, par exemple toutes les secondes. Ils sont notés : Dmes^^^^(^) ( ^^^^(^) ^^^4,^,5… t) = { Dmes4 (t) ; Dmes^^^^(^) ^ (t) ; Dmes^^^^(^) 5 (t) ; Dmes^ 7 ; Dmes^^^^(^) 7^ (t) }. Ils peuvent évidemment présenter d’autres formats, comme notamment une succession de messages électroniques relatifs à chacun des évènements fluidiques mesurés. [55] La figure 3B illustre des exemples de signaux de mesure d’un robinet DmesR(t), d’une douche DmesD(t), d’une chasse d’eau DmesC(t), d’un lave-linge DmesLL(t), et d’un lave-vaisselle DmesLV(t). On remarque qu’il est possible d’en extraire les évènements fluidiques Ev et les paramètres d’évènement PEv correspondants, qui portent notamment sur l’instant initial te, la durée d’écoulement Δte, le volume écoulé V, le débit moyen, etc… On peut également déterminer un profil statistique de consommation associé à chaque maison de référence Bref(n), le débit maximal…, mais également le nombre d’utilisations, la fréquence moyenne et l’écart-type d’utilisations, etc… [56] Ensuite, lors de l’étape 120, on détermine des profils statistiques de consommation ^Pstat^!"#($) ^^ ^#^^;% des M maisons simulées, à partir d’informations issues des signaux de mesure acquis ^Dmes^^^^(^) ^^ (t)^^^^;^, et plus précisément, à partir de profils statistiques de consommation ^Pstat^^^^(^) ^^ ^^^^;^ associés aux N maisons de référence qui sont déterminés à partir des signaux de mesure acquis. [57] Ainsi, un profil statistique d’un bâtiment regroupe des informations liées à ce bâtiment et à ses occupants/utilisateurs, comme le nombre d’occupants, le nombre et la classe des différents éléments consommateurs EC. Il comporte également des informations statistiques liées aux habitudes de consommation fluidique de chacun des occupants, comme les horaires typiques d’utilisation des différents éléments consommateurs EC, les durées d’écoulement, les pauses entre chaque évènement fluidique (en particulier pour les douches). Il comporte enfin des informations statistiques liées aux éléments consommateurs EC eux-mêmes : débit maximal, débit moyen, etc… Ces informations de consommation sont dites statistiques dans la mesure où elles peuvent comporter une valeur moyenne et une variabilité (écart-type) associées à une distribution donnée (normale, log-normale, exponentielle, bimodale…). [58] Ainsi, pour chaque maison de référence Bref(n), on obtient les informations liées à la maison et à ses occupants. De plus, à partir des signaux de mesure acquis pour chacun des éléments consommateurs EC, on détermine les informations statistiques de consommation. On définit ainsi le profil statistique de consommation correspondant Pstat^^^^(^) ^^ . [59] On détermine ensuite les profils statistiques de consommation Pstat^!"#($) ^^ pour chacune des M maisons simulées Bsim(m), à partir des profils statistiques de consommation des maisons de référence Bref(n). Comme indiqué précédemment, le nombre M peut être très élevé comparé au nombre N, par exemple être de 100000 environ alors que N serait de 10 environ. Les profils statistiques de consommation Pstat^!"#($) ^^ sont déterminés en faisant varier les différents paramètres du profil. Cela permettra d’éviter de paramétrer ensuite le modèle de prédiction f1 avec une base de données BD1 dont les valeurs ne seraient pas suffisamment représentatives de la variabilité effective possible de la consommation fluidique des maisons réelles, et donc de la maison à surveiller BS. [60] Ainsi, concernant les paramètres liés à la maison et à ses occupants, on génère des maisons en faisant varier le nombre d’occupants, le nombre d’éléments consommateurs de chaque classe, le nombre de classes présents (ainsi certaines maisons peuvent ne pas avoir de lave-linge ou de lave-vaisselle). On fait également varier les paramètres statistiques liés aux habitudes de consommation de chacun des occupants, par exemple les horaires typiques et la fréquence d’utilisation des différents éléments consommateurs EC. Ainsi, par exemple, pour certains occupants, la douche est prise le matin, pour d’autres le soir. Pour certains, la durée d’écoulement de la douche sera longue, pour d’autres courtes, etc… Enfin, on fait varier les paramètres liés aux éléments consommateurs EC eux-mêmes en termes de débit moyen, de débit maximal, d’écart- type etc…. On obtient ainsi les profils statistiques de consommation Pstat^!"#($) ^^ des M maisons simulées. [61] Ensuite, lors d’une étape 130, on génère les signaux dits simulés ^Dsim^!"#($) ^^ (t)^#^^;% représentatifs du débit de consommation de chacun des éléments consommateurs EC des M bâtiments simulés, à partir des profils statistiques de consommation correspondants. Ces signaux simulés sont dits classifiés dans la mesure où une classe d’élément consommateur est associée à chacun des signaux. [62] Ainsi, pour chaque maison simulée (et pour chaque occupant), et compte tenu des paramètres du profil statistique de consommation correspondant, on simule l’évolution temporelle du débit Dsim^!"#($) 5 (t) de chaque douche au cours d’une durée de surveillance Δts (ici au moins une journée), ainsi que celle Dsim^!"#($) ^ (t) de chaque chasse d’eau et celle Dsim^!"#($) 4 (t) de chaque robinet. On peut également simuler celle Dsim^!"#($) 77 (t) des lave-linges et celle Dsim^!"#($) 7^ (t) des lave-vaisselles. Bien entendu, des filtres sont présents pour éviter que des signaux simulés de la classe D 'douche’, pour plusieurs occupants d’une même maison simulée, ne présentent des évènements fluidiques EvD simultanés… alors que la maison simulée Bsim(m) ne comporte qu’une seule douche. [63] Chaque signal simulé Dsim^!"# ^^ comporte un ou plusieurs évènements fluidiques. Il présente par exemple le format d’un vecteur indiquant la valeur du débit à une fréquence par exemple d’une seconde sur une durée d’une journée, et de préférence sur une durée de plusieurs jours, voire semaines. Les signaux simulés peuvent ainsi prendre la forme des signaux illustrés sur la fig.3B. [64] Ainsi, on obtient un grand nombre de signaux réalistes qui sont représentatifs du débit effectif des éléments consommateurs EC dans les maisons réelles, ce qui permettra de générer une base de données BD1 réaliste de grande dimension. Cette grande diversité des signaux simulés permettra d’éviter les biais de prédiction qui pourraient être induits par une base de données qui ne serait pas suffisamment représentative de la diversité effective possible des habitudes de consommation dans les maisons réelles. [65] Ensuite, lors d’une étape 140, on détermine des paramètres associés à chaque évènement fluidique associés à la consommation fluidique des maisons simulés Bsim(m), et plus précisément des paramètres d’évènement PEv et des paramètres de temporalité PT. [66] Pour cela, on détermine des signaux simulés de débit global SsimBsim(m)(t), qui sont chacun représentatifs du débit global de la maison simulée Bsim(m) correspondante, à partir des signaux simulés Dsim^!"#($) ^^^4,^,5… (t). Il s’agit évidemment de signaux classifiés (étiquetés), dans la mesure où leur sont associés un signal LBsim(m)(t) indiquant la classe correspondante. Cela revient à obtenir, pour chaque maison simulée Bsim(m) un signal dont le format est identique au signal de mesure S^mes^((t) de la maison à surveiller BS. Dans cet exemple, le signal de mesure S^mes^((t) est formé d’une succession d’évènements fluidiques .P^ ^^(^)/ et plus précisément d’une succession de paramètres représentatifs des évènements fluidiques. [67] Pour cela, on somme tous les signaux simulés Dsim^!"#($) 5 (t), Dsim^!"#($) ^ (t), Dsim^!"#($) 4 (t), Dsim^!"#($) 77 (t) et Dsim^!"#($) 7^ (t) relatifs à une même maison simulée Bsim(m). On obtient ainsi, pour chaque maison simulée Bsim(m), le signal simulé de débit global SsimBsim(m)(t) accompagné du signal de classe LBsim(m)(t) correspondant. [68] Ainsi, pour chacun des signaux simulés de débit global SsimBsim(m)(t), on identifie les évènements fluidiques EvBsim(m) présents et on leur associe la classe correspondante Rappelons que les évènements fluidiques sont des évènements à débit non nul encadrés avant et après par une période à débit nul. [69] Cependant, un évènement fluidique EvBsim(m) du signal simulé de débit global SsimBsim(m)(t) peut être issu de la juxtaposition au moins partielle de plusieurs évènements fluidiques issus des signaux simulés Dsim^!"#($) ^^ (t). Aussi, on peut attribuer la nouvelle classe ‘mixte’ ou ‘mélange’, notée M, à chaque évènement fluidique Ev d’un même signal simulé de débit global SsimBsim(m)(t) et issu d’au moins deux éléments consommateurs. [70] Ensuite, on caractérise chacun des évènements fluidiques Ev d’un même signal simulé de débit global SsimBsim(m)(t) par des paramètres d’évènements PEv, à savoir par exemple l’instant de début te, la durée d’écoulement Δte et le volume écoulé V ou équivalent (débit moyen…). On obtient ainsi un signal simulé de débit global SsimBsim(m)(t) comportant une succession d’évènements fluidiques et de leurs paramètres caractéristiques PEV, avec les classes correspondantes LEV : { PEv ; LEv }. [71] Par ailleurs, on détermine des paramètres dits de temporalité PT pour chacun des évènements fluidiques des signaux simulés de débit global SsimBsim(m)(t). Il s’agit d’enrichir les informations associées aux évènements fluidiques Ev de chaque signal simulé de débit global SsimBsim(m)(t), avec des informations de corrélation avec les évènements fluidiques similaires situés avant et après chacun des évènements fluidiques considérés. En effet, il apparaît que le fait d’enrichir la base de données avec de tels paramètres de temporalité permet d’améliorer les performances de prédiction du modèle. [72] Comme l’illustre la figure 3C, on définit une pluralité de créneaux temporels C situés avant et après l’instant initial te d’un évènement fluidique Ev. On peut ainsi définir NCav créneaux temporels situés avant l’instant initial te et NCap créneaux temporels situés après l’instant initial te. Dans cet exemple, NCav et NCap sont identiques mais ils pourraient être différents l’un de l’autre, et sont ici égaux chacun à 5. De plus, les créneaux temporels amont Cav et aval Cap présentent une même durée deux à deux, mais ils pourraient présenter des durées différentes. On peut ainsi avoir : - deux créneaux C(-1) et C(+1) allant de [-tnc1 ; te] et de [te ; +tnc1], par exemple allant de te à plus ou moins 7min ; - deux créneaux C(-2) et C(+2) allant de [-tnc2 ; -tnc1] et de [+tnc1 ; +tnc2], par exemple allant -30min à - 7min, et allant de +7min à +30min ; - deux créneaux C(-3) et C(+3) allant de [-tnc3 ; -tnc2] et de [+tnc2 ; +tnc3], par exemple allant -60min à - 30min, et allant de +30min à +60min ; - deux créneaux C(-4) et C(+4) allant de [-tnc4 ; -tnc3] et de [+tnc3 ; +tnc4], par exemple allant -120min à -60min, et allant de +60min à +120min ; - deux créneaux C(-5) et C(+5) allant de [-tnc5 ; -tnc4] et de [+tnc4 ; +tnc5], par exemple allant -240min à -120min, et allant de +120min à +240min ; [73] On détermine ensuite le nombre d’évènements fluidiques { NC(p) }p=-NCav ;+NCap similaires à celui considéré en termes de débit (par exemple, même débit moyen plus ou moins une tolérance prédéfinie, par exemple égale à 1L/min), dont l’instant initial est situé dans l’un ou l’autre des créneaux temporels. Cela permet d’établir la corrélation entre les évènements fluidiques d’une même classe. En effet, il apparaît que l’utilisation d’un élément consommateur, par exemple d’un robinet ou d’une douche, peut présenter une succession d’évènements fluidiques de même débit, voire, en outre, de même durée d’écoulement. Ce peut être le cas lors de l’utilisation de la douche, du robinet pour la vaisselle, du programme de nettoyage d’un lave-linge et d’un lave-vaisselle, etc… Les créneaux temporels les plus proches permettent par exemple d’identifier les douches, alors que les créneaux temporels les plus éloignés concernent davantage les lave-linges et lave-vaisselles. En revanche, certains éléments consommateurs peuvent ne pas présenter une telle corrélation temporelle entre évènements fluidiques. [74] Notons que l’on peut également identifier les évènements fluidiques similaires « longs » par exemple ayant une durée d’écoulement supérieure à une valeur prédéfinie, comme par exemple 30 secondes, et/ou les évènements fluidiques similaires « courts » par exemple ayant une durée d’écoulement inférieure à une valeur prédéfinie, comme par exemple 10 secondes. On peut également calculer, pour chacun des créneaux temporels, le volume cumulé de tous les évènements fluidiques identifiés dans le créneau temporel en question. [75] Ainsi, chacun des signaux simulés de débit global SsimBsim(m) comporte, par évènement fluidique Ev, des paramètres d’évènement PEV représentatifs de l’évènement fluidique en question (instant initial, durée d’écoulement, etc…) ainsi que des paramètres de temporalité PT. [76] Par ailleurs, il peut être avantageux de déterminer, pour chacun des signaux simulés de débit global SsimBsim(m), des paramètres supplémentaires dits de comparaison PEv|Bsim, où un débit (débit moyen par ex.) de chacun des évènements fluidiques est comparé à un débit global (débit moyen) de la maison simulée Bsim(m). On peut ainsi calculer, pour chaque évènement fluidique, un débit normalisé défini comme étant égal au rapport du débit moyen de l’évènement fluidique sur le débit global moyen de la maison simulée Bsim(m). [77] Enfin, on génère la base de données BD1 comme étant le rassemblement de tous les évènements fluidiques de tous les signaux simulés de débit global SsimBsim(m), et plus précisément des paramètres d’évènement PEv, des paramètres de temporalité PT, et ici des paramètres de comparaison PEv|Bsim. Pour chaque évènement, on a également la classe LEv correspondante. [78] Ainsi, on obtient un ensemble de NA évènements fluidiques Ev(i) avec i allant de 1 à NA, chaque évènement fluidique Ev(i) étant défini par les paramètres d’évènement PEV(i), les paramètres de temporalité PT(i) et les paramètres de comparaison PEV|BR(i), et par la classe LEv(i) correspondante. Cet ensemble forme alors la base de données BD1. Le nombre NA peut ainsi être très élevé, d’autant qu’il est issu du grand nombre M de maisons simulées Bsim(m). [79] Notons ici que les évènements fluidiques Ev(i) sont mélangés, dans le sens où ils ne sont plus associés à telle ou telle maison simulées Bsim(m) ni à telle et telle journée de mesure. En revanche, des informations de corrélation temporelle sont présentes via les paramètres de temporalité PT, ce qui permet d’améliorer les performances de prédiction du modèle. [80] Phase 200 : Paramétrage du modèle de prédiction. [81] La phase 200 consiste ensuite à effectuer l’apprentissage du modèle de prédiction à partir de la base de données BD1, c’est-à-dire à paramétrer le modèle de prédiction de manière automatique de sorte qu’à partir des données d’entrée que sont ici les paramètres { PEv(i) ; PT(i) ; PEv|Bsim(i) }i=1 ;NA, il détermine les données de sortie que sont les classes correspondantes { LEv(i) }i=1 ;NA. Ainsi on note : Lev(i) = f1( PEv(i) ; PT(i) ; PEV|BR(i) ), où f1 est le modèle de prédiction paramétré. [82] Comme indiqué précédemment, différents algorithmes de modèle de prédiction peuvent être utilisés, mais les inventeurs ont constaté que l’algorithme basé sur les arbres de décision de type boosting, et plus précisément de type gradient boosting présente de bonnes performances. [83] Phase 300 : Classification. [84] La phase 300 consiste à effectuer la prédiction de la classe (classification) des évènements fluidiques E^v(^) présents dans un signal de mesure S^mes^((t) représentatif du débit global de la maison à surveiller BS, ce signal ayant été acquis par le capteur de mesure fluidique CMBS (cf. fig.1A). Il s’agit plus précisément d’estimer la classe L^ ^^(^) de chacun des évènements fluidiques E^v(^). [85] Aussi, lors d’une étape 310, on acquiert le signal de mesure S^mes^((t) par au moins un capteur de mesure fluidique CMBS (ici par un seul capteur). Il correspond à une succession de paramètres d’évènement ^ P^^(^,^) représentatifs des évènements fluidiques E^v(^,^) qu’il contient : S^mes^((t) = .P^ ^*(^,^)/^^^,^0. Les paramètres d’évènements ^ P^*(^,^) sont identiques aux paramètres d’évènements PEv de la base de données BD1, et comportent dans cet exemple, l’instant initial de l’évènement fluidique, sa durée d’écoulement et le volume écoulé. Le signal de mesure S^mes^((t) est acquis par le capteur de mesure fluidique CMBS sur une durée de surveillance Δts(k), par exemple sur une journée. Lorsque la durée de surveillance k est terminée, le capteur de mesure fluidique acquiert un nouveau signal de mesure S^mes^((t) sur la durée de surveillance suivante Δts(k+1), et ainsi de suite. [86] Ensuite, lors d’une étape 320, on détermine les paramètres supplémentaires, ici les paramètres de temporalité^ P)(^,^) et les paramètres de comparaison P^ ^*|^((^,^"→^), de sorte que le signal de mesure S^mes^((t) forme des données d’entrée pour le modèle de prédiction f1 ayant les mêmes paramètres (mêmes dimensions) que lors de la phase d’apprentissage 200. [87] On détermine les paramètres de temporalité^ P)(^,^) de la même manière que celle décrite précédemment, en identifiant le nombre d’évènements fluidiques similaires à celui considéré et situés dans les créneaux temporels amont et aval. [88] Le cas échéant, on détermine les paramètres de comparaison P^ ^*|^((^,^"→^) de la même manière que celle décrite précédemment, en calculant le débit normalisé de chaque évènement fluidique E^v(^,^), i.e. le rapport du débit moyen de chaque évènement fluidique^ Ev(^,^) sur le débit global moyen de consommation fluidique de la maison à surveiller BS. Notons que le débit global moyen de la maison à surveiller BS est avantageusement le débit global moyen de tous les signaux de mesure S^mes^((t) ayant été acquis préalablement, à partir de l’acquisition initiale (indice ki). Ainsi, le débit global moyen de la maison à surveiller BS sera plus précis à mesure que les acquisitions du signal de mesure S^mes^((t) se succéderont. [89] Enfin, lors d’une étape 330, on procède à la prédiction des classes (classification) des évènements fluidiques E^v(^,^) présents dans un signal de mesure S^mes^((t). Les données d’entrées fournies au modèle de prédiction f1 sont .P^ ^*(^,^);^ P)(^,^);^ P^*|^((^,^"→^)/, et les données de sortie sont les classes estimées L^ ^*(^,^) pour chaque évènement fluidique ^ Ev(^,^), de sorte que l’on a : L^ ^*(^,^) = f1: .P^ ^*(^,^);^ P)(^,^);^ P^*|^((^,^"→^)/ ;. Lorsque la prédiction est effectuée pour le signal de mesure S^mes^((t) de la durée de surveillance d’indice k, on réitère la phase 300 pour un nouveau signal de mesure S^mes^((t) acquis sur la durée de surveillance d’indice k+1. [90] Ainsi, le procédé de surveillance est en mesure de déterminer la classe d’élément consommateur L^ ^*(^,^) pour chaque évènement fluidique E^v(^,^) présent dans le signal de mesure S^mes^((t) représentatif du débit global de consommation du fluide d’intérêt du bâtiment à surveiller BS. Par le fait que les données d’entrée comportent les paramètres de temporalité^ P)(^,^), il apparaît que le modèle de prédiction présente une précision améliorée. [91] Notons que l’étape de prédiction 330 peut comporter des contraintes qui bloquent l’attribution de l’une ou l’autre des classes à certains évènements fluidiques ^ Ev(^,^) et attribuent une classe dite ‘Autre’ lorsque la classe estimée est interdite. Ainsi, les évènements de chaque classe respectent des conditions, par exemple, sur la durée d’écoulement, le débit moyen, le nombre d’évènements fluidiques successifs similaires, etc. Aussi, par exemple la classe ‘Douche’ ne pourrait pas être attribuée à un évènement fluidique dont la durée d’écoulement serait inférieure à 5 secondes ou supérieure à 900 secondes. [92] Phase 400 : Surveillance [93] Notons enfin que le procédé de surveillance peut permettre de détecter une consommation inhabituelle (par exemple excessive ou insuffisante) des éléments consommateurs de l’une ou l’autre des classes prédéfinies, pour ensuite le communiquer à un utilisateur. [94] A ce titre, le procédé comporte une phase de surveillance 400, qui fait suite à la phase de classification 300. Lors de cette phase 400, on identifie (étape 410), parmi au moins une partie des classes prédites {L^ ^^(^,^)}j=1 ;NP, et de préférence pour chacune des classes prédites, une classe L^ ^^ pour laquelle un paramètre de suivi PS7^ associé aux évènements fluidiques correspondants présente un écart E7^ à une valeur de référence PS^7,^^^ supérieur à un écart seuil E7^,<=. [95] Le paramètre de suivi PS7^ peut être issu des paramètres d’évènement^ P^^ des évènements fluidiques de la classe prédite considérée, comme par exemple un débit moyen ou instantané, une durée d’écoulement moyen, etc… Puis, on calcule un écart E7^ entre le paramètre de suivi PS7^ est une valeur de référence prédéfinie PS7^,^^^. Cette valeur de référence est associée à la classe considérée. Il peut ainsi s’agir d’une valeur de référence du débit moyen, dans le cas où on considère par exemple la classe des robinets (ou des douches, lave-linges…). Il peut s’agir d’une valeur prédéfinie et constante dans le temps, ou issue d’une valeur glissante (valeur moyenne, minimale ou maximale…) déterminée sur une fenêtre temporelle prédéfinie (jours, semaines, mois, années précédents…). Cette valeur peut être issue des habitudes de consommation issues du bâtiment à surveiller BS, ou des bâtiments réels de référence Bref, des bâtiments simulés Bsim, voire issues de données statistiques nationales, etc. L’écart E7^ peut être la différence en valeur absolue (ou le rapport) entre la valeur du paramètre de suivi et sa valeur de référence : >PS7^ − PS7^,^^^>. [96] Enfin, lors d’une étape 420, si une telle classe est identifiée, cette information est communiquée à un utilisateur du procédé de surveillance. Cette communication peut présenter différentes formes, et peut être un affichage sur un écran de suivi. Le procédé peut également comporter une étape de correction par l’utilisateur de sorte que les éléments consommateurs de la classe identifiée présentent ensuite un paramètre de suivi ayant un écart inférieur à l’écart seuil prédéfini. A titre d’exemple, cela peut se traduire par un remplacement des pommeaux de douche, voire par un remplacement des éléments consommateurs en question par des éléments moins consommateurs. [97] La figure 5 illustre un organigramme d’un procédé de surveillance selon un autre mode de réalisation, qui se distingue du procédé de la fig.2 essentiellement en ce qu’il utilise deux modèles de prédiction f1 et f2 de manière successive. Le principe est d’utiliser le premier modèle de prédiction f1 pour effectuer un premier niveau de classification, et ainsi en déduire des paramètres supplémentaires, lesquels seront ensuite ajoutés aux données d’entrée du deuxième modèle de prédiction f2 qui effectuera alors un deuxième niveau de classification. Cela permet d’améliorer encore les performances du procédé de surveillance. [98] Le procédé de surveillance comporte une phase 100 de génération de deux bases de données BD1 et BD2, puis une phase 200 d’apprentissage des deux modèles de prédiction f1 et f2, et enfin une phase 300 de prédiction à deux niveaux. [99] Lors de la phase 100 de génération des bases de données BD1 et BD2, les étapes 110 à 140 sont identiques ou similaires à celles décrites précédemment et ne sont pas décrites à nouveau ici. [100] L’étape 150 consiste à déterminer (sous-étape 151) les paramètres d’évènements PEv, les paramètres de temporalité PT (et ici les paramètres de comparaison PEv|Bsim) pour obtenir la première base de données BD1. Ici, on opère de manière identique ou similaire au procédé de la fig.2. La base de données BD1 comporte donc ces paramètres PEv, PT et ici PEv|Bsim, ainsi que les classes LEV attribuées à chaque évènement fluidique Ev. [101] L’étape 150 consiste également à déterminer (sous-étape 152) des paramètres supplémentaires PEv|L dits de ‘comparaison par classe’ (alors que les paramètres PEv|Bsim sont des paramètres de comparaison par rapport à la maison simulée Bsim), et ensuite d’obtenir la deuxième base de données BD2. Ainsi, la base de données BD2 comporte les paramètres d’évènement PEv, les paramètres de temporalité PT, les paramètres de comparaison PEv|Bsim, et les paramètres de comparaison par classe PEv|L. Elle comporte également les classes LEv attribuées à chaque évènement fluidique Ev. [102] Ainsi, pour chacun des signaux simulés de débit global SsimBsim(m), on détermine les paramètres supplémentaires PEv|L, où le débit moyen de chacun des évènements fluidiques est comparé au débit global moyen des évènements fluidiques de chacune des classes. On peut ainsi calculer, pour chaque évènement fluidique, le débit normalisé de classe défini comme étant égal au rapport du débit moyen de l’évènement fluidique sur le débit global moyen des évènements fluidiques de même classe, pour la maison simulée considérée. [103] Ensuite, lors de la phase 200, on paramétrise les deux modèles de prédiction f1 et f2 par apprentissage automatique supervisé. Plus précisément, lors de l’étape 201, le modèle de prédiction f1 est paramétrisé à partir de la base de données BD1, et lors de l’étape 202, le modèle de prédiction f2 est paramétrisé à partir de la base de données BD2. [104] Enfin, lors de la phase 300, on effectue les étapes d’acquisition 310 et de prétraitement 320 du signal de mesure S^mes^((t) de manière identique ou similaire aux étapes décrites en lien avec la fig.2. [105] Ensuite, lors d’une étape 331, on procède à un premier niveau de prédiction des évènements fluidiques E^v(^,^) présents dans un signal de mesure S^mes^((t), à l’aide du premier modèle f1. Les données d’entrées fournies au modèle f1 sont .^P^*(^,^);^ P)(^,^);^ P^*|^((^,^"→^)/, et les données de sortie sont les classes estimées L^ ^*(^,^) pour chaque évènement fluidique ^ Ev(^,^), de sorte que [106] Ensuite, lors d’une étape 332, on détermine les paramètres de comparaison par classe^ P^*|7(^,^). Cette étape est possible dans la mesure où les évènements fluidiques précédents E^v(^,^"^^→^@^) ont été classifiés pendant les itérations précédentes, soit par le modèle f1 soit par le modèle f2. Il est alors possible de déterminer le débit caractéristique (par ex. débit moyen, médian…) de chaque classe d’éléments consommateurs de la maison à surveiller BS, et ensuite de comparer le débit déterminé de l’événement fluidique à classifier à la valeur caractéristique de chaque classe (rapport du débit moyen de l’évènement fluidique considéré sur le débit moyen (ou médian) de tous les évènements fluidiques qui relèvent de la classe considérée). Et ainsi de suite pour toutes les classes. Bien entendu, il est possible de déterminer les paramètres de comparaison par classe P^ ^*|7(^,^) pour chacune des classes, ou pour seulement l’une ou l’autre d’entre elles. On pourrait ainsi se limiter à ne considérer que la classe des chasses d’eau. [107] Enfin, lors de l’étape 333, on procède au deuxième niveau de prédiction des évènements fluidiques ^ Ev(^,^) présents dans un signal de mesure S^mes^((t), à l’aide du deuxième modèle f2. Les données d’entrées fournies au modèle f2 sont .^P^*(^,^);^ P)(^,^);^ P^*|^((^,^"→^) ;^ P^*|7(^,^)/, et les données de sortie sont les classes estimées L^ ^*(^,^) pour chaque évènement fluidique ^ Ev(^,^), de sorte que apparaît que le procédé de surveillance selon ce mode de réalisation présente des performances améliorées. [108] A ce titre, les figures 6A à 6C illustrent des évolutions de la fonction de répartition (également appelée fonction de distribution cumulative, ou Cumulative Distribution Function en anglais) du débit (fig.6A), de la durée d’écoulement (fig.6B) et du volume écoulé (fig.6C) pour les évènements fluidiques issus du signal simulé de débit global SsimBSim dont le profil statistique de consommation Pstat^ ^^ !"# est identique au profil Pstat^ ^^ ^^^ d’une maison réelle de référence. Ces courbes sont comparées à celles issues de la maison réelle considérée. [109] Notons ici que la fonction de répartition de débit CDFD(d) correspond à la probabilité d’obtenir une valeur du débit moyen inférieure ou égale à d : CDFD(d) = P(D≤d). Cette probabilité P(D≤d) est égale à la proportion %Δts|D de la durée d’écoulement cumulée Δtec|D au cours de la durée de surveillance Δts (ici la journée) pour laquelle le débit moyen D est non nul et au plus égal à d. La fonction de répartition CDFD(d) est comprise entre 0% et 100%, et le débit moyen D varie entre zéro et le débit maximal mesuré par les signaux de mesure DmesEC(t). [110] Ainsi, il apparaît que les signaux simulés DsimEC(t), générés lors de l’étape 130 décrite précédemment, présentent une très bonne correspondance avec les signaux de mesure DmesEC(t). Il en résulte que le signal simulé de débit global Ssim(t), généré à partir des signaux simulés DsimEC(t), est particulièrement réaliste. C’est donc le cas également de la base de données. [111] Enfin, les figures 7A, 7B et 7C illustrent les performances de prédiction pour différents procédés de classification, et ici respectivement la précision, le rappel et le F1-score. La précision est définie comme étant égale au rapport du nombre d’évènements fluidiques correctement classifiés dans une classe donnée sur le nombre total d’évènements fluidiques classifiés dans la classe en question. Le rappel est défini comme étant égal au rapport du nombre d’évènements fluidiques correctement classifiés dans une classe donnée sur le nombre total d’évènements fluidiques appartenant effectivement à la classe en question. Enfin, le F1-score correspond à la moyenne harmonique de la précision et du rappel. [112] On considère ici les résultats d’un modèle f0 qui aurait été paramétré par les seuls paramètres d’évènement PEV et non pas également par les paramètres de temporalité PT ni par les paramètres PEv|Bsim. On considère également les résultats du modèle f1 décrit en référence à la fig.2, et ceux du modèle à deux niveaux f1 et f2 décrit en référence à la fig.5. Les classes considérées sont ici celles des chasses d’eau C, celle des douches D, celle des lave-linges LL, celles des lave-vaisselles LV, et enfin celle des éléments consommateurs R* qu’il n’est pas possible de distinguer des autres (ici essentiellement les robinets R et la classe ‘mixte’ M avec d’autres éléments consommateurs). Il apparaît que les performances des modèles f1 et f1+f2 sont effectivement meilleures que celles du modèle f0. [113] Des modes de réalisation particuliers viennent d’être décrits. Différentes variantes et modifications apparaîtront à l’homme du métier.

Claims

REVENDICATIONS 1. Procédé mis en œuvre par ordinateur de surveillance d’une consommation d’un fluide d’intérêt par un bâtiment à surveiller BS, par classification d’évènements fluidiques E^v(^,^) de consommation du fluide d’intérêt par des éléments consommateurs EC du bâtiment à surveiller BS, parmi plusieurs classes prédéfinies L^ ^^(^,^) d’éléments consommateurs EC, le procédé comportant les phases suivantes : o une phase de génération (100) d’au moins une base de données (BD1, BD2), comportant les étapes suivantes : ^ acquérir (110) des signaux de mesure ^Dmes^^^^(^) ^^ (t)^^^^;^ représentatifs du débit de consommation de chacun des éléments consommateurs EC de N bâtiments réels de référence {Bref(n)}n=1 ;N, avec N>1, au moyen de plusieurs capteurs de mesure fluidique (CMEC) raccordés chacun à un élément consommateur EC des N bâtiments réels de référence, les signaux de mesure étant alors dits classifiés, les éléments consommateurs EC étant de mêmes classes que celles du bâtiment à surveiller BS ; ^ définir (120) des profils de consommation ^Pstat^!"#($) ^^ de M bâtiments dits simulés {Bsim(m)}m=1 ;M, avec M>N, à partir des signaux de mesure classifiés acquis, chaque bâtiment simulé comportant des éléments consommateurs EC de mêmes classes que celles du bâtiment à surveiller BS ; ^ générer (130), par simulation numérique, des signaux simulés ^Dsim^!"#($) ^^ (t)^#^^;% représentatifs du débit de consommation de chacun des éléments consommateurs EC des bâtiments simulés {Bsim(m)}m=1 ;M ayant les profils de consommation définis, les signaux simulés générés étant alors dits classifiés ; ^ déterminer (140), pour chacun des évènements fluidiques {Ev(i)}i=1 ;NA identifiés dans les signaux simulés classifiés générés : ^ des paramètres dit d’évènement {PEv(i)}i=1 ;NA, représentatifs d’une durée et d’un volume écoulé de chacun des évènements fluidiques ; et ^ des paramètres dit de temporalité {PT(i)}i=1 ;NA, représentatifs d’un nombre d’évènements fluidiques dits similaires, présentant un débit sensiblement identique à celui de l’évènement fluidique considéré et situés dans des créneaux temporels successifs prédéfinis situés avant et après l’évènement fluidique considéré ; ^ générer (150) la base de données (BD1 ; BD2) comportant, pour chacun des évènements fluidiques {Ev(i)}i=1 ;NA identifiés : les paramètres d’évènement {PEv(i)}i=1 ;NA, les paramètres de temporalité {PT(i)}i=1 ;NA, et la classe {LEV(i)}i=1 ;NA correspondante d’élément consommateur EC ; o une phase de paramétrage (200) d’au moins un modèle de prédiction (f1, f2) par apprentissage automatique supervisé à partir de la base de données (BD1 ; BD2) ; o une phase de classification (300), comportant les étapes suivantes : ^ acquérir (310) un signal de mesure S^mes^((t) représentatif du débit global de consommation du bâtiment à surveiller BS au moyen d’au moins un capteur de mesure fluidique (CMBS) raccordé à une entrée fluidique du bâtiment à surveiller BS ; ^ déterminer (320), pour chacun des évènements fluidiques {E^v(^,^)}j=1 ;NP identifiés dans le signal de mesure acquis S^mes^((t), des paramètres d’évènement {P^ ^^(^,^)}j=1 ;NP et des paramètres de temporalité {^P)(^,^)}j=1 ;NP correspondants ; ^ prédire (330), par le modèle de prédiction (f1 ; f2), pour chacun des évènements fluidiques {E^v(^,^)}j=1 ;NP dont les paramètres d’évènement {P^ ^^(^,^)}j=1 ;NP et les paramètres de temporalité {^P)(^,^)}j=1 ;NP forment des données d’entrée au modèle de prédiction, la classe correspondante consommateurs EC ; o une phase de surveillance (400) du bâtiment à surveiller BS, comportant : ^ identifier (410) une classe d’éléments consommateurs, parmi au moins une partie des classes prédites, pour laquelle un paramètre de suivi PS7^ associé aux évènements fluidiques correspondants présente un écart E7^ à une valeur de référence PS7^,^^^ supérieur à un écart seuil E7^,<= ; puis ^ communiquer (420) à un utilisateur la classe identifiée d’éléments consommateurs. 2. Procédé de surveillance selon la revendication 1, dans lequel les paramètres de temporalité PT(i) et^ P)(^,^) comportent également, pour chacun des créneaux temporels, le volume cumulé du fluide d’intérêt écoulé et la durée d’écoulement. 3. Procédé de surveillance selon la revendication 1 ou 2, dans lequel les paramètres d’évènements PEv(i) et ^ P^*(^,^) comportent, pour chaque évènement fluidique, l’instant initial de l’évènement fluidique, la durée d’écoulement, le volume écoulé et/ou le débit moyen. 4. Procédé de surveillance selon l’une quelconque des revendications 1 à 3, dans lequel la base de données et les données d’entrée du modèle de prédiction comportent des paramètres dits de comparaison, notés respectivement PEv|Bsim(i) et P^ ^*|^((^,^"→^)), et définis, pour chaque évènement fluidique Ev(i), E^v(^,^), comme le rapport d’un débit moyen de l’évènement fluidique considéré sur un débit global moyen de tous les évènements fluidiques Ev du bâtiment considéré. 5. Procédé de surveillance selon l’une quelconque des revendications 1 à 4, dans lequel la phase de classification (300) est réitérée, les signaux de mesure S^mes^((t) du bâtiment à surveiller (BS) étant alors acquis sur des durées de surveillance prédéfinies successives. 6. Procédé de surveillance selon les revendications 4 et 5, dans lequel, dans les paramètres de comparaison P^ ^*|^((^,^"→^) présents dans les données d’entrée du modèle de prédiction, le débit global moyen de tous les évènements fluidiques E^v(^,^) tient compte du débit global moyen des itérations précédentes. 7. Procédé de surveillance selon l’une quelconque des revendications 1 à 6, dans lequel : o la phase de génération (100) comporte les étapes suivantes : ^ détermination (151) d’une première base de données (BD1) où chaque évènement fluidique (Ev(i)) est défini par au moins lesdits paramètres d’évènement (PEV(i)) et par lesdits paramètres de temporalité (PT(i)) ; ^ détermination (152) d’une deuxième base de données (BD2) où chaque évènement fluidique (Ev(i)) est défini par au moins lesdits paramètres d’évènement (PEV(i)), par lesdits paramètres de temporalité (PT(i)), et par des paramètres dit de comparaison par classe (PEV|L(i)) définis, pour chaque évènement fluidique (Ev(i)) d’au moins une classe considérée, comme le rapport d’un débit moyen de l’évènement fluidique considéré sur un débit global moyen de tous les évènements fluidiques de la classe considérée (Ev(i)) ; o la phase de paramétrage (200) comporte les étapes suivantes : ^ paramétrage (201) d’un premier mode de prédiction (f1) par apprentissage automatique supervisé à partir de la première base de données (BD1) ; ^ paramétrage (202) d’un deuxième mode de prédiction (f2) par apprentissage automatique supervisé à partir de la deuxième base de données (BD2) ; o la phase de classification (300) comporte les étapes suivantes : ^ détermination (320), pour des évènements fluidiques (E^v(^,^)) présents dans le signal de mesure S^mes^((t), des paramètres d’évènement (^P^*(^,^)) et des paramètres de temporalité (P^ )(^,^)) correspondants ; puis ^ prédiction (331) par le premier modèle de prédiction (f1), pour chacun des évènements fluidiques (^Ev(^,^)), lesquels sont définis par les paramètres d’évènement (P^ ^*(^,^)) et les paramètres de temporalité (P^ )(^,^)) qui forment des données d’entrée du premier modèle de prédiction (f1), de la classe (L^ ^*(^,^)) d’élément consommateur (EC) correspondante ; puis ^ détermination, à partir des classes prédites préalablement, de paramètres de comparaison par classe (^P^*|7(^,^)) correspondants ; puis ^ prédiction (331) par le deuxième modèle de prédiction (f2), pour chacun des évènements fluidiques (^Ev(^,^)), lesquels sont définis par les paramètres d’évènement (P^ ^*(^,^)), les paramètres de temporalité (^P)(^,^)), et les paramètres de comparaison par classe (^P^*|7(^,^)) qui forment des données d’entrée du deuxième modèle de prédiction (f2), de la classe (L^ ^*(^,^)) d’élément consommateur (EC) correspondante. 8. Procédé de surveillance selon l’une quelconque des revendications 1 à 7, dans lequel, lors de l’étape d’acquisition (110) des signaux de mesure ^Dmes^^^^(^) ^^ (t)^^^^;^, les N bâtiments réels de référence sont raccordés à un dispositif de détermination d’au moins un modèle de prédiction, comportant les capteurs de mesure fluidique (CMEC) adaptés à acquérir les signaux de mesure pour chacun des éléments consommateurs (EC) du bâtiment réel de référence considéré (BR), et un ordinateur connecté aux capteurs de mesure fluidique du bâtiment de référence considéré (BR) et adapté à effectuer la phase de paramétrage (200). 9. Procédé de surveillance selon l’une quelconque des revendications 1 à 8, dans lequel, lors de l’étape d’acquisition (310) du signal de mesure S^mes^((t) du bâtiment à surveiller (BS), celui-ci est raccordé à un dispositif de classification comportant le capteur de mesure fluidique (CMBS) adapté à acquérir le signal de mesure S^mes^((t), et un ordinateur connecté au capteur de mesure fluidique du bâtiment à surveiller (BS) et adapté à effectuer la phase de classification (300). 10. Procédé de surveillance selon l’une quelconque des revendications 1 à 9, dans lequel la phase de surveillance (400) comporte, à la suite de l’étape de communication, une étape de correction par l’utilisateur de sorte que les éléments consommateurs de la classe identifiée présentent ensuite une valeur du paramètre de suivi inférieure à la valeur seuil prédéfinie.
EP23773245.8A 2022-09-20 2023-09-19 Procede de surveillance d'une consommation fluidique d'un batiment a surveiller, par classification par apprentissage supervise d'evenements de consommation fluidique Pending EP4591123A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2209520A FR3139918B1 (fr) 2022-09-20 2022-09-20 Procédé de classification par apprentissage supervisé d’évènements de consommation fluidique par un bâtiment à surveiller parmi plusieurs classes d’éléments consommateurs
PCT/EP2023/075737 WO2024061868A1 (fr) 2022-09-20 2023-09-19 Procede de surveillance d'une consommation fluidique d'un batiment a surveiller, par classification par apprentissage supervise d'evenements de consommation fluidique

Publications (1)

Publication Number Publication Date
EP4591123A1 true EP4591123A1 (fr) 2025-07-30

Family

ID=84887852

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23773245.8A Pending EP4591123A1 (fr) 2022-09-20 2023-09-19 Procede de surveillance d'une consommation fluidique d'un batiment a surveiller, par classification par apprentissage supervise d'evenements de consommation fluidique

Country Status (3)

Country Link
EP (1) EP4591123A1 (fr)
FR (1) FR3139918B1 (fr)
WO (1) WO2024061868A1 (fr)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7920983B1 (en) * 2010-03-04 2011-04-05 TaKaDu Ltd. System and method for monitoring resources in a water utility network
ES2906411T3 (es) * 2015-06-29 2022-04-18 Suez Groupe Procedimiento de detección de anomalías en un sistema de distribución de agua
FR3045867B1 (fr) * 2015-12-17 2024-03-22 Suez Environnement Traitement des donnees de telerelevee pour l'analyse des modes de consommation
US10935405B1 (en) * 2017-05-12 2021-03-02 Alarm.Com Incorporated Disaggregation of water consumption data

Also Published As

Publication number Publication date
WO2024061868A1 (fr) 2024-03-28
FR3139918B1 (fr) 2024-11-29
FR3139918A1 (fr) 2024-03-22

Similar Documents

Publication Publication Date Title
CA2954812C (fr) Procede pour detecter des anomalies dans un reseau de distribution, en particulier d&#39;eau potable
EP3455452B1 (fr) Procédé de détermination temporelle d&#39;un volume d&#39;eau prélevable maximum admissible d&#39;une source d&#39;eau souterraine
EP2000780B1 (fr) Procédé et système de détection et d&#39;estimation de la consommation des usages électriques des installations d&#39;un souscripteur
EP3059682B1 (fr) Systeme de traitement de donnees et de modelisation pour l&#39;analyse de la consommation energetique d&#39;un site
EP3688458B1 (fr) Detection et caracterisation ameliorees d&#39;anomalies dans un continuum d&#39;eau
FR2957097A1 (fr) Systeme et procede de surveillance de ressources dans un reseau de distribution d&#39;eau
WO2022025743A1 (fr) Système intelligent pour ta détection et l&#39;identification des appareils en fonctionnement à l&#39;aide d&#39;une surveillance bimodale non-intrusive du signal électrique
CN110119758A (zh) 一种用电数据异常检测及模型训练方法、装置
WO2020193000A1 (fr) Méthode de détection d&#39;anomalies dans une installation de traitement des eaux
EP3767474B1 (fr) Procédé d&#39;analyse de consommation de ressource d&#39;une infrastructure informatique, alerte et dimensionnement
EP4602537A1 (fr) Procede de prediction d&#39;operation de maintenance et de recommandation de maintenance d&#39;equipements de traitement d&#39;eau
EP4591123A1 (fr) Procede de surveillance d&#39;une consommation fluidique d&#39;un batiment a surveiller, par classification par apprentissage supervise d&#39;evenements de consommation fluidique
WO2019063648A1 (fr) Detection et caracterisation ameliorees d&#39;anomalies dans un continuum d&#39;eau
WO2017186603A1 (fr) Gestion d&#39;un pompage d&#39;alimentation en eau d&#39;un circuit d&#39;une installation de production électrique
EP4500137B1 (fr) Procede de detection d&#39;une anomalie de consommation d&#39;un fluide d&#39;interet par un système consommateur
CN113450020A (zh) 一种基于物联网的燃气用户管理方法、设备及计算机存储介质
FR3103604A1 (fr) Procédé de prédiction de consommations d’une ressource distribuée dans un réseau de distribution
EP3875914B1 (fr) Detection d&#39;une derive metrologique anormale d&#39;un compteur de fluide
FR2982031A1 (fr) Procede et systeme d&#39;estimation de la consommation electrique d&#39;un dispositif de chauffage electrique
CN119693187A (zh) 智能水表数据真值判别方法、系统、电子设备和存储介质
Fang et al. Enhancing household water end-use estimates from low time-resolution smart meter data via stochastic discrete event modeling and Bayesian inference
FR2857749A1 (fr) Procede de detection d&#39;une consommation anormale de fluide
FR3022658A1 (fr) Procede de creation d&#39;une structure de donnees representative d&#39;une consommation de fluide d&#39;au moins un equipement, dispositif et programme correspondant.
EP3508996A1 (fr) Estimation d&#39;un circuit électrique équivalent, à résistances et capacités thermiques, d&#39;un bâtiment pour le contrôle optimal du chauffage du bâtiment

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250403

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)