Browsing by Author "GHEDJATI Nouha"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Développement d'un système intelligent de désagrégation de la consommation énergétique domestique basé sur la méthode NILM
    (ECOLE NATIONALE SUPERIEURE DE TECHNOLOGIE ET D’INGENIERIE - ANNABA, 2025) GHEDJATI Nouha; SEMARI Douha; DOGHMANE Noureddine (Co-Encadrant)
    Ce travail présente la conception, le développement et l’évaluation d’un système embarqué de surveillance énergétique reposant sur le principe du Non-Intrusive Load Monitoring (NILM). L’architecture matérielle, économique et compacte, s’appuie sur un microcontrôleur ESP32 WROOM-32 associé au capteur de mesure PZEM-004T v4.0. À partir des données collectées, les événements de consommation sont détectés à l’aide de l’algorithme CUSUM, puis décrits par des vecteurs de caractéristiques extraits et normalisés avant d’être classifiés par un modèle Random Forest optimisé pour les contraintes embarquées. Une étude comparative de différentes techniques de réduction de dimensionnalité (ACP, ADL, Autoencodeur) a révélé que l’utilisation directe des caractéristiques brutes permettait d’obtenir les meilleures performances, tant en précision qu’en vitesse d’inférence, sur le jeu de données public ENERTALK et sur des mesures expérimentales réelles. Les résultats valident ainsi la faisabilité d’un système NILM temps réel, fiable et peu coûteux, tout en mettant en évidence la nécessité d’optimiser davantage les paramètres de détection et d’enrichir les représentations caractéristiques afin d’en améliorer la robustesse en conditions réelles.
  • Thumbnail Image
    Item
    Évaluation des méthodes de détection d’événements et de Classification pour l’identification des appareils dans les systèmes NILM
    (ECOLE NATIONALE SUPERIEURE DE TECHNOLOGIE ET D’INGENIERIE - ANNABA, 2025) SEMARI Douha; GHEDJATI Nouha; DEBBAH Abdesselam (Encadrant); DOGHMANE Noureddine (Co-Encadrant)
    Ce projet de fin d'études explore l'optimisation des systèmes de surveillance non intrusive de la consommation électrique (NILM) pour la désagrégation de l'énergie au sein des foyers, visant à encourager la conservation énergétique face aux défis environnementaux et économiques. Il se concentre sur l'évaluation comparative de différentes combinaisons d'algorithmes de détection d'événements (Seuil, CUSUM et TFED) et de méthodes de classification (RF, XGBoost, SVM, CNN) pour identifier les appareils électriques à partir d'un signal de consommation agrégé. L'étude, menée sur le jeu de données ENERTALK, révèle que les algorithmes basés sur les arbres de décision, notamment XGBoost et RF, lorsqu'ils sont associés aux méthodes de détection CUSUM et TFED, surpassent constamment les autres approches en termes de précision, rappel, score F1 et exactitude, démontrant leur robustesse et leur potentiel pour une gestion énergétique intelligente et efficace.