La détection des anomalies dans la consommation d’électricité en utilisant des méthodes de détection des outliers
Des informations générales:
Le niveau |
Master |
Titre |
La détection des anomalies dans la consommation d’électricité en utilisant des méthodes de détection des outliers |
SPECIALITE |
Réseaux et Systèmes Distribués (R.S.D) |
Page de garde:
Sommaire:
INTRODUCTION GENERALE.
CHAPITRE I
LES RESEAUX ELECTRIQUES INTELLIGENTS (SMART GRIDS) 3
INTRODUCTION.
LES SMART GRIDS
Définition.
Caractéristiques des réseaux intelligents
Fonctionnement
INTERETS DES RESEAUX ELECTRIQUES INTELLIGENTS
1.4 CARACTERISTIQUES DES RESEAUX DE CAPTEURS SANS FIL
1.5 MAISON INTELLIGENTE
1.6 SYSTEME DE GESTION D’ENERGIE (EMS ENERGY MANAGEMENT SYSTEM)
1.7 SYSTEME DE GESTION DE L’ENERGIE DOMESTIQUE (HEMS)
1.7.1 Gestion Technique de bâtiment (GTB).
1.7.2 Les objectifs principaux d’une GTB
1.7.3 Le principe de fonctionnement de la GTB.
1.8 CONCLUSION
CHAPITRE II
APPRENTISSAGE AUTOMATIQUE SUR LES SERIES TEMPORELLES.
II.1
INTRODUCTION
LES SERIES TEMPORELLES
11.3 TYPES DE MACHINE LEARNING.
II.3.1 Apprentissage supervisé
11.3.2 Classification.
a) Classification binaire
b) Classification multi-classe.
11.3.3 Régression
II.3.4 Apprentissage semi-supervisé
II.3.5 Apprentissage par renforcement
11.3.6 Apprentissage automatique non supervisé
a) Méthode “forêt d’isolement”.
b) Méthode “Support Vector Machine”.
c) Machines à vecteurs de support à une classe.
d) Long Short-Serm Memory (LSTM)
e) L’approche K-Means
11.4 CONCLUSION
CHAPITRE III
OUTILS LOGICIELS UTILISES POUR LE DEVELOPPEMENT DE L’APPLICATION 24
III.1
INTRODUCTION
III.2 OUTILS LOGICIELS UTILISES.
III.2.1 Les bibliothèques Python pour l’apprentissage automatique
a) La bibliothèque Numpy
b) La bibliothèque SciPy.
c) La biblithèque Skikit-learn
d) La bibliothèque Pandas
e) La bibliothèque Matpoltlib.
f) La bibliothèque Plotly.
II.2.2 La plateforme KNIME
II.2.3 La base de données (dataset)
III.3 DESCRIPTION DES METHODES DE ML UTILISEES
III.3.1 Méthode 1: Isolation Forest.
III.3.2 Méthode 2: One-classs SVM
III.3.3 Méthode 3: K-Means
III.4 CONCLUSION
CHAPITRE IV
DETECTION D’ANOMALIES DANS LA CONSOMMATION D’ELECTRICITE PAR ML 35
IV.1
INTRODUCTION
IV.2
ENVIRONNEMENT DU DEVELOPPEMENT
IV.2.1 Accès aux données
IV.2.2 Description des nœuds
IV.2.3 Filtrage des données
IV.2.4 Analyse des données.
IV.2.5 Edition des variables
IV.3 METHODES DE ML UTILISEES
IV.3.1 Méthode 1: Isolation Forest.
IV.3.2 Méthode 2: One Class SVM
IV.3.3 Méthode 3: K-Means
IV.4 L’EVALUATION ET ANALYSE DES RESULTATS
IV.4.1 Exploitation des résultats
IV.4.2 Comparaison
IV.5 CONCLUSION
CONCLUSION GENERALE
REFERENCES BIBLIOGRAPHIQUES
CHAPITRE I
LES RESEAUX ELECTRIQUES INTELLIGENTS (SMART GRIDS) 3
INTRODUCTION.
LES SMART GRIDS
Définition.
Caractéristiques des réseaux intelligents
Fonctionnement
INTERETS DES RESEAUX ELECTRIQUES INTELLIGENTS
1.4 CARACTERISTIQUES DES RESEAUX DE CAPTEURS SANS FIL
1.5 MAISON INTELLIGENTE
1.6 SYSTEME DE GESTION D’ENERGIE (EMS ENERGY MANAGEMENT SYSTEM)
1.7 SYSTEME DE GESTION DE L’ENERGIE DOMESTIQUE (HEMS)
1.7.1 Gestion Technique de bâtiment (GTB).
1.7.2 Les objectifs principaux d’une GTB
1.7.3 Le principe de fonctionnement de la GTB.
1.8 CONCLUSION
CHAPITRE II
APPRENTISSAGE AUTOMATIQUE SUR LES SERIES TEMPORELLES.
II.1
INTRODUCTION
LES SERIES TEMPORELLES
11.3 TYPES DE MACHINE LEARNING.
II.3.1 Apprentissage supervisé
11.3.2 Classification.
a) Classification binaire
b) Classification multi-classe.
11.3.3 Régression
II.3.4 Apprentissage semi-supervisé
II.3.5 Apprentissage par renforcement
11.3.6 Apprentissage automatique non supervisé
a) Méthode “forêt d’isolement”.
b) Méthode “Support Vector Machine”.
c) Machines à vecteurs de support à une classe.
d) Long Short-Serm Memory (LSTM)
e) L’approche K-Means
11.4 CONCLUSION
CHAPITRE III
OUTILS LOGICIELS UTILISES POUR LE DEVELOPPEMENT DE L’APPLICATION 24
III.1
INTRODUCTION
III.2 OUTILS LOGICIELS UTILISES.
III.2.1 Les bibliothèques Python pour l’apprentissage automatique
a) La bibliothèque Numpy
b) La bibliothèque SciPy.
c) La biblithèque Skikit-learn
d) La bibliothèque Pandas
e) La bibliothèque Matpoltlib.
f) La bibliothèque Plotly.
II.2.2 La plateforme KNIME
II.2.3 La base de données (dataset)
III.3 DESCRIPTION DES METHODES DE ML UTILISEES
III.3.1 Méthode 1: Isolation Forest.
III.3.2 Méthode 2: One-classs SVM
III.3.3 Méthode 3: K-Means
III.4 CONCLUSION
CHAPITRE IV
DETECTION D’ANOMALIES DANS LA CONSOMMATION D’ELECTRICITE PAR ML 35
IV.1
INTRODUCTION
IV.2
ENVIRONNEMENT DU DEVELOPPEMENT
IV.2.1 Accès aux données
IV.2.2 Description des nœuds
IV.2.3 Filtrage des données
IV.2.4 Analyse des données.
IV.2.5 Edition des variables
IV.3 METHODES DE ML UTILISEES
IV.3.1 Méthode 1: Isolation Forest.
IV.3.2 Méthode 2: One Class SVM
IV.3.3 Méthode 3: K-Means
IV.4 L’EVALUATION ET ANALYSE DES RESULTATS
IV.4.1 Exploitation des résultats
IV.4.2 Comparaison
IV.5 CONCLUSION
CONCLUSION GENERALE
REFERENCES BIBLIOGRAPHIQUES
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.